Modèle à mémoire à long terme de réseau neuronal récurrent pour détecter l’extrémité de pieu à partir de données brutes d’essai d’intégrité de pieu

Contrôles plus malins pour des fondations cachées

De nombreux bâtiments et ponts reposent sur de longues colonnes en béton enterrées appelées pieux. Parce que ces pieux sont enfouis, les ingénieurs ne peuvent pas simplement les examiner visuellement pour vérifier s’ils ont été correctement construits ou déterminer leur profondeur. Cette étude montre comment un modèle d’intelligence artificielle peut lire des signaux vibratoires subtils issus d’un simple essai au marteau et repérer automatiquement la pointe du pieu — le point où il se termine dans le sol — rendant ces contrôles cachés plus rapides, plus fiables et moins dépendants du jugement d’un expert individuel.

Comment les ingénieurs écoutent les colonnes enterrées

Pour examiner un pieu sans le déterrer, les ingénieurs utilisent un essai d’intégrité en faible contrainte. Un opérateur frappe le sommet du pieu avec un petit marteau pendant qu’un capteur enregistre la façon dont le pieu vibre. L’impact envoie une onde de contrainte le long du pieu ; lorsque l’onde rencontre un changement — comme la pointe du pieu ou un défaut — elle se réfléchit. Un appareil portable transforme ces vibrations en une trace appelée réflectogramme, qui montre comment le signal évolue dans le temps ou en profondeur. Des ingénieurs expérimentés étudient cette trace, ainsi que les informations du site et des normes comme l’ASTM D5882 et les règles basées sur l’Eurocode, pour évaluer si le pieu est intact et où se situe sa pointe. Mais cette interprétation peut être subjective, chronophage et sensible au bruit et aux conditions de sol.

Pourquoi intégrer l’apprentissage profond

Ces dernières années, des chercheurs ont testé de nombreuses approches d’intelligence artificielle pour interpréter les données d’essai de pieux, depuis les réseaux neuronaux classiques jusqu’aux méthodes basées sur l’image et aux classifieurs de signaux. Ces approches exigent souvent l’extraction manuelle de caractéristiques à partir des signaux enregistrés ou leur conversion en images, et elles peuvent peiner à saisir l’évolution des ondes dans le temps le long du pieu. Les auteurs de cet article se concentrent plutôt sur des modèles conçus spécifiquement pour les séquences : des réseaux neuronaux récurrents avec mémoire à long terme, ou RNN‑LSTM. Ces réseaux sont conçus pour « se souvenir » de ce qui s’est passé dans une série temporelle, ce qui les rend bien adaptés pour suivre une onde induite par un marteau alors qu’elle se propage, se réfléchit et s’atténue dans le pieu.

Transformer des coups de marteau bruts en données propres

L’équipe a constitué une base de données de 500 enregistrements d’essais en faible contrainte provenant de chantiers égyptiens impliquant des pieux forés en béton de 12 à 30 mètres de longueur dans des sols en couches. Pour chaque pieu, ils disposaient de mesures d’accélération brutes dans le temps et d’un réflectogramme correspondant qui avait été initialement tracé et interprété par des humains. Ils ont numérisé soigneusement ces graphiques, converti la profondeur en temps en utilisant des vitesses d’onde connues, et normalisé l’échelle verticale afin que les signaux de pieux différents puissent être comparés. Côté capteur brut, ils ont lissé le bruit haute fréquence, standardisé les signaux en utilisant une échelle statistique robuste, et appliqué un bourrage astucieux ainsi que de petites variations aléatoires pour que le réseau neuronal puisse gérer des séquences de longueurs différentes sans déformer leurs motifs.

Conception et test du réseau neuronal

Plusieurs architectures de réseau ont été essayées, variant le nombre de couches et de « neurones » virtuels du modèle. Les chercheurs ont cherché un compromis : une forte précision de prédiction sans explosion du coût computationnel ni tendance à mémoriser les données d’entraînement. Ils ont constaté qu’un modèle LSTM à six couches avec 32 unités par couche atteignait ce compromis. Pour aider le modèle à suivre les parties importantes du signal, ils ont ajouté des raccourcis entre les couches et un mécanisme d’attention qui permet au réseau de se concentrer sur des intervalles temporels clés. Entraîné sur 400 pieux et validé sur 100 cas non vus, le modèle final a reproduit les traces de vitesse générées par des humains avec une grande précision statistique, montrant une forte concordance entre les signaux prédits et numérisés.

Des chiffres aux décisions pratiques sur les pieux

Au‑delà des statistiques, la question pratique principale est de savoir si le modèle peut correctement marquer la pointe du pieu. Les chercheurs ont inspecté visuellement chaque réflectogramme prédit et comparé la position de la pointe avec la référence numérisée. Si l’accord était dans une marge de 5 pour cent, il était noté « Bon » ; jusqu’à 10 pour cent, « Passable » ; au‑delà, « Mauvais ». Pour l’ensemble d’entraînement, environ 90 pour cent des pieux étaient « Bons » et seulement 4 pour cent « Mauvais ». Sur l’ensemble de validation, 84 pour cent étaient « Bons » et 6 pour cent « Mauvais ». Ces résultats suggèrent que le système d’IA peut imiter l’interprétation d’un expert suffisamment fidèlement pour être utile dans les contrôles quotidiens, du moins dans les gammes de longueurs de pieux, de résistances du béton et de types d’essais sur lesquelles il a été entraîné.

Ce que cela signifie pour des structures plus sûres

En termes simples, l’étude montre qu’un modèle d’apprentissage profond bien conçu peut prendre l’enregistrement vibratoire brut d’un coup de marteau sur un pieu et tracer automatiquement le même type de courbe qu’un spécialiste utiliserait pour localiser la pointe du pieu. Cela réduit le nombre d’étapes manuelles et la marge d’erreur humaine, tout en maintenant le jugement final sur la qualité du pieu transparent et ancré dans des graphiques familiers. Pour l’instant, le modèle ne s’applique qu’à un type spécifique de capteur et à des pieux semblables à ceux de l’étude, mais il ouvre la voie vers un avenir où les contrôles de routine des fondations cachées deviendront plus rapides, plus cohérents et plus faciles à déployer sur des chantiers occupés.

Citation: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Mots-clés: essai d’intégrité de pieu, apprentissage profond, réseau neuronal récurrent, contrôle non destructif, génie civil