Prédiction du facteur de sécurité pour les remblais routiers élevés en utilisant une forêt aléatoire à effets mixtes et l’optimisation par colonie d’abeilles

Pourquoi la stabilité des remblais routiers est importante

Lorsque vous circulez sur une route construite sur un monticule de terre surélevé, vous comptez sur le fait que cette butte artificielle ne va pas céder subitement. La sécurité de ces remblais élevés est évaluée à l’aide d’un nombre appelé « facteur de sécurité », qui compare les forces maintenant le sol en place aux forces qui tendent à le faire glisser. Traditionnellement, les ingénieurs s’appuyaient sur des calculs manuels ou de lourdes simulations informatiques pour estimer ce facteur. Cette étude montre comment l’apprentissage automatique moderne peut rendre ces prédictions plus rapides et plus fiables, réduisant potentiellement le risque d’effondrements catastrophiques des talus qui menacent les personnes, les biens et les réseaux de transport.

Construire des milliers de remblais virtuels

Pour entraîner et tester leurs modèles, les chercheurs ont d’abord créé un grand jeu de données réaliste en utilisant des simulations numériques avancées plutôt que de se fier uniquement à quelques études de cas réelles. Ils ont modélisé des remblais routiers de 6 à 30 mètres de hauteur avec de nombreuses géométries de pente, y compris des conceptions à marches utilisant des bancs horizontaux appelés bermes pour améliorer la stabilité. Ils ont fait varier les propriétés clés du sol — comme la masse volumique, la teneur en eau, la rigidité, la résistance au glissement et la cohésion — ainsi que la résistance du sol de fondation sous le remblai. Pour chacun des 1 176 scénarios, un programme d’éléments finis a calculé le facteur de sécurité et recherché la surface de rupture la plus probable, fournissant une « vérité terrain » fiable contre laquelle on a pu comparer les prédictions de l’apprentissage automatique.

Des modèles classiques aux forêts plus intelligentes

L’équipe a ensuite comparé trois types de modèles fondés sur les données. Le premier était la méthode bien connue de la Forêt Aléatoire, qui combine de nombreux arbres de décision pour produire des prédictions robustes. Le second, appelé Forêt Aléatoire à Effets Mixtes, étend cette idée en tenant explicitement compte des données groupées ou « en grappes » — situation fréquente en géotechnique, où des ensembles de mesures peuvent provenir du même site, du même type de sol ou d’une même phase de construction. Enfin, ils ont introduit une nouvelle approche hybride : la Forêt Aléatoire à Effets Mixtes optimisée par Colonie d’Abeilles (ABC‑MERF). Ici, un algorithme d’optimisation inspiré des essaims, modélisant la recherche de nourriture par les abeilles, règle automatiquement de nombreux paramètres de la forêt à effets mixtes pour en extraire de meilleures performances sans tâtonnements de l’ingénieur.

Nettoyage des données et validation des prédictions

Avant d’entraîner les modèles, les chercheurs ont soigneusement préparé les données. Ils ont identifié les valeurs aberrantes extrêmes à l’aide d’une méthode standard de boîte à moustaches et les ont plafonnées à des limites raisonnables afin que des valeurs rares et atypiques ne déforment pas le processus d’apprentissage. Toutes les entrées ont ensuite été mises à l’échelle entre 0 et 1, ce qui convient à l’optimiseur inspiré des abeilles et permet de rendre les différentes variables comparables. Les données ont été divisées en ensembles d’entraînement et de test, et un protocole d’évaluation strict a utilisé plusieurs mesures d’erreur, y compris la proximité des prédictions par rapport aux facteurs de sécurité simulés et la part de la variance des données expliquée par les modèles. Des vérifications supplémentaires, telles que des graphiques des résidus et des tests statistiques, ont été employées pour confirmer que les modèles n’avaient pas simplement mémorisé les données d’entraînement mais apprenaient véritablement les schémas sous-jacents.

Ce que les modèles ont appris sur le sol et les pentes

Les trois approches ont donné des résultats impressionnants, mais le modèle ABC‑MERF est arrivé en tête. Il a expliqué plus de 99 % de la variation du facteur de sécurité et a maintenu des erreurs de prédiction typiques autour de deux pour cent de l’échelle de sécurité. Tout aussi important, le comportement du modèle avait un sens physique. Les analyses d’importance des variables et des courbes de réponse ont montré que l’angle de frottement interne du sol du remblai et la hauteur du remblai étaient les facteurs les plus influents, suivis de la pente, de la cohésion et de l’utilisation de bermes. Des angles de frottement plus élevés et une cohésion plus grande augmentaient la stabilité, tandis que des remblais plus hauts et des pentes plus raides la réduisaient — exactement ce que prédit la mécanique des sols de base. Cet accord entre les résultats guidés par les données et la théorie d’ingénierie est essentiel pour que les praticiens fassent confiance aux outils d’apprentissage automatique dans des conceptions où la sécurité est critique.

De l’outil de recherche à l’assistant de l’ingénieur

L’étude conclut qu’un hybride soigneusement conçu de forêts aléatoires à effets mixtes et d’une optimisation inspirée des abeilles peut fournir des prédictions très précises et physiquement cohérentes du facteur de sécurité pour les remblais routiers élevés. Pour un lecteur non spécialiste, le message clé est que les ingénieurs peuvent désormais combiner des tests virtuels détaillés avec de l’apprentissage automatique avancé pour examiner rapidement de nombreuses options de conception et repérer les configurations à risque avant leur construction. Bien que de tels modèles ne remplacent pas le jugement d’expert ni les investigations spécifiques au site — en particulier en cas de séismes ou de pluies intenses — ils offrent un puissant outil d’aide à la décision pour contribuer à maintenir les remblais sous nos routes stables et sûrs sur le long terme.

Citation: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

Mots-clés: stabilité des talus, remblais routiers, facteur de sécurité, apprentissage automatique, géotechnique