Cadre d’apprentissage automatique guidé par la physique pour le béton issu d’enrobés recyclés : base expérimentale, modélisation et validation statistique

Transformer l’ancien béton en une nouvelle ressource

Chaque année, des milliards de tonnes de béton fragmenté provenant de démolitions de bâtiments et de routes sont traitées comme des déchets, alors qu’une grande partie pourrait être réutilisée. Cette étude explore comment transformer ces gravats en béton neuf et fiable en combinant des essais de laboratoire rigoureux avec l’apprentissage automatique moderne. L’objectif est de rendre la construction plus durable sans compromettre la sécurité, en déterminant précisément quelle quantité de matériau recyclé peut être utilisée et dans quelles conditions.

Pourquoi la réutilisation du béton n’est pas simple

Le granulat de béton recyclé provient du concassage de béton ancien en fragments plus petits pouvant remplacer le gravier et le sable extraits pour de nouvelles constructions. L’utilisation réduit les déchets, l’exploitation des carrières et les émissions liées au transport. Mais ces particules recyclées conservent des résidus d’ancien mortier et de microfissures, les rendant plus poreuses et moins homogènes que la pierre naturelle. En conséquence, le béton incorporant du granulat recyclé peut perdre en résistance et devenir plus difficile à prédire. Les ingénieurs ont besoin de règles claires et fiables sur la façon dont les différentes proportions, tailles et qualités de granulats recyclés influent sur la résistance du béton neuf.

Construire un panorama expérimental riche

Pour répondre à ces questions, les chercheurs ont réalisé une série exhaustive de mélanges en utilisant du matériau recyclé issu de six classes de résistance d’origine, allant du béton très faible au béton structural résistant. Ils ont séparé les granulats recyclés en trois bandes de taille — fines, moyennes et de type gravier — et les ont utilisés pour remplacer de 10 % à 50 % du matériau naturel, en maintenant toujours les mêmes conditions d’eau et de ciment. Pour chaque mélange, ils ont mesuré la résistance en compression (capacité à supporter l’effort de compression), la résistance à la traction par fendage (comportement en tension) et la résistance en flexion (capacité de fléchissement). Dans l’ensemble des essais, la résistance diminuait systématiquement avec l’augmentation de la proportion de granulat recyclé, mais l’ampleur de la baisse dépendait fortement de la taille des particules et de la qualité du béton d’origine. Les particules recyclées fines, présentant plus de mortier adhérent et de porosité, provoquaient la plus grande perte de résistance, tandis que les particules grossières et de type gravier étaient moins préjudiciables.

Déterminer des limites sûres et les influences clés

Les résultats expérimentaux ont mis au jour des règles de conception utiles pour guider la pratique. Lorsque le matériau recyclé provenait d’un béton parent de faible résistance, remplacer 30 % du granulat naturel entraînait des pertes à deux chiffres en pourcentage pour la résistance en compression et en traction, en particulier avec des particules fines. En revanche, lorsque le granulat recyclé provenait de béton haute résistance, les pertes à 30 % de remplacement étaient faibles et les performances restaient acceptables pour un usage structurel. Dans de nombreuses séries, un « point de basculement » cohérent est apparu : les mélanges contenant 10 % ou 20 % de granulat recyclé conservaient généralement une bonne résistance, alors que dépasser environ 30 % entraînait une baisse notable, notamment pour des matériaux source plus faibles et des fractions plus fines. Ces schémas corroborent des études antérieures et montrent que tous les granulats recyclés ne se valent pas — la qualité et la taille importent.

Apprendre aux machines à respecter la physique

Parce qu’il est impraticable de multiplier indéfiniment les essais en laboratoire, l’équipe s’est tournée vers l’apprentissage automatique pour prédire la résistance de nouvelles combinaisons non testées physiquement. Plutôt que d’alimenter l’algorithme uniquement avec des données brutes, ils ont introduit ce qu’ils appellent un cadre guidé par la physique. D’abord, ils ont soigneusement nettoyé et organisé les résultats expérimentaux, puis créé des points de données « synthétiques » supplémentaires en ajustant légèrement les paramètres de mélange et les résistances dans des limites étroites et réalistes reflétant la variabilité ordinaire de laboratoire. Ensuite, ils ont utilisé une méthode avancée de suréchantillonnage pour combler les lacunes entre les mélanges testés, mais uniquement selon des directions ayant un sens physique. Ces jeux de données enrichis ont servi à entraîner deux modèles d’ensemble populaires, XGBoost et LightGBM, ainsi que des équations linéaires simples de substitution qui résument les tendances dominantes sous une forme facilement exploitable par les ingénieurs.

Qualité des prédictions

Une fois entraînés, les modèles ont été évalués sur des mélanges de test complètement inédits. Leurs prédictions pour la résistance en compression et en traction concordaient étroitement avec les mesures, les erreurs restant dans la plage communément observée entre essais répétés en laboratoire. Les modèles étaient particulièrement précis pour la résistance en traction, où le schéma de dégradation avec l’augmentation de la part de granulat recyclé est plus lisse et plus facile à capturer. De façon importante, les auteurs ont vérifié que les déclins de résistance prédits avec une plus grande teneur en recyclé n’étaient pas des artefacts statistiques : des tests statistiques standards ont montré que ces tendances sont à la fois robustes et hautement significatives. En comparant des versions des modèles avec et sans expansion de données guidée par la physique, ils ont constaté que l’approche guidée produisait des scores d’exactitude parfois moins spectaculaires, mais un comportement bien plus stable et réaliste, en particulier dans les régions à forte substitution et pauvrement couvertes par les données.

Ce que cela implique pour une construction plus verte

Concrètement, ce travail montre qu’il est possible d’utiliser des modèles informatiques pour concevoir des mélanges de béton plus écologiques reposant sur des matériaux recyclés, sans reléguer la physique au second plan. L’étude confirme que des quantités modérées de granulat recyclé de bonne qualité — en particulier des particules plus grossières venant de béton d’origine résistant — peuvent remplacer en toute sécurité une part significative du granulat naturel. Parallèlement, elle démontre une manière pour l’apprentissage automatique de rester ancré dans le comportement réel en respectant les limites et tendances connues. Ce type d’outil de prédiction conscient de la physique peut aider les ingénieurs à prendre des décisions de conception de mélange plus pertinentes et plus rapides, favorisant l’adoption plus large du béton recyclé tout en garantissant la sécurité et la fiabilité des structures.

Citation: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Mots-clés: granulat de béton recyclé, construction durable, apprentissage automatique en matériaux, conception de mélange pilotée par les données, prédiction de la résistance du béton