Les modèles d'apprentissage automatique pourraient atténuer les risques posés par la fissuration et la corrosion des structures en béton, affirment les scientifiques

Les scientifiques affirment avoir conçu des modèles d’apprentissage automatique capables de prédire quand et pourquoi les structures en béton armé commencent à se détériorer et à se fissurer.

Le béton est le matériau de construction le plus couramment utilisé dans le monde moderne pour la construction d'une grande variété de structures telles que des ponts, des jetées, des maisons, des parkings à plusieurs étages et des bâtiments.

Cependant, malgré sa résistance et sa durabilité, le béton armé peut se fissurer et se délaminer dans le cadre d'un processus appelé effritement, généralement provoqué par la corrosion des sections d'acier du béton.

Des chercheurs de l'Université de Sharjah affirment désormais avoir conçu de nouveaux modèles d'apprentissage automatique qui, selon eux, peuvent prédire quand et pourquoi l'effritement peut se produire, donnant ainsi aux ingénieurs suffisamment de temps pour proposer des solutions et des pratiques sur la manière de bloquer l'effritement et ses effets néfastes.

La recherche, publiée dans Rapports scientifiques« étudie les facteurs multiformes influençant l'effritement, en utilisant une approche globale qui intègre des techniques statistiques et d'apprentissage automatique pour la modélisation prédictive.

« Des statistiques descriptives profilent méticuleusement l'ensemble de données, en mettant l'accent sur l'âge, l'épaisseur, les précipitations, la température et les paramètres de trafic », écrivent les scientifiques.

L'écaillage a de nombreux effets néfastes. En l’absence d’une évaluation et d’une prévision appropriées ainsi que d’un traitement approprié, cela peut entraîner des conséquences dangereuses.

Lorsque l'acier se corrode, il se dilate bien au-delà de son volume d'origine, mettant sous pression le ciment environnant et entraînant l'apparition de fissures et la détérioration des structures en béton.

La fissuration des structures en béton est un phénomène de détresse qui constitue non seulement une menace pour les revêtements en béton et les bâtiments, mais constitue également un risque pour la santé et la sécurité.

Le Dr Ghazi Al-Khateeb, auteur principal et professeur de chaussées en asphalte, de dommages et de mécanique des chaussées à l'Université de Sharjah, a déclaré que les facteurs clés influençant l'effritement ont été pris en compte dans l'étude, en particulier leur impact sur les chaussées en béton armé en continu (CRCP).

Le CRCP est devenu le revêtement en béton le plus courant à l'ère moderne car il élimine l'inclusion de joints transversaux qui nécessitent généralement un entretien continu et coûteux. Il est adopté dans le cadre de mesures visant à aider le béton à résister aux pressions environnementales et de circulation.

Les auteurs ont également pris en compte dans leur analyse le trafic quotidien moyen annuel ou AADT, qui calcule la somme du trafic total sur une chaussée pour toute l'année divisée par 365 jours.

Le professeur Al-Khateeb a déclaré : « L'étude de recherche a identifié les facteurs clés influençant l'effritement des chaussées en béton armé en continu (CRCP), notamment l'âge, les variables climatiques telles que la température, les précipitations et l'humidité, ainsi que le trafic journalier moyen annuel (TMAA) et épaisseur de la chaussée.

« Ces facteurs ont été mis en évidence comme principaux contributeurs à la détérioration du CRCP. »

L'étude de recherche, écrivent les auteurs, « a adhéré à une méthodologie systématique, comprenant plusieurs étapes pour garantir la robustesse… Des statistiques descriptives profilent méticuleusement l'ensemble de données, en mettant l'accent sur l'âge, l'épaisseur, les précipitations, la température et les paramètres de trafic ».

Les auteurs ont utilisé une analyse de régression pour étudier les relations clés entre différents facteurs provoquant l'effritement. Leurs résultats ont souligné « l’importance de l’âge, de la température annuelle, des précipitations annuelles, de l’humidité maximale et de l’indice international de rugosité (IRI) initial en tant que facteurs d’influence ».

« La sélection de modèles de régression de processus gaussien et d'arbres d'ensemble découle de leur adaptabilité à capturer des relations complexes au sein de l'ensemble de données, et leurs performances comparatives fournissent des informations précieuses sur les diverses capacités prédictives de ces modèles dans le contexte de l'effritement du CRCP. »

En intégrant les résultats de l’analyse de ces facteurs dans les modèles qu’ils ont conçus, les auteurs ont découvert que leurs machines d’apprentissage avaient la capacité de prévoir le moment où une détérioration du béton armé peut survenir et les facteurs constituant une menace pour la durabilité du béton.

Selon le professeur Al-Khateeb, les modèles d'apprentissage automatique utilisés par les auteurs étaient pour la plupart du type régression de processus gaussien et modèles d'arbres d'ensemble, qui « ont démontré la plus grande précision dans la prévision de l'effritement ».

« Cependant, il a été noté que les performances du modèle variaient en fonction de l'architecture spécifique et des caractéristiques de l'ensemble de données utilisé, ce qui indique l'importance d'une sélection minutieuse du modèle. »

Par conséquent, les auteurs conseillent aux ingénieurs et aux praticiens d'être prudents lorsqu'ils utilisent des modèles d'apprentissage automatique, notant que dans « l'apprentissage automatique, l'adoption de modèles, notamment la régression de processus gaussienne et les modèles d'arbres d'ensemble, est fondée sur leurs diverses capacités et leur adéquation à la tâche complexe à accomplir. . Leurs précisions prédictives variables soulignent l’importance d’une sélection judicieuse de modèles.

L'étude de recherche, selon les auteurs, « fait progresser les pratiques d'ingénierie des chaussées en offrant des informations nuancées sur les facteurs influençant l'effritement dans le CRCP, affinant ainsi notre compréhension des influences de l'effritement ».

« Par conséquent, l'étude ouvre non seulement la voie au développement de méthodologies prédictives améliorées, mais améliore également la durabilité de l'infrastructure du CRCP, en abordant des implications plus larges pour une prise de décision éclairée en matière de gestion des infrastructures de transport. »

Interrogé sur les implications pratiques immédiates de l'étude, le professeur Al-Khateeb a évoqué les résultats de la recherche des auteurs qui, selon lui, mettaient en évidence « la nécessité de stratégies d'entretien intégrant des facteurs critiques tels que l'âge, la charge de trafic et l'épaisseur de la chaussée ». Grâce à ces variables, les praticiens peuvent améliorer la durabilité du CRCP et réduire les risques d'effritement.

Le professeur Al-Khateeb a déclaré qu'il était encore possible de poursuivre les recherches pour consolider les résultats en mettant davantage l'accent sur « l'exploration des changements temporels dans les modèles d'effritement, l'intégration des données de capteurs en temps réel pour des prévisions plus précises, la variabilité des données régionales et l'examen des impacts du changement climatique sur l'effritement.

« Ces pistes pourraient améliorer considérablement les méthodologies prédictives et renforcer la résilience des systèmes de chaussée en béton. »