Prédiction de la courbe de base des colonnes en béton armé corrodées basée sur l’apprentissage par ensemble à partir d’une base de données expérimentale

Pourquoi les colonnes en béton vieillissantes comptent

Beaucoup des ponts et bâtiments sur lesquels nous comptons chaque jour reposent sur des colonnes en béton armé dont l’acier interne rouille discrètement au fil des décennies. Le sel des opérations de déneigement, les embruns marins et l’air pollué peuvent attaquer lentement l’acier enfoui, affaiblissant ces éléments porteurs au moment même où ils pourraient être sollicités par un séisme. Cet article propose une nouvelle manière d’exploiter de grandes quantités d’essais et les techniques modernes d’apprentissage automatique pour prédire le comportement de ces colonnes endommagées lors de fortes secousses, aidant les ingénieurs à décider quand réparer, renforcer ou remplacer.

Comment la corrosion modifie la trajectoire de résistance

Lorsque l’acier à l’intérieur d’une colonne en béton corrode, la rouille occupe un volume plus grand que le métal d’origine. Cette expansion fissure le béton environnant, d’abord par de fines lignes internes puis par des éclatements et des fendillements visibles. Parallèlement, les barres d’armature perdent de la section, de la résistance et de la ductilité, et leur adhérence au béton diminue. Sous des chargements alternés de type sismique, des colonnes saines tracent des boucles larges et arrondies sur un graphe effort–déplacement, montrant une forte dissipation d’énergie. Les colonnes corrodées, en revanche, dessinent des boucles plus étroites et pincées et perdent de la résistance plus rapidement après le début de l’écoulement, traduisant un comportement plus fragile et moins tolérant qui peut rendre les ouvrages plus vulnérables à l’effondrement.

Des essais épars à une vue d’ensemble

Des chercheurs du monde entier ont testé des colonnes corrodées individuelles dans différents laboratoires, en employant une grande variété de dimensions, de dispositions d’armatures, de matériaux, de niveaux de corrosion et de conditions de chargement. Cette étude rassemble 200 de ces éprouvettes dans une base de données expérimentale unique qui couvre des plages réalistes de géométrie des colonnes, de résistance de l’acier et du béton, d’efforts axiaux et de corrosion mesurée tant sur les barres principales que sur les étriers. Plutôt que de réduire le comportement de chaque colonne à quelques points caractéristiques, les auteurs extraient la courbe de base complète — l’enveloppe lisse qui suit la façon dont la résistance latérale croît, atteint un pic, puis décline à mesure que la colonne bascule. Ils utilisent ensuite ces courbes mesurées comme cibles pour des modèles pilotés par les données qui apprennent directement à partir des essais, plutôt qu’à partir de formules préalablement choisies.

Apprendre aux machines à lire les dommages

L’équipe entraîne plusieurs méthodes d’apprentissage par ensemble — des familles de nombreux petits arbres de décision qui votent collectivement — pour prédire les étapes clés le long de la courbe de base de chaque colonne : la résistance au premier écoulement, la résistance maximale et la résistance résiduelle après des dommages sévères. En utilisant une partie de la base de données pour l’entraînement et en réservant le reste pour les tests, ils ajustent les modèles par recherche bayésienne afin de capturer des tendances générales sans mémoriser les éprouvettes individuelles. Parmi toutes les approches testées, un modèle d’extrême gradient boosting s’avère le plus fiable, atteignant une forte précision pour les stades d’écoulement, de pic et résiduel et, surtout, reproduisant l’affaiblissement abrupt post‑pic que des modèles plus simples et idéalisés omettent souvent ou sous‑estiment.

Voir quels détails importent le plus

Pour dépasser une prédiction en boîte noire, les auteurs appliquent une technique appelée SHAP, empruntée à la théorie des jeux, pour mesurer dans quelle mesure chaque facteur d’entrée pousse la résistance prédite vers le haut ou vers le bas. Ils constatent que la forme et les proportions de base — comme la portée de cisaillement et la profondeur globale de la colonne — ainsi que la diminution de la résistance des barres d’acier sont les plus déterminantes au moment de l’écoulement initial et au pic de résistance. À mesure que les dommages progressent, des caractéristiques liées au confinement et au mode de rupture deviennent plus critiques, reflétant la manière dont la fissuration, l’écrasement et le flambement des barres prennent le relais de la simple géométrie. Ce type d’éclairage permet aux ingénieurs de savoir si la faiblesse d’une colonne provient principalement d’un fort effort axial, d’un mauvais détail constructif ou d’une corrosion sévère, orientant des renforts plus ciblés.

Ce que cela signifie pour la sécurité quotidienne

Concrètement, l’étude montre qu’un modèle d’apprentissage machine entraîné avec soin et transparent peut reconstruire de manière fiable l’ensemble du chemin résistance–dérive d’une colonne en béton corrodée à partir de propriétés mesurables et d’indicateurs de corrosion. Comparée aux anciennes formules de courbes de base idéalisées, la nouvelle approche saisit mieux la rapidité de la chute de résistance après le pic, en particulier pour les cas fortement corrodés où la capacité résiduelle a souvent été surestimée. Cela donne aux propriétaires de ponts et de bâtiments une vision plus précise de la réserve sismique restante des supports vieillissants et les aide à prioriser les réparations avant le prochain grand séisme, transformant des essais de laboratoire dispersés en un outil puissant pour la prise de décision dans le monde réel.

Citation: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Mots-clés: corrosion du béton armé, performance sismique, apprentissage automatique en génie civil, prédiction de la courbe de base, infrastructure vieillissante