Prédiction de la résistance à la compression du béton fabriqué avec des granulats recyclés carbonatés à l’aide de modèles d’apprentissage automatique basés sur la régression

Transformer le vieux béton en allié climatique

Tous les ans, les villes démolissent d’immenses quantités de béton, envoyant des débris en décharge et exigeant de nouvelles pierres issues des carrières. Cette étude explore une manière de boucler la boucle : broyer les déchets de béton, les utiliser pour piéger du dioxyde de carbone, puis prédire la résistance du nouveau béton plus écologique à l’aide d’outils d’apprentissage automatique modernes. Pour quiconque s’intéresse aux villes climato‑responsables et à une utilisation plus intelligente des données, ce travail montre comment l’intelligence artificielle peut aider les ingénieurs à concevoir des bâtiments plus sûrs et plus durables à partir des gravats d’hier.

Pourquoi la réutilisation du béton est importante

Le béton est omniprésent — routes, ponts, immeubles — et sa production consomme d’importantes quantités de roche naturelle et d’énergie tout en émettant de forts volumes de CO₂. Les granulats de béton recyclé, obtenus en concassant l’ancien béton, peuvent alléger cette charge en réduisant l’extraction en carrière et les déchets en décharge. Mais il y a un bémol : ces fragments recyclés portent généralement des résidus de pâte de ciment en surface, ce qui les rend plus poreux et moins résistants que la pierre naturelle. Cela signifie souvent que le nouveau béton contenant des granulats recyclés est moins solide ou durable, ce qui pose un sérieux problème pour la sécurité structurelle.

Renforcer le béton recyclé avec du CO₂

Pour relever ce défi, les chercheurs se sont tournés vers la carbonatation, un processus où l’on introduit délibérément du CO₂ pour réagir avec des composés de la pâte de ciment. À l’intérieur des particules recyclées, le gaz forme des minéraux solides qui comblent les pores, resserrent les microfissures et renforcent les zones de contact qui assurent la cohésion du nouveau béton. Cela améliore non seulement la qualité du matériau — en augmentant la densité et en réduisant l’absorption d’eau — mais stocke aussi du CO₂ dans le béton, transformant le déchet en petit puits de carbone. L’étude s’est concentrée sur du béton fabriqué avec ces granulats recyclés carbonatés et a posé une question centrale : peut‑on prédire avec précision la résistance de ce béton plus vert sans multiplier les essais en laboratoire ?

Apprendre aux ordinateurs à prédire la résistance

Les auteurs ont rassemblé 108 échantillons de béton mesurés avec soin provenant d’expériences antérieures. Pour chacun, ils ont enregistré la composition du mélange (par exemple le rapport eau/ciment et la quantité de granulats fins et gros), la qualité des granulats (absorption d’eau et résistance à l’écrasement), la résistance du béton « parent » d’origine, la quantité de CO₂ absorbée par les éléments recyclés et la fraction de matériau naturel remplacée par du recyclé. Ils ont ensuite entraîné plusieurs modèles d’apprentissage automatique de type régression — allant de formules linéaires simples à des arbres de décision et des ensembles plus souples — pour apprendre le lien entre ces entrées et la résistance à la compression obtenue.

Démêler des mélanges complexes avec des modèles intelligents

Beaucoup des paramètres mesurés étaient fortement corrélés entre eux, ce qui peut perturber les méthodes statistiques traditionnelles. Pour simplifier, l’équipe a combiné des groupes de variables liées en deux indices composites : l’un décrivant la proportion globale du mélange, l’autre résumant la performance des granulats. Ils ont ensuite comparé des modèles entraînés sur les données détaillées complètes à des modèles entraînés sur ces indices compacts. Les approches linéaires simples se sont relativement bien comportées mais ont peiné face aux relations courbes et intriquées des données. En revanche, les méthodes ensemblistes basées sur des arbres — arbres de décision, forêts aléatoires et LightGBM — ont capturé ces motifs avec une précision remarquable, maintenant des erreurs typiques de prédiction autour d’un peu plus d’un mégapascal et expliquant plus de 99 % de la variation observée lors des essais.

Ce qui compte le plus pour un béton vert et résistant

Pour ouvrir la « boîte noire » des modèles les plus performants, les chercheurs ont utilisé SHAP, une technique qui montre dans quelle mesure chaque entrée pousse typiquement les prédictions vers le haut ou vers le bas. Ils ont constaté que la façon dont le mélange est proportionné — en particulier l’équilibre entre ciment, granulats et eau — est le facteur dominant qui contrôle la résistance. Le degré de carbonatation des granulats recyclés joue aussi un rôle majeur mais non linéaire : un traitement CO₂ plus important aide généralement, mais son effet dépend de la qualité du béton parent d’origine. L’indicateur combiné de performance des granulats a une influence modérée, tandis qu’augmenter simplement le pourcentage de granulats recyclés compte moins que d’optimiser la formulation du mélange et le traitement.

Des données de laboratoire à la conception pratique

En termes simples, cette étude montre que le béton à granulats recyclés carbonatés peut être à la fois respectueux du climat et résistant — à condition que sa recette soit soigneusement réglée. L’apprentissage automatique moderne, en particulier les modèles ensemblistes basés sur des arbres, peut prédire avec précision la résistance à partir d’un ensemble gérable de paramètres de mélange et de matériaux, réduisant le besoin d’essais longs pour chaque nouvelle combinaison. Pour les ingénieurs et les urbanistes, cela rend de plus en plus réaliste la conception de structures réutilisant l’ancien béton, stockant du CO₂ et respectant des normes de sécurité strictes, avec des outils guidés par les données.

Citation: Gebremariam, H.G., Taye, S. & Tarekegn, A.G. Compressive strength prediction of carbonated recycled aggregate concrete using regression based machine learning models. Sci Rep 16, 5825 (2026). https://doi.org/10.1038/s41598-026-36197-8

Mots-clés: béton recyclé, carbonatation, apprentissage automatique, résistance à la compression, construction durable