Prédiction des déplacements des têtes de pieux et de la surface du sol autour des pieux basée sur des algorithmes d’apprentissage automatique

Pourquoi de petits mouvements souterrains comptent

Lorsque de nouvelles lignes de métro ou des passages supérieurs sont construits, des milliers de pieux profonds en béton sont enfoncés dans le sol pour soutenir les ouvrages. Ce comprimer du sol environnant peut pousser légèrement les pieux voisins, les routes, les bâtiments et les conduites enterrées de quelques millimètres — mais de tels déplacements, même minimes, peuvent fissurer le béton ou déformer des réseaux utilitaires. L’étude présentée ici explore comment les outils modernes d’apprentissage automatique peuvent prédire ces mouvements souterrains plus précisément que les formules traditionnelles, aidant les ingénieurs à concevoir des fondations plus sûres dans des villes denses.

Comment l’enfoncement des pieux déforme le sol

Lors de la construction, de longs pieux creux en béton sont poussés dans les terrains mous plutôt que battus, une méthode courante pour des projets urbains tels que la ligne 1 du métro de Bogotá en Colombie. À mesure que chaque pieu est jacked, le sol doit se déplacer : il est comprimé latéralement et vers le haut, exerçant une pression sur les pieux voisins et la surface du sol. Dans les cas sévères, cela peut entraîner la rupture de pieux, le soulèvement de chaussées ou des dommages aux canalisations voisines parfois situées à seulement quelques dizaines de centimètres. Les ingénieurs utilisent depuis longtemps des théories simplifiées traitant chaque pieu comme un cylindre en expansion dans le sol pour estimer ces effets, mais ces méthodes peinent à rendre la réalité complexe des sols en couches, des dispositions compliquées de pieux et des séquences de construction.

Apprendre aux ordinateurs à lire la réponse du sol

Les chercheurs se sont tournés vers l’apprentissage automatique, une branche de l’intelligence artificielle où les ordinateurs apprennent des motifs à partir des données plutôt que de se fier uniquement à des équations écrites à la main. Ils ont collecté des centaines de mesures de déplacement horizontal au sommet des pieux et à des points de surveillance autour d’eux provenant du projet de Bogotá. Pour chaque mesure, ils ont également enregistré un ensemble de facteurs influents, notamment la teneur en eau et la densité du sol, sa raideur, la distance d’un point au centre du groupe de pieux, l’angle autour du groupe auquel il se situe, et le temps écoulé depuis la fin du battage des pieux, laissant le sol se stabiliser.

Mettre différents algorithmes d’apprentissage à l’épreuve

Plusieurs types d’algorithmes ont été comparés. Un réseau de neurones classique connu sous le nom de réseau à rétropropagation (BP) a servi de référence. L’équipe l’a ensuite renforcé avec une approche appelée AdaBoost, qui combine de nombreux prédicteurs faibles en un « comité » plus précis, créant un modèle AdaBoost-BP. Ils ont aussi testé des réseaux neuronaux profonds à plusieurs couches cachées, des forêts aléatoires composées de nombreux arbres de décision, et une méthode populaire de boosting d’arbres appelée XGBoost. Tous les modèles ont été ajustés et vérifiés par validation croisée, une procédure qui entraîne à plusieurs reprises sur une partie des données et teste sur le reste pour éviter le surapprentissage. Pour les petits comme pour les grands jeux de données, les modèles en boosting et d’apprentissage profond ont nettement surpassé le réseau BP de base, les réseaux neuronaux profonds en particulier reproduisant beaucoup mieux les mesures de terrain.

Ce qui contrôle vraiment le mouvement du sol

Avec des modèles précis, les auteurs ont sondé les facteurs les plus déterminants. En utilisant l’analyse SHAP, une technique qui explique les modèles complexes en attribuant à chaque variable d’entrée une contribution à la prédiction, ils ont constaté que la géométrie simple domine : la distance horizontale au centre du groupe de pieux et la direction autour de celui-ci sont les principaux moteurs du déplacement. Les points proches du centre ont tendance à se déplacer davantage, et les schémas de déplacement varient autour du compass en raison de l’absence de symétrie parfaite des rangées de pieux. Le temps écoulé depuis la fin du battage joue également un rôle majeur, reflétant le réajustement lent et le fluage du sol. Parmi les propriétés du sol, la teneur en eau, la densité relative et l’angle de frottement interne (une mesure liée à la cohésion des grains) ont l’influence la plus forte, tandis que d’autres paramètres comme la cohésion et le poids volumique global importent moins.

De nouveaux outils pour une construction souterraine plus sûre

En comparant leurs prédictions axées sur les données à la théorie traditionnelle d’expansion cylindrique, les auteurs ont montré que les modèles d’apprentissage automatique, en particulier les réseaux neuronaux profonds, peuvent prévoir beaucoup plus précisément les déplacements horizontaux aux têtes de pieux et aux points de surface. Pour de futurs projets — comme de nouvelles lignes de métro — l’approche pourrait être utilisée en phase de conception pour tester sur ordinateur différentes dispositions de pieux, espacements et séquences de construction avant d’altérer le sol, réduisant le risque pour les bâtiments et les canalisations voisines. En bref, en laissant les ordinateurs apprendre directement à partir de mesures de terrain détaillées, les ingénieurs obtiennent une image plus nette de la réponse du sol, ce qui facilite le maintien de l’intégrité des infrastructures urbaines vitales.

Citation: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Mots-clés: fondations sur pieux, déplacement du sol, apprentissage automatique, infrastructures souterraines, construction de métro