Un réseau hybride Transformeur-GRU basé sur le mécanisme pour la prédiction des courbes d’hystérésis des piles de pont : une recherche interprétable

Pourquoi des contrôles de ponts plus intelligents comptent

Les sociétés modernes dépendent de vastes réseaux de ponts pour maintenir la circulation des personnes et des marchandises. Ces ouvrages doivent supporter discrètement le trafic, le vent et surtout les séismes. Les ingénieurs utilisent un type particulier de courbe, appelé courbe d’hystérésis, pour observer comment une pile de pont fléchit, cède et se rétablit sous des secousses répétées. Traditionnellement, obtenir ces courbes implique des essais en laboratoire chronophages ou des simulations numériques lourdes. Cette étude présente une nouvelle approche d’intelligence artificielle qui prédit ces courbes rapidement et avec précision tout en respectant les principes de base de la physique, offrant une avancée potentielle pour une conception et une surveillance des ponts plus sûres et plus efficaces.

Regarder un pont osciller sur papier

Quand un tremblement de terre ou un vent fort secoue un pont, ses piles ne se contentent pas de plier puis de revenir comme des règles parfaitement élastiques. Au contraire, chaque cycle de chargement laisse une trace sous la forme d’une boucle sur un graphique force‑déplacement. Ces boucles d’hystérésis révèlent combien d’énergie la pile peut absorber, comment sa raideur décroît avec les dommages, et quelle inclinaison permanente elle peut conserver. Parce que ce comportement est fortement non linéaire, les ingénieurs ont longtemps compté sur des expériences détaillées et des modèles numériques complexes pour le saisir. Bien que puissantes, ces méthodes peuvent être lentes et coûteuses, rendant difficile l’analyse de nombreux ponts rapidement après une catastrophe ou l’évaluation de routine des infrastructures vieillissantes.

Intégrer la physique dans l’apprentissage automatique

Les progrès récents de l’intelligence artificielle ont rendu possible l’apprentissage de comportements structurels complexes directement à partir des données. Cependant, les modèles purement fondés sur les données peuvent agir comme des boîtes noires : ils ajustent bien les résultats passés mais échouent parfois à prédire de nouvelles structures ou des conditions de chargement rares, et fournissent souvent peu d’informations sur les raisons d’une prédiction. Pour remédier à ces limites, les auteurs ont conçu un modèle hybride qui combine un outil populaire de traitement du langage, le Transformeur, avec un réseau de séries temporelles appelé GRU. De manière cruciale, ils ont organisé les entrées et le réseau pour intégrer des notions mécaniques de base : un flux transporte les détails géométriques de la pile (comme le type et les dimensions de la section transversale), un autre contient les résistances des matériaux, et un troisième porte les charges appliquées et des éléments des boucles d’hystérésis précédentes.

Comment le modèle hybride « prête attention »

À l’intérieur du modèle, un mécanisme d’attention multi‑têtes modifié joue le rôle d’intermédiaire entre la géométrie, les matériaux et les charges. Plutôt que de traiter tous les nombres d’entrée de la même manière, le réseau utilise explicitement les caractéristiques géométriques comme « requête », les caractéristiques des matériaux comme « clé » et les données de charges et d’historique comme « valeur ». Cette structure encourage le modèle à apprendre des motifs qui font écho à une réflexion mécanique simple : la forme et la taille d’une pile et la résistance de son béton et de son acier déterminent sa raideur, tandis que les forces appliquées et les cycles passés déterminent comment cette raideur se dégrade. Après que l’attention ait distillé ces relations, une couche GRU prend le relais pour suivre l’évolution de la réponse de la pile d’un cycle de chargement à l’autre, capturant des effets comparables à la fatigue au fil du temps.

Entraînement avec de nombreux essais réels

Pour entraîner et valider le modèle, les chercheurs se sont appuyés sur 207 essais cycliques de colonnes en béton armé issus de la PEER Structural Performance Database. Ils ont soigneusement filtré et réorganisé cet ensemble de données riche en 15 paramètres d’entrée couvrant la géométrie, les détails du ferraillage, les résistances des matériaux, les enregistrements de chargement et l’historique de la boucle précédente, ainsi que le déplacement cible pour la boucle courante. Chaque boucle d’hystérésis a été rééchantillonnée à une longueur commune afin de comparer équitablement différents essais. Ils ont ensuite comparé le réseau hybride à plusieurs alternatives, notamment un GRU simple, un GRU bidirectionnel et un GRU basé sur l’attention, en réglant tous les modèles avec la même procédure d’entraînement et la même stratégie d’optimisation.

Précision, efficacité des données et interprétabilité

Le Transformeur‑GRU fondé sur le mécanisme a surpassé tous les modèles de comparaison. Par rapport au meilleur GRU avec attention concurrent, ses prédictions ont montré une amélioration modeste mais significative de l’ajustement et des réductions notables des erreurs moyennes et maximales. Surtout, il a maintenu de bonnes performances même lorsqu’il était entraîné sur des portions relativement petites des données disponibles, un avantage clé dans des domaines où les essais de haute qualité sont rares. Les auteurs ont également examiné comment les erreurs de prédiction s’accumulent lors de la prévision de nombreuses boucles d’hystérésis en séquence et ont constaté qu’une stratégie d’entraînement qui préserve l’ordre naturel des boucles limite la montée des erreurs. Pour ouvrir la « boîte noire », ils ont appliqué un outil d’interprétabilité basé sur la théorie des jeux appelé SHAP. Cette analyse a révélé que, dans le nouveau modèle, la forme de la section transversale et d’autres propriétés géométriques et matérielles jouent un rôle beaucoup plus important que dans un simple modèle GRU, tout en donnant le poids approprié à l’historique de charge — un comportement qui correspond étroitement aux attentes des ingénieurs.

Ce que cela signifie pour les ponts réels

Concrètement, l’étude montre qu’un système d’IA soigneusement conçu peut apprendre à « raisonner » sur les piles de pont d’une manière qui reflète la mécanique structurelle de base, plutôt que de se contenter de mémoriser des données. En intégrant la géométrie, les matériaux et les chargements au cœur du modèle, les auteurs obtiennent des prédictions rapides de la façon dont une pile se pliera et se dégradera sous secousses répétées, avec une précision adaptée à un usage en ingénierie et des outils pour identifier les entrées les plus influentes. De tels modèles pourraient, à terme, aider les ingénieurs à dépister rapidement de vastes inventaires de ponts après des séismes, à planifier des renforcements plus efficacement et à étendre des idées similaires à d’autres éléments en forme de colonne dans les bâtiments et les infrastructures.

Citation: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

Mots-clés: performance sismique des ponts, courbes d’hystérésis, IA informée par la physique, modèle Transformeur-GRU, surveillance de la santé structurelle