Les modèles Ai-Augmentation améliorent les prédictions du jointoiement chimique dans les sols complexes
La liquéfaction du sol – le processus où le sol saturé perd sa structure et se transforme en un état de type fluide – peuvent avoir des résultats dévastateurs, comme en témoigne le grand tremblement de terre du Japon oriental en 2011. Liquéfaction à grande échelle pendant cette catastrophe a endommagé des milliers de maisons dans la région de Tokyo Bay, posant un défi formidable à l'infrastructure au Japon.
Pour éviter cela, le jointoiement chimique est considéré comme efficace lorsque le coulis est injecté dans le sol pour substituer l'eau des pores du sol par un produit chimique de solidification, améliorant ainsi la structure du sol. Mais, dans le sol hétérogène avec des zones à faible perméabilité, il est difficile de réaliser une perméation de coulis chimique uniforme et fiable.
Une étude précédente a présenté une technique innovante nommée méthode d'éléments finis (FEM) pour analyser le comportement de perméation du coulis chimique dans les sols homogènes et hétérogènes, montrant que le coulis a tendance à contourner les zones de faible perméabilité, affectant négativement les régions du sol. Par conséquent, la prédiction et l'optimisation des performances de perméation sont importantes pour réussir le jointoiement chimique dans les types de sols complexes.
À cette fin, le professeur Shinya Inazumi du College of Engineering, Shibaura Institute of Technology (SIT), Japon, a dirigé une équipe de chercheurs de SIT et de l'Institut asiatique de technologie, en Thaïlande, pour intégrer la modélisation prédictive basée sur l'IA dans l'analyse de perméation basée sur les femmes. Ils ont développé un cadre pratique pour évaluer le comportement de perméation de coulis dans les sols avec des zones à faible perméabilité, et leur article a été publié dans la revue Entraîne l'ingénierie le 1er juin 2025.
« Contrairement aux études précédentes qui reposaient uniquement sur les méthodes d'analyse traditionnelle de la perméation pour mettre en évidence les effets de l'hétérogénéité des sols sur l'efficacité de la perméation chimique du coulis, cette étude est unique en combinant l'analyse de la perméation traditionnelle avec des techniques avancées d'IA telles que les réseaux neuronaux et les arbres de décision d'amélioration du gradient », explique le prof. INAZUMI sur la nouveauté de l'étude.
Après avoir créé un modèle de sol avec des régions à faible perméabilité, une analyse de perméation à base de FEM 2D a été réalisée pour calculer la vitesse de perméation, sur la base duquel le risque et la plage de perméation ont été évalués. Les paramètres qui ont contribué à un risque de perméation de plus de 10% ont été identifiés et utilisés comme entrées pour une analyse de régression multiple pour prédire le risque de perméation.
Les ensembles de données de perméation dérivés des FEM ont également été utilisés pour former deux modèles prédictifs basés sur l'IA: un réseau neuronal et un arbre de décision stimulant le gradient.
Les résultats ont montré que l'analyse de perméation à base de FEM a démontré un taux de perméation moyen de 94,5% et une valeur pire de 81% lorsque 5,5% du sol était d'une faible perméabilité. Les modèles prédictifs basés sur l'IA ont montré un taux de perméation moyen de 96% et une baisse du pire des cas de 83%.
Une validation comparative des modèles prédictifs basés sur l'IA avec des simulations FEM et des études antérieures suggère une précision prédictive élevée de R2= 0,849. Cela démontre que les modèles basés sur l'IA peuvent être intégrés à la modélisation numérique lorsqu'ils sont formés sur des ensembles de données bien structurés.
De plus, les modèles basés sur l'IA ont fourni des prédictions en moins de deux secondes, par rapport aux simulations FEM qui ont pris près de 30 à 40 minutes pour traiter les prédictions. Des modèles de régression simples se sont développés dans cette étude en utilisant des entrées telles que la géométrie du sol et la proximité des zones à faible perméabilité ont estimé avec précision les risques de perméation sans avoir besoin d'étapes de calcul exhaustives.
De plus, l'analyse basée sur les FEM a révélé que les zones à faible perméabilité bloquent les modèles d'écoulement et réduisent les vitesses de perméation dans le sol.
Pour obtenir d'autres modèles de prédiction fiables, une validation expérimentale avec des données sur le terrain est nécessaire. Avec des données de formation plus diverses, les modèles prédictifs basés sur l'IA peuvent être plus précis, ce qui réduit le risque de surestimation.
« Ces résultats contribuent au domaine en proposant un cadre pratique qui aide les ingénieurs à prédire plus efficacement le comportement de perméation du coulis, même dans les sols complexes et hétérogènes », conclut le professeur Inazumi.
L'intégration de plus de propriétés physiques du processus de coulis, comme la pression de coulis, la rhéologie du coulis, les conditions d'injection et les distributions de la taille des grains dans les simulations FEM, peut également améliorer l'applicabilité pratique du champ de ce nouveau cadre intégratif à l'avenir.
Dans l'ensemble, cette étude peut aider à relever les défis critiques associés à la liquéfaction du sol dans les régions sujettes aux tremblements de terre du monde, comme le Japon.
