Modèle de résistance au cisaillement des éléments en béton allégé basé sur un réseau de neurones profond et une optimisation COVID-19

Pourquoi un béton plus léger et des mathématiques intelligentes comptent

Les bâtiments et les ponts deviennent plus hauts, plus longs et plus performants, et les ingénieurs recherchent des matériaux à la fois résistants et légers. Le béton léger permet de réduire la masse des structures et d’améliorer l’isolation, mais il est difficile de prédire comment il va fissurer et céder sous certains types d’efforts. Cette étude montre comment une forme moderne d’intelligence artificielle, combinée à un algorithme inspiré de la propagation de la COVID-19, peut prédire une propriété clé du béton léger avec plus de précision que les règles de calcul actuelles, ce qui pourrait conduire à des structures plus sûres et plus efficaces.

Le défi d’empêcher le béton de se déchirer

Lorsqu’une poutre en béton dans un bâtiment ou un pont supporte des charges, elle peut céder de différentes manières. L’un des modes les plus soudains et difficiles à prévoir est le cisaillement, où des fissures diagonales se forment et traversent la poutre. Les formules de calcul traditionnelles utilisées dans les principaux codes de construction sont volontairement conservatrices, mais elles divergent souvent entre elles et peuvent mal évaluer le comportement des poutres réelles. Le problème devient encore plus complexe avec le béton léger, dont la faible densité et les agrégats différents modifient la formation des fissures et la transmission des efforts dans le matériau, affaiblissant certains mécanismes internes qui résistent normalement au cisaillement.

Comment un modèle d’apprentissage profond lit le comportement structural

Pour y répondre, les auteurs ont construit un réseau de neurones profond, un type de modèle d’IA composé de nombreuses couches d’unités de traitement simples qui détectent des motifs dans les données. Ils ont entraîné ce réseau sur des résultats expérimentaux issus de poutres en béton léger, en lui fournissant des détails géométriques, les résistances des matériaux, les caractéristiques de l’armature en acier et la manière dont la charge est appliquée. Plutôt que de partir de réglages initiaux aléatoires, ils ont ajusté les paramètres internes initiaux du réseau à l’aide d’une stratégie de recherche spéciale surnommée algorithme d’optimisation COVID-19, qui emprunte des idées à la façon dont une infection se propage, s’éteint ou est contenue. Ce point de départ plus intelligent aide le réseau à apprendre plus rapidement et à éviter de rester bloqué sur de mauvaises solutions.

Tests sur des poutres réelles et comparaison aux codes

Les chercheurs ont ensuite mis leur modèle à l’épreuve en comparant ses prédictions aux mesures de laboratoire réelles et à trois codes de calcul largement utilisés aux États-Unis, en Europe et au Japon. Ils ont accordé une attention particulière aux régions de données où le comportement devient fortement non linéaire, c’est‑à‑dire où de petits changements d’entrées peuvent produire de grands sauts irréguliers dans la résistance au cisaillement. C’est précisément dans ces zones difficiles que le réseau profond a suivi de bien plus près les résultats expérimentaux que les équations des codes, lesquelles avaient tendance à s’en éloigner. Sur l’ensemble de la base de données, le nouveau modèle a affiché la plus faible erreur moyenne et la meilleure concordance entre résistances prédites et observées, tout en conservant de bonnes performances lors de contrôles croisés répétés pour éviter le surapprentissage.

Ce que le modèle révèle sur les ingrédients clés

Au‑delà de la simple prédiction de valeurs, les auteurs ont utilisé leur réseau entraîné pour explorer quelles propriétés de la poutre et du matériau sont les plus influentes. L’analyse a mis en évidence la hauteur utile de la poutre, la résistance en compression du béton, sa masse volumique et la largeur de la poutre comme les principaux facteurs déterminant la capacité au cisaillement du béton léger. En revanche, certains facteurs souvent considérés importants, comme la granulométrie des agrégats et la quantité d’acier en flexion, ont montré une influence étonnamment faible dans cet ensemble de données, soulevant des questions pour des expérimentations futures et suggérant que les concepteurs pourraient vouloir se concentrer davantage sur un groupe de paramètres plus restreint lors de l’affinement des règles pour les mélanges légers.

Ce que cela signifie pour les structures à venir

Pour les non‑spécialistes, l’essentiel est qu’un modèle d’apprentissage profond soigneusement entraîné peut agir comme un interprète expérimenté entre les essais de laboratoire et la pratique de conception courante. Dans cette étude, le réseau optimisé par l’algorithme COVID-19 a mieux estimé que les formules de code existantes la résistance au cisaillement des poutres en béton léger, surtout dans les cas difficiles où le comportement est loin d’être simple. Si les ingénieurs continueront de s’appuyer sur les codes pour l’agrément réglementaire, des outils comme ce modèle pourraient les aider à détecter des conceptions excessivement conservatrices ou potentiellement dangereuses et à aller vers des structures plus légères et plus efficaces qui utilisent les matériaux de manière plus intelligente.

Citation: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Mots-clés: béton léger, résistance au cisaillement, réseau de neurones profond, génie civil, algorithme d’optimisation