Modélisation des propriétés mécaniques du béton caoutchouté par programmation d'expression génétique (GEP) et forêt aléatoire : étude comparative

Transformer les vieux pneus en bâtiments plus solides et plus verts

Chaque année, des milliards de pneus arrivent en fin de vie et finissent souvent dans des décharges ou des dépôts illégaux, où ils présentent des risques d'incendie et de pollution. Parallèlement, l'industrie de la construction consomme d'énormes quantités de sable, de gravier et d'énergie, contribuant fortement au changement climatique. Cette étude explore une manière d'aborder ces deux problèmes simultanément : broyer les pneus usagés pour utiliser le caoutchouc dans le béton, puis recourir à des outils informatiques avancés pour prédire la résistance de ce nouveau « béton caoutchouté » sans devoir réaliser une multitude d'essais en laboratoire.

Pourquoi ajouter du caoutchouc au béton ?

Le béton est la colonne vertébrale des infrastructures modernes, mais la production de ses composants, notamment du ciment et des granulats naturels, est énergivore et épuise les ressources. En remplaçant une partie du sable et du gravier par des fragments de caoutchouc issus de pneus usagés, les ingénieurs peuvent réduire le recours aux matériaux vierges et empêcher que des pneus jetés n'encombrent les décharges. Les particules de caoutchouc peuvent aussi conférer des propriétés utiles : elles absorbent les chocs, atténuent le bruit et améliorent la résistance à l'usure et aux variations de température. Cependant, l'ajout de caoutchouc affaiblit généralement la capacité du béton à résister à la fissuration et à la traction. Mesurer précisément combien de résistance est perdue ou gagnée pour chaque variation de recette exige traditionnellement de nombreux essais longs et coûteux.

Laisser les ordinateurs apprendre à partir d'expériences passées

Pour éviter de tester manuellement chaque mélange possible, les chercheurs se sont tournés vers l'apprentissage automatique — des méthodes informatiques qui détectent des motifs dans les données. Ils ont rassemblé 112 jeux de résultats expérimentaux d'études du monde entier, tous portant sur du béton caoutchouté. Chaque point de données décrivait une recette unique, incluant les quantités de granulats grossiers et fins, de caoutchouc en morceaux et en poudre, d'additifs chimiques appelés superplastifiants, le rapport eau/ciment et l'âge du béton. Pour chaque recette, deux propriétés clés ont été enregistrées : la résistance en flexion (capacité d'une poutre à résister à la flexion) et la résistance à la traction fendue (capacité à résister à l'arrachement). À partir de cette base de données combinée, l'équipe a entraîné deux modèles d'apprentissage automatique différents côte à côte pour déterminer lequel prédisait le mieux ces résistances.

Deux façons différentes pour un ordinateur de « réfléchir »

La première méthode, la programmation d'expression génétique, fonctionne un peu comme l'évolution naturelle. Elle démarre avec de nombreuses formules mathématiques aléatoires et les améliore progressivement en imitant la mutation et la recombinaison, aboutissant finalement à des équations lisibles par l'humain reliant les ingrédients du mélange à la résistance. La seconde méthode, la forêt aléatoire, construit une grande collection d'arbres de décision — des modèles simples basés sur des règles — et leur permet de « voter » pour la prédiction de la résistance. Si la forêt aléatoire se comporte davantage comme une boîte noire, elle est souvent très précise. Les deux modèles ont été soigneusement réglés et évalués à l'aide de statistiques standard comparant les résistances prédites aux valeurs mesurées en laboratoire pour des mélanges que les modèles n'avaient jamais vus auparavant.

Ce que les modèles ont appris sur le béton caoutchouté

Les deux approches ont capté le comportement général du béton caoutchouté, mais la forêt aléatoire s'est révélée plus précise. Pour les données de test inédites, elle a reproduit les résistances en flexion et en traction avec des corrélations proches d'un accord parfait, sensiblement supérieures à celles de la programmation d'expression génétique. Les analyses d'erreur ont montré que la plupart des prévisions étaient dans une marge modeste par rapport aux valeurs réelles, avec seulement quelques valeurs aberrantes. Pour ouvrir la boîte noire, l'équipe a utilisé un outil appelé SHAP, qui attribue à chaque ingrédient une part de responsabilité pour chaque prédiction. Cela a révélé que les granulats traditionnels et le rapport eau/ciment influencent fortement la résistance en flexion, tandis que la quantité et le type de caoutchouc, ainsi que le superplastifiant et la teneur en eau, jouent des rôles clés dans la résistance en traction. En général, plus de caoutchouc et plus d'eau ont tendance à réduire la résistance, tandis que des granulats et des additifs bien équilibrés peuvent récupérer une partie des performances.

Ce que cela signifie pour la construction future

Pour les non-spécialistes, la conclusion principale est que nous pouvons concevoir de manière réaliste des bétons plus verts qui recyclent les vieux pneus sans avancer à l'aveugle. L'étude montre que des modèles informatiques performants, en particulier les forêts aléatoires, peuvent prédire de manière fiable comment les modifications d'une recette de béton caoutchouté affecteront son comportement face à la fissuration et à la flexion, en n'utilisant qu'une poignée d'entrées faciles à mesurer. Cela signifie que les ingénieurs peuvent réduire les essais coûteux par tâtonnements, accélérer l'adoption de matériaux issus de déchets et spécifier avec plus de confiance des mélanges qui équilibrent bénéfices environnementaux, sécurité et durabilité. À long terme, ces outils pourraient contribuer à transformer des montagnes de pneus abandonnés en ponts, chaussées et bâtiments sûrs, réduisant à la fois les amas de déchets et l'empreinte carbone du secteur de la construction.

Citation: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Mots-clés: béton caoutchouté, recyclage des pneus usagés, apprentissage automatique dans la construction, modélisation par forêt aléatoire, matériaux durables