Amélioration de la prédiction de la capacité portante d’extrémité des pieux ancrés en roche à l’aide de modèles XGBoost optimisés et augmentés par Gaussien

Construire sur la roche plutôt que sur des conjectures

Lorsque les ingénieurs conçoivent des ponts et des immeubles de grande hauteur, ils s’appuient souvent sur des fondations profondes qui s’ancrent dans la roche solide. La résistance de ces « pieux ancrés en roche » est cruciale pour la sécurité et le coût, mais la capacité réelle à l’extrémité est difficile à mesurer directement. Cette étude montre comment des outils d’apprentissage automatique modernes, combinés à des astuces intelligentes de génération de données, peuvent fournir aux ingénieurs des estimations beaucoup plus précises de la charge que ces fondations profondes peuvent supporter en toute sécurité — ce qui peut permettre d’économiser sur la construction tout en maintenant la sûreté des structures.

Pourquoi les fondations profondes sont si difficiles à évaluer

Les pieux ancrés en roche sont de grandes colonnes en béton forées à travers des sols plus faibles et ancrées dans une roche plus résistante. En théorie, plus la roche est dure et meilleure est la construction, plus un pieu peut supporter de charge à son extrémité. En pratique, la situation est plus compliquée : des boues et des boues de forage peuvent s’accumuler au fond du trou, la rugosité et la forme de la douille varient, et des vides ou fissures cachés dans la roche sont difficiles à détecter. En raison de ces incertitudes, les concepteurs adoptent souvent une approche prudente en supposant peu ou pas d’appui de l’extrémité du pieu, ce qui conduit à des fondations plus longues et plus coûteuses qu’il ne faudrait peut‑être.

Des formules simples à des prédictions plus intelligentes

Les méthodes antérieures d’estimation de la capacité des pieux reposaient sur des équations simplifiées ou des modèles informatiques traditionnels. Ceux‑ci se focalisent généralement sur une poignée de propriétés — comme la résistance à la compression de la roche — et traitent le massif rocheux de façon idéalisée. Ces dernières années, des chercheurs ont commencé à utiliser des techniques d’intelligence artificielle pour apprendre directement à partir de bases de données d’essais de chargement, où des pieux ont été poussés jusqu’à ce que leur comportement soit bien connu. Ces approches peuvent gérer de nombreux paramètres simultanément, notamment le diamètre du pieu, les profondeurs en sol et en roche, et des mesures de la qualité de la roche, mais elles forment aussi des « boîtes noires » susceptibles de surapprendre quand les données sont limitées.

Alimenter l’algorithme avec des données réelles et synthétiques

Les auteurs se sont appuyés sur un jeu publié de 151 essais sur pieux ancrés en roche qui enregistraient le facteur d’appui d’extrémité (une mesure de la charge que la pointe peut porter) ainsi que huit caractéristiques descriptives. Après un nettoyage minutieux des données pour éliminer les valeurs aberrantes et les lacunes, ils ont conservé 136 pieux réels. Pour pallier la petite taille de l’échantillon — un problème courant en géotechnique — ils ont ensuite créé des données « synthétiques » supplémentaires en ajoutant un bruit gaussien aléatoire et léger aux enregistrements existants. Cela a produit un jeu plus vaste et statistiquement cohérent de 460 pieux qui préservait les schémas originaux tout en offrant davantage de variété pour entraîner les modèles d’apprentissage automatique.

Entraîner et régler les machines d’apprentissage

L’équipe s’est concentrée sur un algorithme appelé Extreme Gradient Boosting, ou XGBoost, qui combine de nombreux arbres de décision simples en un prédicteur puissant. Pour extraire la meilleure performance de XGBoost, ils l’ont associé à trois schémas d’optimisation inspirés de la nature basés sur des règles arithmétiques, un comportement de brainstorming et des stratégies de chasse de baleines. Ces optimiseurs ont réglé automatiquement des paramètres clés — tels que la profondeur des arbres et le taux d’apprentissage — pour trouver un équilibre entre l’ajustement des données connues et l’évitement du surapprentissage. Parmi les variantes, le modèle XGBoost réglé par l’Arithmetic Optimization Algorithm (XGBoost_AOA) s’est révélé le plus précis et le plus stable.

Ce que les modèles ont appris sur la roche et les pieux

En utilisant uniquement les 136 pieux d’origine, le modèle optimisé surpassait déjà les méthodes antérieures. Entraîné sur l’ensemble étendu de 460 pieux, sa précision s’est améliorée de façon spectaculaire : les erreurs de prédiction ont diminué pour devenir une fraction de leur taille antérieure, et l’accord entre capacités prédites et observées s’est rapproché d’une ligne idéale un pour un. L’analyse a également révélé quelles entrées étaient les plus importantes. La résistance à la compression de la roche et une cotation du massif rocheux étaient les prédicteurs dominants, tandis que le diamètre du pieu et le niveau de charge global jouaient aussi des rôles forts. Des mesures fortement corrélées entre elles, comme deux scores différents de qualité de roche, se sont avérées très redondantes, ce qui souligne comment des informations qui se recoupent peuvent favoriser le surapprentissage si elles ne sont pas traitées avec soin.

Du code de recherche à un outil pratique

Pour rendre les résultats utilisables hors laboratoire, les auteurs ont encapsulé leur modèle le plus performant dans une interface informatique facile à utiliser. Les ingénieurs peuvent saisir des paramètres de base du pieu et de la roche et obtenir immédiatement une estimation de la capacité d’extrémité, accompagnée d’éléments montrant que le modèle a été vérifié sur des cas historiques indépendants. Bien que l’approche dépende encore de la qualité et de l’étendue des données sous‑jacentes, elle montre comment la combinaison de l’apprentissage automatique, de la génération de données synthétiques et d’outils d’interprétabilité peut transformer des résultats d’essais dispersés en un outil de conception pratique — aidant à réduire les conjectures, à limiter la conservatisme inutile et à concevoir des fondations plus sûres et plus économiques.

Citation: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Mots-clés: pieux ancrés en roche, fondations profondes, apprentissage automatique, augmentation de données, génie géotechnique