Prédire la résistance en compression du béton à l’aide de l’apprentissage profond optimisé et des grands modèles de langage

Pourquoi c’est important pour des bâtiments plus sûrs et plus verts

Le béton soutient nos maisons, ponts et tunnels, mais mesurer sa résistance exige généralement d’attendre des semaines de résultats en laboratoire. Cette étude explore comment des méthodes avancées d’intelligence artificielle peuvent prédire rapidement et avec précision la résistance du béton à partir de sa recette seule. Des prédictions plus rapides et plus fiables pourraient aider les ingénieurs à concevoir des structures plus sûres, réduire les expérimentations inutiles en laboratoire et faciliter l’usage d’ingrédients à faible empreinte carbone comme les sous‑produits industriels.

Des données de laboratoire brutes à des ingrédients numériques propres

Les chercheurs partent d’un large jeu de données public sur des formulations de béton. Chaque enregistrement indique les quantités de ciment, laitier, cendres volantes, eau, additifs chimiques, sable, gravier et le temps de cure utilisés, ainsi que la résistance finale mesurée. Ce type de données réelles est souvent incohérent : des mesures peuvent manquer, les unités peuvent varier et des valeurs aberrantes peuvent se glisser. Pour y remédier, l’équipe utilise des grands modèles de langage — des systèmes d’IA généralistes habituellement employés pour le texte — pour aider à nettoyer et restructurer les données. Ces modèles guident des tâches telles que la vérification des plages, la conciliation des noms et des unités, la création de grandeurs dérivées pertinentes comme le rapport eau/ liant, et la gestion des valeurs aberrantes. L’objectif est de transformer une feuille de calcul bruyante en une description cohérente et physiquement pertinente de chaque mélange que les algorithmes d’apprentissage peuvent ingérer.

Apprendre à un réseau à voir à la fois la composition et le temps

La résistance du béton ne dépend pas seulement des ingrédients ; elle dépend aussi de la manière dont la résistance se développe sur des jours et des semaines pendant la cure. De nombreux outils antérieurs se concentraient soit sur les ingrédients soit sur les tendances temporelles, rarement les deux simultanément. Ce travail utilise un réseau convolutionnel graphique spatio‑temporel, un type de modèle qui considère chaque ingrédient (ciment, eau, laitier, additifs, etc.) comme un nœud d’un graphe, avec des connexions reflétant l’intensité de leurs interactions. En même temps, il analyse l’axe temporel pour apprendre comment ces combinaisons gagnent en résistance avec l’âge. En pratique, le modèle apprend des motifs tels que « un fort dosage en ciment combiné à peu d’eau conduit généralement à une résistance plus rapide et plus élevée », tout en capturant des rôles plus subtils du laitier, des cendres et des agents chimiques selon les différentes périodes de cure.

Laisser un optimiseur “à la manière humaine” régler l’IA

Même des réseaux neuronaux puissants peuvent sous‑performer si leurs réglages internes — taux d’apprentissage, nombre de couches, tailles de filtres — sont mal choisis. Plutôt que d’ajuster cela manuellement, les auteurs utilisent une nouvelle méthode d’optimisation appelée algorithme iHow. Inspiré par la manière dont les humains apprennent, il alterne exploration large de nombreuses architectures possibles et affinage ciblé des plus prometteuses, tout en conservant une forme de mémoire interne des configurations qui ont bien fonctionné. Cet optimiseur parcourt l’espace des architectures et des paramètres d’entraînement pour le modèle graphique, visant à minimiser les erreurs de prédiction tout en évitant le sur‑apprentissage. La même famille d’idées d’optimisation est aussi employée pour la sélection de caractéristiques, réduisant la liste d’entrée aux grandeurs les plus informatives et gardant le modèle compact et interprétable.

Quelle est son efficacité comparée à d’autres outils d’IA ?

L’équipe réalise des comparaisons étendues contre une large gamme d’alternatives : réseaux profonds standards, transformeurs de type vision, auto‑encodeurs variationnels, réseaux informés par la physique, et plusieurs métaheuristiques d’optimisation comme l’essaim de particules et les algorithmes génétiques. Ils testent également quatre pipelines de prétraitement distincts pilotés par différents modèles de langage, montrant que de meilleurs nettoyages et constructions de caractéristiques améliorent sensiblement la précision finale. Dans tous ces tests, la combinaison de l’optimisation iHow avec le réseau graphique spatio‑temporel fournit les erreurs de prédiction les plus faibles et la meilleure concordance avec les résistances mesurées. Des contrôles statistiques, incluant l’analyse de variance et des tests de rang non paramétriques, confirment que ces améliorations sont peu susceptibles d’être dues au hasard.

Ce que cela signifie pour la pratique future de la construction

En termes simples, l’étude montre qu’un modèle d’IA basé sur des graphes, soigneusement réglé et alimenté par des données bien nettoyées, peut prédire la résistance du béton de façon beaucoup plus fiable que les approches antérieures. Il capture l’interaction entre ingrédients et temps de cure, et il utilise un optimiseur de type « apprendre à apprendre » pour s’ajuster finement. Si les auteurs soulignent que la méthode doit encore être testée sur des jeux de données réels plus divers avant d’être intégrée aux codes du bâtiment ou aux systèmes de contrôle d’usine, elle ouvre déjà la voie à un avenir où les ingénieurs pourront explorer des formulations plus vertes sur ordinateur, en ayant confiance que les résistances prédites correspondront étroitement à ce qui sera par la suite observé en laboratoire ou sur site.

Citation: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Mots-clés: prévision de la résistance du béton, apprentissage profond dans la construction, réseaux de neurones graphiques, algorithmes d’optimisation, matériaux béton durables