Technique de substitution basée sur XGBoost pour l’analyse de fiabilité des fondations au‑dessus de cavités, aidée par bootstrap

Pourquoi les cavités invisibles sous les bâtiments comptent

Les villes sont de plus en plus construites au‑dessus d’anciennes mines, tunnels et autres cavités souterraines. Ces vides cachés peuvent progressivement fragiliser le sol, provoquant le basculement, la fissuration voire la rupture des bâtiments. Les ingénieurs cherchent à concevoir des fondations sûres malgré ces risques, mais les méthodes traditionnelles pour vérifier la sécurité sur de nombreux scénarios possibles peuvent être extrêmement longues. Cette étude montre comment des outils modernes d’apprentissage automatique peuvent accélérer ces vérifications et les rendre plus réalistes, contribuant à protéger les structures construites au‑dessus de cavités.

Fondations et risques invisibles du sous‑sol

La fondation d’un bâtiment doit remplir deux fonctions principales : ne pas transpercer le sol (capacité portante) et ne pas s’enfoncer ou se pencher excessivement (tassement). Les cavités sous la surface — laissées par l’exploitation minière, le creusement de tunnels ou par des processus naturels — compliquent ces deux exigences. Le sol peut se déplacer ou s’effondrer dans le vide, réduisant progressivement l’appui de la fondation. Les méthodes de conception traditionnelles reposent souvent sur un unique « facteur de sécurité » qui compare la résistance apparente du système à la résistance requise. Mais les sols réels varient d’un endroit à l’autre et évoluent dans le temps, si bien qu’un seul facteur de sécurité peut masquer des risques importants.

Des simulations lourdes à des remplaçants intelligents

Pour explorer ces risques correctement, les ingénieurs devraient idéalement lancer des milliers de simulations numériques détaillées en faisant varier la résistance du sol, la forme de la cavité et d’autres paramètres. En pratique, cela prend trop de temps. Les auteurs ont donc créé un grand jeu de données de 272 simulations de haute qualité d’une fondation filante au‑dessus d’une cavité circulaire à l’aide d’un logiciel géotechnique spécialisé. Ils ont ensuite entraîné un modèle d’apprentissage automatique appelé XGBoost pour reproduire ces simulations, en prédisant à la fois la capacité portante et le tassement à partir d’entrées telles que le poids volumique du sol, la cohésion, l’angle de frottement, la profondeur et la rigidité de la cavité. Le modèle de substitution a reproduit les simulations détaillées avec une grande précision, en particulier pour la capacité portante, ce qui lui permet de servir de remplaçant rapide aux calculs plus coûteux.

Comprendre des données désordonnées et l’incertitude

Les données géotechniques réelles ne suivent rarement des hypothèses statistiques simples : elles peuvent être asymétriques, multimodales et très dispersées. Les auteurs ont testé systématiquement de nombreuses transformations mathématiques pour amener leurs prédictions de capacité portante et de tassement à se rapprocher de courbes en cloche idéales. Aucune transformation n’a fonctionné parfaitement seule. Ils ont trouvé le meilleur compromis en appliquant d’abord une transformation logarithmique, puis en utilisant une technique appelée bootstrap, qui rééchantillonne répétitivement les données pour construire une distribution empirique. Cette combinaison leur a permis de décrire l’incertitude de façon robuste sans forcer les données dans une forme irréaliste.

Calculer les probabilités de rupture aujourd’hui et dans le futur

Avec le modèle de substitution et le traitement statistique amélioré, l’équipe a utilisé la simulation de Monte‑Carlo pour estimer la fréquence des ruptures des fondations selon deux critères : perte de capacité portante et tassement excessif. Ils ont constaté que la limite de tassement était plus critique que la capacité portante, augmentant la probabilité de rupture d’environ 30 % lorsqu’elle était considérée isolément. Lorsque les deux critères ont été combinés dans une vue système — où la rupture survient si l’un ou l’autre est dépassé — la probabilité globale de défaillance a augmenté encore davantage, de plus de 50 % par rapport à l’examen de la seule capacité portante. L’étude a également exploré la dégradation de la sécurité sur plusieurs décennies en diminuant progressivement la capacité portante et en augmentant le tassement attendu. Sous ces tendances supposées, les indices de fiabilité ont décliné régulièrement, approchant un niveau de risque équivalent à pile ou face au bout d’environ un siècle.

Ce que cela signifie pour une conception de bâtiments plus sûre

Pour les non‑spécialistes, le message clé est que la sécurité des bâtiments situés au‑dessus de cavités souterraines ne peut pas être évaluée de manière fiable par un seul facteur de sécurité ni en vérifiant un seul mode de rupture. En associant un substitut d’apprentissage automatique bien entraîné à un traitement statistique soigneux et à la simulation de Monte‑Carlo, les ingénieurs peuvent explorer rapidement des milliers de scénarios « et si », en tenant compte de l’incertitude des caractéristiques du sol, de la géométrie des cavités et des évolutions temporelles. Cette approche montre que le tassement et le comportement au niveau du système peuvent gouverner le risque, même lorsque la capacité portante semble suffisante. En pratique, le cadre offre un moyen plus rapide et plus réaliste d’identifier des fondations qui paraissent sûres sur le papier mais pourraient devenir vulnérables à mesure que le sol évolue sous elles.

Citation: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Mots-clés: fiabilité des fondations, cavités souterraines, apprentissage automatique, simulation de Monte‑Carlo, géotechnique