La modélisation adaptative multi‑risques prédit la rupture des barrages par les précipitations : une étude de cas

Pourquoi cela importe pour les personnes vivant près des barrages

Dans le monde entier, de nombreux grands barrages sont encore en construction ou sont rehaussés pour stocker davantage d'eau. Pendant ces phases inachevées, les ouvrages peuvent être étonnamment fragiles, notamment en saisons de pluies intenses. Cette étude examine un barrage éthiopien qui a subi de sérieux dommages de pente avant même d'avoir contenu un réservoir plein, et présente une nouvelle méthode pour prévoir ce type de problème des semaines à l'avance. L'approche pourrait aider les ingénieurs à passer d'une réaction aux fissures et glissements après leur apparition à une prévention avant que ces phénomènes ne menacent les personnes et les infrastructures en aval.

Pluie, sol fragile et ouvrage vulnérable

Le barrage de Megech, dans le nord de l'Éthiopie, est un barrage en terre et remblais, construit couche par couche à partir d'argile et de roche plutôt qu'en béton massif. Des retards de financement et de construction l'ont laissé partiellement achevé pendant plusieurs années, avec une grande ouverture laissant encore passer la rivière. Dans cet état, le barrage présentait des pentes exposées, un drainage incomplet et des couches de remblai non protégées par un réservoir plein. Des pluies exceptionnellement abondantes en 2020 et 2021 ont imprégné la structure par le dessus et par le dessous, saturant le noyau argileux et la fondation. L'eau s'est accumulée dans des dépressions amont, a infiltré les fissures et a progressivement affaibli une bande interne du barrage, entraînant des fissures de traction, des glissements de surface et même le déplacement vers l'aval d'un bloc de matériau de 24 mètres de profondeur.

Regarder l'intérieur du barrage en trois dimensions

Pour comprendre pourquoi ces ruptures se sont produites, les chercheurs ont d'abord reconstruit le barrage dans l'ordinateur en grand détail. Ils ont combiné plans de conception, points de levé et inspections de terrain pour créer un terrain numérique tridimensionnel de la vallée, de la fondation et de l'embâcle partiellement achevé. Des essais en laboratoire sur des échantillons d'argile et de roche ont révélé la résistance, la densité et la perméabilité des différentes zones. En cartographiant ces propriétés à travers le barrage, ils ont identifié une bande particulièrement vulnérable où une forte teneur en argile, des poches de perméabilité supérieures et un fort potentiel de gonflement coïncidaient avec les fissures et glissements observés. Des modèles numériques avancés ont ensuite simulé comment l'eau de pluie circulait dans le barrage, comment la pression interstitielle s'accumulait en profondeur et comment les contraintes internes évoluaient à mesure que la structure se saturait.

Apprendre à un modèle à combiner physique et données

Les simulations informatiques traditionnelles des barrages peuvent être très précises mais trop lentes et laborieuses pour être exécutées chaque semaine à mesure que de nouvelles données de surveillance arrivent. Les outils purement fondés sur les données, comme les réseaux de neurones classiques, peuvent être plus rapides mais négligent souvent la physique sous-jacente et peinent quand seules quelques années de mesures sont disponibles. L'équipe a donc construit un système hybride qui combine les forces des deux approches. Une partie, basée sur la méthode des éléments finis, capture le comportement physique du barrage sous différentes conditions hydriques, produisant des cartes de contraintes, de déformations et de pression d'eau interne. Une seconde partie, un réseau neuronal récurrent conçu pour suivre l'évolution dans le temps, apprend comment la pression interstitielle et les mouvements évoluent semaine après semaine. Une troisième partie, un réseau neuronal plus simple, apprend comment la résistance des sols décline progressivement sous contrainte et en restant humide. Un mécanisme d’« attention » met en lumière les semaines passées qui importent le plus pour une instabilité à venir, rendant les prévisions plus transparentes pour les ingénieurs.

Prévoir les problèmes des semaines à l'avance

Le modèle hybride a été entraîné et testé sur deux années de données de surveillance hebdomadaires du barrage de Megech — couvrant les précipitations, les pressions d'eau internes et les mouvements de terrain — ainsi que sur les descriptions basées sur la physique de l'état du barrage. Comparé aux approches classiques d'apprentissage automatique telles que les machines à vecteurs de support, les forêts aléatoires ou un réseau neuronal autonome, le nouveau cadre a prédit le facteur de sécurité du barrage avec plus de précision et, surtout, plus tôt. Il a su détecter la tendance à la baisse de la stabilité au fil des saisons de fortes précipitations et a émis des avertissements fiables jusqu'à environ trois semaines et demie avant l'atteinte de conditions critiques. Le composant d'attention a automatiquement signalé les mêmes périodes que les ingénieurs ont ensuite identifiées sur le terrain comme les plus dangereuses, confirmant que le modèle avait appris des précurseurs significatifs plutôt que des motifs aléatoires.

Ce que cela signifie pour la sécurité des barrages

En termes simples, l'étude montre que le mélange de simulations fondées sur la physique et d'algorithmes d'apprentissage modernes peut transformer des données de surveillance dispersées en un système d'alerte précoce pour les ruptures liées aux précipitations dans les barrages en terre en construction. En capturant la manière dont l'eau s'infiltre lentement, comment les pressions internes s'accumulent et comment le sol perd graduellement de la résistance, le cadre aide les ingénieurs à déceler des faiblesses cachées avant qu'elles ne deviennent des fissures et des glissements visibles. Bien que démontrée sur un seul barrage, la méthode est conçue pour être adaptable à d'autres projets, offrant une voie vers une gestion plus proactive et consciente du climat de la sécurité des barrages pendant certaines de leurs années les plus vulnérables.

Citation: Nasser, M., Assefa, E., Assefa, S.M. et al. Adaptive multihazard modeling predicts rainfall-driven dam failure: a case study. Sci Rep 16, 11012 (2026). https://doi.org/10.1038/s41598-026-36927-y

Mots-clés: sécurité des barrages, glissements de terrain induits par les précipitations, systèmes d'alerte précoce, IA informée par la physique, barrages en terre et remblais