Évaluation par apprentissage automatique des facteurs de résistance au cisaillement dans les mélanges sol-roche pour remblais de postes en montagne

Pourquoi c’est important pour maintenir l’électricité

Les villes en expansion dans les régions montagneuses ont besoin de postes capables de fournir l’électricité en toute sécurité, souvent installés sur des versants taillés et remblayés. Plutôt que d’importer des terres de construction parfaites, les ingénieurs réutilisent de plus en plus les déblais locaux composés de sol mélangé et de roches fragmentées. Ces mélanges sol–roche sont économiques et durables, mais leur comportement sous charge est difficile à prévoir, ce qui augmente le risque de tassements inégaux voire de rupture de pente sous des équipements électriques vitaux. Cette étude montre comment une forme simple d’intelligence artificielle peut analyser de nombreuses propriétés du sol qui interagissent pour identifier celles qui comptent le plus pour la stabilité de ces postes de montagne.

Sol recyclé, comportement complexe

En terrain pentu, construire une plate-forme plane pour un poste implique généralement de couper certains versants et de remblayer d’autres. Pour limiter les coûts et le trafic routier, les entreprises réutilisent souvent les déblais locaux composés d’argile, de roche volcanique altérée et de fragments de basalte plus dur. Ensemble, ils forment des mélanges sol–roche : des matériaux hétérogènes et irréguliers dont la résistance dépend de la teneur en eau, de la compaction et de la façon dont la matrice fine enrobe et lie les plus gros éléments. Parce que le mélange peut varier d’un endroit à l’autre et d’une couche à l’autre, le terrain peut se tasser de manière inégale sous de lourds transformateurs, menaçant des composants électriques sensibles qui tolèrent très peu de déplacements.

Des essais en laboratoire au modèle d’apprentissage

Les chercheurs ont prélevé des matériaux représentatifs sur un site de poste dans le sud-ouest de la Chine, puis les ont concassés, tamisés et mélangés pour obtenir des assemblages contrôlés. En laboratoire, ils ont compacté ces mélanges dans des échantillons normalisés et réalisé des essais de cisaillement direct sous différentes pressions, simulant les sollicitations au sein des couches de remblai. Pour chaque échantillon, ils ont mesuré des propriétés physiques clés : la densité sèche, la teneur en eau, le taux de vide entre grains (ratio des vides), et deux limites simples qui décrivent jusqu’à quel point la fraction fine peut s’humidifier avant de se comporter davantage comme une pâte ou un liquide. Ces mesures, associées à la résistance au cisaillement obtenue (séparée en friction interne et cohésion), ont constitué un jeu de données de 112 cas soigneusement préparés.

Apprendre à un réseau de neurones le comportement sol-roche

Plutôt que d’imposer des formules simples à ces relations complexes, l’équipe a entraîné un réseau de neurones à propagation avant, un modèle d’apprentissage automatique de base qui apprend les motifs directement à partir des données. Le modèle a pris en entrée les cinq propriétés du sol mesurées et a appris à prédire deux sorties : la cohésion du mélange et son aptitude au glissement (l’angle de friction interne). Ils ont réglé les paramètres du réseau et comparé ses performances à des outils plus traditionnels tels que la régression linéaire, les méthodes des plus proches voisins et les forêts aléatoires. À l’aide de validations croisées répétées sur des données mises de côté, le réseau de neurones a fourni des prédictions fiables, s’ajustant étroitement aux valeurs mesurées et surpassant légèrement les alternatives sur ce jeu de données de taille modeste.

Quelles propriétés du terrain comptent vraiment ?

Une fois le modèle fiable obtenu, les auteurs l’ont sondé pour savoir quelles entrées guidaient ses prédictions. Ils ont utilisé les poids des connexions internes du réseau comme une sorte de « score d’influence » pour chaque propriété. La teneur en eau est apparue comme le facteur principal, expliquant à peu près un quart à un tiers de la variation de la cohésion et de la friction. Quand le mélange devient trop humide, des films d’eau lubrifient les contacts entre grains et affaiblissent les liaisons entre particules, réduisant fortement la résistance. La limite de plasticité de la fraction fine — la teneur en eau à partir de laquelle elle cesse de se comporter comme un solide fragile et commence à s’écouler — était presque aussi importante, en particulier pour la friction. La densité sèche et le taux de vide comptent aussi, mais dans une moindre mesure, principalement en modifiant l’emboîtement des particules. Ensemble, ces résultats confirment l’intuition géotechnique de longue date tout en quantifiant l’importance relative de chaque facteur.

Conseils pratiques pour des postes de montagne plus sûrs

Pour les ingénieurs, la conclusion principale est simple : dans les remblais recyclés sol–roche sous les postes, contrôler l’eau et le comportement plastique de la matrice fine est plus critique que toute autre propriété isolée. En concentrant les essais et les contrôles de construction sur la teneur en eau, les limites plastique et liquide, et la qualité de la compaction, les concepteurs peuvent mieux prédire la capacité portante du terrain et repérer les zones à risque de tassement. Bien que les chiffres exacts proviennent d’une région du sud-ouest de la Chine, la méthodologie — combinant essais ciblés en laboratoire et analyse transparente par réseau de neurones — offre une feuille de route réutilisable pour des projets similaires à travers le monde, transformant des déblais hétérogènes en un matériau de fondation plus prévisible.

Citation: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Mots-clés: mélanges sol-roche, fondations de postes en montagne, résistance au cisaillement, teneur en eau, apprentissage automatique en géotechnique