Évaluation automatisée de la stabilité des talus utilisant une méthode modifiée de Morgenstern-Price et l’intégration de l’apprentissage automatique

Pourquoi des talus plus sûrs comptent

Les glissements de terrain et l’effondrement de talus peuvent fermer des routes, endommager des mines et des barrages, et mettre en danger les communautés à proximité. Les ingénieurs cherchent à prévenir de tels désastres en estimant à quel point un talus est proche de la rupture, mais les calculs détaillés et les simulations informatiques peuvent être longs lorsque de nombreux scénarios de sol et de séismes doivent être examinés. Cette étude présente un système automatisé qui combine une méthode d’ingénierie éprouvée avec l’apprentissage automatique moderne afin d’évaluer rapidement et de manière cohérente la sécurité des talus pour des milliers de scénarios.

Allier le savoir-faire classique et les nouveaux outils

Les auteurs se concentrent sur ce que les ingénieurs appellent le « facteur de sécurité », un nombre unique qui compare les forces tendant à provoquer la rupture d’un talus aux forces qui le maintiennent en place. Ils partent d’une technique bien établie connue sous le nom de méthode de Morgenstern–Price, qui découpe une pente en nombreuses tranches verticales et équilibre les forces sur chaque tranche, notamment la résistance du sol, le poids du terrain, la pression de l’eau et les secousses sismiques. Parce que cette méthode est à la fois rigoureuse et largement reconnue, elle sert de socle physique au nouveau cadre. L’équipe simplifie les équations juste assez pour les rendre efficaces à grande échelle, tout en tenant compte d’effets importants tels que l’eau dans le sol et les composantes horizontales et verticales des forces sismiques.

Construire un univers virtuel de talus

Plutôt que d’attendre de rares ruptures réelles, les chercheurs ont créé un vaste jeu de données synthétique d’environ 100 000 « talus » virtuels. Chaque cas fait varier des ingrédients clés : poids volumique du sol, hauteur et inclinaison de la pente, cohésion et frottement (qui contrôlent la résistance au cisaillement), pression d’eau et intensité sismique, ainsi qu’un facteur qui approxime les forces entre tranches adjacentes. Pour chacun de ces talus artificiels, la version simplifiée de la méthode de Morgenstern–Price calcule un facteur de sécurité. L’équipe nettoie et prépare ensuite les données, en éliminant les extrêmes irréalistes, en normalisant les plages numériques et en séparant la collection en ensembles d’entraînement et de test. Cette préparation minutieuse garantit que les modèles d’apprentissage automatique voient une répartition réaliste de talus stables, limites et instables, et que les conclusions sont statistiquement robustes plutôt que des artefacts de données bruitées.

Laisser les données révéler ce qui compte le plus

Avec les talus synthétiques en main, les auteurs cherchent à savoir quelles propriétés contrôlent le plus fortement la stabilité. En utilisant des mesures d’importance des caractéristiques issues de modèles d’apprentissage automatique basés sur des arbres, ils réalisent une analyse de sensibilité globale. Les résultats concordent avec l’intuition d’ingénierie : la pente est de loin le facteur dominant, suivie de sa hauteur et de la cohésion du sol. L’angle de frottement et la pression de l’eau importent également, surtout en conditions humides ou saturées, tandis que la composante verticale des secousses sismiques a un effet notable mais plus faible dans la plage testée. D’autres entrées, telles que le poids volumique du sol et le facteur d’échelle représentant les interactions entre tranches, ont une influence relativement mineure dans les limites choisies. Ces conclusions donnent des orientations pratiques : les concepteurs devraient concentrer leurs efforts sur la mesure et le contrôle de la géométrie et de la résistance au cisaillement d’un talus, ainsi que sur la gestion de l’eau, qui réduit la marge de sécurité.

Apprendre aux machines à imiter la physique

Ensuite, neuf algorithmes d’apprentissage automatique différents sont entraînés pour prédire directement le facteur de sécurité à partir des données d’entrée du talus, en utilisant les calculs basés sur la physique comme signal d’apprentissage. Cela inclut des réseaux de neurones, des arbres de décision, des forêts aléatoires et plusieurs méthodes modernes de « boosting » qui combinent de nombreux modèles simples en un ensemble puissant. Tous les modèles subissent un réglage systématique et des vérifications croisées avec plusieurs métriques de performance pour éviter le surapprentissage. Beaucoup performent très bien, mais un algorithme, CatBoost, se distingue : sur des données de test non vues, il reproduit le facteur de sécurité avec une précision quasi parfaite, tout en restant plus stable que des modèles arborescents plus simples qui ont tendance à mémoriser l’ensemble d’entraînement.

Un assistant automatisé, pas une boule de cristal

Enfin, les auteurs encapsulent l’ensemble du processus — de la génération de talus synthétiques et des calculs de Morgenstern–Price à l’entraînement, l’évaluation et la sélection du meilleur modèle d’apprentissage automatique — dans un pipeline réutilisable basé sur Python. Ce cadre automatisé peut estimer très rapidement la sécurité des talus à travers d’immenses combinaisons de sol, de géométrie, d’eau et de conditions sismiques, ce qui le rend intéressant pour le criblage des conceptions, l’exploration de scénarios « et si » ou le soutien d’outils décisionnels en temps réel. Cependant, le système n’est valable que dans le cadre des hypothèses qui le sous-tendent : les talus sont traités en deux dimensions et constitués d’un sol homogène, et l’apprentissage automatique apprend à imiter la méthode de Morgenstern–Price, pas à prédire directement la performance réelle sur le terrain. Les auteurs considèrent donc leur travail comme un outil d’aide à la décision rapide et évolutif qui complète, plutôt que de remplacer, des simulations numériques détaillées et des investigations spécifiques au site.

Citation: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Mots-clés: stabilité des talus, risque de glissement de terrain, génie géotechnique, apprentissage automatique, risques sismiques