Une approche intégrée d'apprentissage automatique guidée par la physique pour prédire les paramètres de rupture du béton bitumineux

Pourquoi de meilleures routes comptent

Chaque jour, des millions d'automobilistes dépendent des routes en enrobé pour se rendre au travail, transporter des marchandises et assurer le fonctionnement des villes. Pourtant, les fissures et les nids-de-poule apparaissent souvent bien plus tôt qu'on ne le souhaiterait, entraînant des coûts et de la frustration. Cette étude explore une nouvelle manière de prédire comment et quand l'enrobé va se fissurer — en combinant essais de laboratoire traditionnels, simulations informatiques et apprentissage automatique moderne. L'objectif est de concevoir des chaussées plus durables, plus rapidement et à moindre coût.

Comment on étudie généralement les fissures dans l'enrobé

Pour comprendre comment l'enrobé se rompt, les ingénieurs utilisent souvent des éprouvettes en forme de poutre avec une petite entaille, appelée encoche, au milieu. Ces « poutres à encoche simple » sont pliées jusqu'à la rupture, tandis que des instruments enregistrent la force supportée et la déformation. À partir de ces mesures, les chercheurs calculent l'énergie de rupture — un nombre qui indique quelle quantité d'énergie le matériau peut absorber avant qu'une fissure ne se propage. Ces essais sont fiables, mais lents, nécessitent des équipements spécifiques et ne peuvent couvrir qu'un nombre limité de mélanges et de températures.

Ajouter des expériences virtuelles sur ordinateur

Pour aller au‑delà de ce que permet le laboratoire, les auteurs ont construit un modèle informatique détaillé de la poutre encochée en enrobé en utilisant la méthode des éléments finis, une technique de simulation standard en ingénierie. Ils ont reproduit la même géométrie, le même montage de chargement et la même température que dans les expériences, et utilisé des propriétés réalistes pour l'enrobé afin que le modèle imite son comportement viscoélastique dépendant du temps. En ajustant la finesse du maillage du modèle, ils ont trouvé un niveau de détail produisant des courbes force–déplacement précises sans coût de calcul excessif. Les résultats simulés correspondaient étroitement aux essais réels en termes de force de pic, de raideur et de l'affaiblissement de la poutre après fissuration, confirmant que le modèle numérique capturait le comportement essentiel de rupture.

Apprendre aux machines à reconnaître les motifs

Puis, l'équipe s'est tournée vers l'apprentissage automatique pour relier des propriétés de mélange facilement mesurables à la résistance de l'enrobé aux fissures. Ils ont utilisé un jeu de données existant de mélanges d'enrobé comprenant des propriétés telles que la teneur en liant, les vides d'air, la masse volumique, la stabilité, l'écoulement et une mesure de raideur à une température routière typique. Avant la modélisation, ils ont vérifié la force des corrélations entre ces propriétés : par exemple, les mélanges plus raides avaient tendance à supporter des charges plus élevées mais se comportaient de manière plus fragile, tandis qu'une teneur en liant plus élevée rendait les mélanges plus souples mais plus déformables. Trois approches d'apprentissage automatique — une régression linéaire simple, le Gradient Boosting et l'AdaBoost — ont été entraînées et testées via validation croisée. Parmi elles, le Gradient Boosting a fourni les prédictions les plus fiables de la raideur et du comportement de rupture associé.

Une formule raccourcie pour la résistance à la fissuration

Pour rendre les prédictions physiquement interprétables, les auteurs ont introduit une équation substitutive pour l'énergie de rupture. Plutôt que de demander à l'ordinateur d'estimer directement l'énergie de rupture à partir de dizaines d'entrées, ils ont proposé une expression compacte combinant seulement quelques grandeurs clés : la stabilité, l'écoulement, la raideur à 20 °C et une taille caractéristique de la poutre. Cette équation respecte les unités et les tendances connues — une stabilité et une raideur plus élevées augmentent généralement la résistance à la fissuration, tandis que l'écoulement reflète la déformabilité du mélange. En utilisant cette formule, ils ont calculé une énergie de rupture « substitutive » pour chaque mélange et l'ont comparée aux valeurs mesurées et simulées. La valeur substitutive moyenne différait des valeurs en laboratoire et numériques d'environ seulement 2 %, montrant que ce raccourci simple, guidé par la physique, capture l'essentiel du processus de fissuration.

Ce que cela signifie pour les routes de demain

Pour le non‑spécialiste, le message principal est que l'on peut désormais estimer la résistance à la fissuration d'un mélange d'enrobé à l'aide d'un petit ensemble de mesures de routine et d'une équation soigneusement conçue, soutenue par l'apprentissage automatique et des simulations informatiques. Plutôt que de réaliser des essais de rupture complexes pour chaque nouveau mélange, les ingénieurs peuvent présélectionner rapidement des conceptions, ajuster la teneur en liant et la structure des granulats, et concentrer les essais de laboratoire là où ils sont réellement nécessaires. À terme, ce type de modélisation intégrée et consciente de la physique pourrait contribuer à des chaussées plus durables, moins de nids-de-poule et une meilleure valeur pour chaque euro investi dans la construction et l'entretien des routes.

Citation: Elahi, M., Khan, R., Mabood, T. et al. An integrated physics-guided machine learning approach for predicting asphalt concrete fracture parameters. Sci Rep 16, 7938 (2026). https://doi.org/10.1038/s41598-025-32041-7

Mots-clés: rupture du bitume, conception des chaussées, apprentissage automatique, simulation par éléments finis, modélisation de substitution