Évaluation de la précision prédictive des modèles d'apprentissage supervisé pour explorer la résistance mécanique du béton incorporant des laitier de haut fourneau

Pourquoi un béton plus intelligent compte

Le béton façonne nos villes, mais la fabrication du ciment qui le maintient génère d’importantes émissions de dioxyde de carbone — environ 8 % des émissions mondiales. Une voie prometteuse pour réduire cette empreinte consiste à remplacer une partie du ciment ordinaire par des sous‑produits industriels comme le laitier de haut fourneau, un matériau vitreux issu de la sidérurgie. Le problème : trouver la bonne recette pour un béton résistant, durable et à faible intensité carbone exige généralement des mois d’essais en laboratoire. Cette étude montre comment l’apprentissage automatique moderne peut effectuer une grande partie de ces essais‑erreurs virtuellement, accélérant ainsi la conception de bétons plus écologiques.

Un ingrédient plus propre issu de la sidérurgie

Le laitier de haut fourneau est produit lorsque le minerai de fer est fondu pour fabriquer la fonte. Quand ce sous‑produit en fusion est refroidi rapidement et broyé en une poudre fine, il se comporte comme un ciment à action lente. Incorporé au béton, il réagit avec les composés formés pendant l’hydratation du ciment pour créer un gel liant supplémentaire, ce qui resserre les pores internes. Les bénéfices sont triples : moins de ciment est nécessaire (réduisant les émissions de CO₂), la résistance aux attaques chimiques par les sels et les acides est améliorée, et la résistance continue de croître sur de plus longues périodes. Mais les performances dépendent fortement de la quantité de laitier ajoutée, de ses interactions avec les autres matériaux et de la durée de cure du béton.

Transformer des expériences éparses en un jeu de données unique

Plutôt que de réaliser de nouveaux tests pour chaque mélange possible, les chercheurs ont passé au crible des études antérieures et des jeux de données ouverts sur les bétons contenant du laitier. Ils ont assemblé 675 enregistrements, chacun décrivant une recette de béton et sa résistance en compression mesurée (la pression qu’il supporte avant de s’effondrer). Huit ingrédients et conditions clés ont été suivis : quantités de ciment, de laitier de haut fourneau, de cendres volantes, d’agrégats grossiers et fins, d’eau, d’un adjuvant réducteur d’eau à haut rendement appelé superplastifiant, ainsi que l’âge de cure en jours. Toutes les valeurs ont été vérifiées, standardisées dans des unités communes, débarrassées d’erreurs évidentes et re‑échelonnées afin que les modèles d’apprentissage puissent comparer les variables sur un pied d’égalité.

Apprendre aux machines à prédire la résistance du béton

Avec cette base de données, l’équipe a entraîné six modèles d’apprentissage supervisé différents pour prédire la résistance en compression à partir de la formulation : AdaBoost, un arbre de décision simple, Gradient Boosting, k‑Nearest Neighbors et deux méthodes avancées basées sur les arbres connues sous le nom de LightGBM et XGBoost. Ils ont utilisé 80 % des données pour l’entraînement et 20 % pour tester la capacité de chaque modèle à gérer de nouvelles recettes inconnues. Pour éviter le surapprentissage — où un modèle mémorise les données passées mais échoue en pratique — ils ont systématiquement ajusté les paramètres des modèles avec une recherche par grille et une validation croisée, puis évalué les performances à l’aide de mesures standard telles que le coefficient de détermination (R²) et diverses statistiques d’erreur.

Ce qui contrôle la résistance dans les mélanges plus verts

Les deux modèles les plus performants, LightGBM et XGBoost, ont reproduit les résistances de laboratoire avec une grande précision, capturant plus de 94 % de la variabilité dans les données de test. Pour rendre ces modèles « boîtes noires » plus compréhensibles, les auteurs ont appliqué SHAP (une méthode qui attribue à chaque entrée une part de la prédiction) et des graphiques de dépendance partielle, qui montrent comment la variation d’une variable modifie la résistance prédite tandis que les autres restent constantes. Ces outils ont révélé que l’âge de cure avait l’effet positif le plus important : une cure plus longue signifiait systématiquement un béton plus résistant. Le superplastifiant et la teneur en ciment étaient les suivants en influence, augmentant la résistance en améliorant le compactage et en réduisant l’eau superflue. L’eau elle‑même montrait un fort effet négatif — trop d’eau affaiblit le mélange — tandis que le laitier de haut fourneau aidait jusqu’à un certain point, puis s’estompa.

Trouver la zone optimale pour le laitier

En faisant varier les modèles selon différentes teneurs en laitier, les chercheurs ont identifié une fenêtre de substitution optimale : lorsque le laitier de haut fourneau représentait environ 30–40 % de la matière cimentaire totale, le béton tendait à atteindre des résistances en compression plus élevées, en particulier pour des âges de cure à partir de 28 jours. Augmenter fortement la proportion de laitier, en particulier au‑dessus de 50 %, ralentit souvent le développement précoce de la résistance, ce qui peut être critique pour les calendriers de construction. Ces enseignements, extraits de nombreuses petites études, offrent des orientations pratiques : les ingénieurs peuvent viser en toute confiance cette plage intermédiaire de laitier pour équilibrer résistance, durabilité et économies de carbone sans tester ex‑nihilo chaque projet.

Ce que cela signifie pour la construction de demain

Pour les non‑spécialistes, le message clé est simple : les ordinateurs peuvent désormais apprendre des expériences passées sur le béton suffisamment bien pour proposer des mélanges résistants et à faible empreinte carbone avant la réalisation d’un seul bain. Dans ce travail, le modèle LightGBM s’est révélé légèrement plus précis que XGBoost, mais les deux étaient suffisamment précis et interprétables pour montrer quels ingrédients importent le plus et où le laitier est le plus efficace. Cette combinaison de rapidité et de transparence permet aux concepteurs de réduire le temps, les coûts et le gaspillage de matériaux tout en valorisant mieux les sous‑produits industriels. À mesure que les jeux de données s’enrichiront et se standardiseront, de tels outils pourraient aider l’industrie de la construction à réduire son impact climatique tout en assurant des structures sûres et durables.

Citation: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Mots-clés: béton au laitier de haut fourneau, apprentissage automatique, résistance en compression, construction durable, substitution du ciment