Une approche hybride d'apprentissage automatique pour prédire la résistance en flexion du béton renforcé par des fibres d'aluminium issues de déchets

Transformer le métal jeté en béton plus résistant

Chaque année, usines et ménages produisent des montagnes de chutes d'aluminium provenant de canettes, de fils et de chutes d'usinage. Une grande partie de ces déchets est difficile à éliminer en toute sécurité, alors que l'aluminium est léger, résistant et durable. Cette étude explore une question simple aux implications importantes : peut-on transformer ces déchets en fines fibres qui rendent le béton à la fois plus écologique et meilleur pour résister à la flexion et aux fissures, tout en utilisant des modèles informatiques intelligents pour prédire la résistance du nouveau matériau ?

Pourquoi la résistance en flexion compte

Le béton est excellent en compression, mais beaucoup plus faible en flexion. Les routes, planchers, tabliers de ponts et pistes d'atterrissage échouent souvent d'abord par flexion et fissuration plutôt que par simple écrasement. L'ajout de fibres est un moyen d'aider le béton à se déformer et à se maintenir lorsque des fissures apparaissent. Les chercheurs de cette étude se sont concentrés sur des fibres d'aluminium issues de canettes et d'autres déchets. Ils ont incorporé ces fibres dans le béton à des proportions variant de 1 % à 5 % en volume et ont testé la résistance en flexion de petits poutres. Ils ont identifié un point optimal clair : autour de 3 % de fibres, les poutres supportaient la charge de flexion la plus élevée et présentaient des fissures plus serrées et plus contrôlées ; au-delà, l'ajout de fibres détériorait les performances en provoquant des agglomérations et en réduisant la maniabilité du béton frais.

Construire une manière plus intelligente de prédire la résistance

Concevoir un béton avec des fibres issues de déchets ne se résume pas à deviner un pourcentage de fibres. De nombreux ingrédients — ciment, eau, sable, gravier, poudres spéciales, durée de cure et teneur en fibres — interagissent de façon complexe. Pour dépasser l'essai-erreur, l'équipe a constitué un jeu de données de 195 résultats d'essais issus de leurs propres expérimentations et d'études antérieures, tous impliquant des fibres d'aluminium recyclées. Ils ont ensuite entraîné trois types de modèles d'apprentissage automatique pour prédire la résistance en flexion à partir de huit variables de base sur le mélange et la cure : une Random Forest (beaucoup d'arbres de décision moyennés), un modèle Extreme Gradient Boosting et un réseau de neurones artificiels inspiré des connexions entre cellules cérébrales. Chaque modèle capture différemment les motifs présents dans les données.

Combiner les modèles et ouvrir la boîte noire

Plutôt que de choisir un seul modèle « meilleur », les chercheurs les ont empilés. Dans cette approche hybride, les trois modèles produisent chacun leur prédiction, et une couche de combinaison finale apprend à les pondérer pour obtenir la réponse la plus précise. Ce système empilé a prédit la résistance en flexion avec une très grande précision : il expliquait plus de 99 % de la variation dans les données d'entraînement et environ 96 % dans des essais nouveaux et non vus. Pour s'assurer que le système n'était pas une boîte noire mystérieuse, ils ont utilisé un outil d'explicabilité nommé SHAP. Cette méthode attribue à chaque entrée — comme l'âge de cure ou la teneur en gravier — une part de responsabilité dans la résistance prédite. L'analyse a montré que l'âge de cure et les contenances en granulats étaient particulièrement importantes, tandis que le pourcentage de fibres d'aluminium, bien que bénéfique, jouait un rôle global plus modeste que l'ossature solide de sable et de gravier qui supporte les charges à l'intérieur du béton.

Ce qui compte le plus à l'intérieur du mélange

En approfondissant les résultats d'explicabilité, l'étude a montré que des temps de cure plus longs augmentaient systématiquement la résistance en flexion, confirmant l'intérêt d'une cure lente et humide pour des ouvrages réels. Les granulats grossiers et fins se sont révélés des acteurs clés : leurs quantités et l'équilibre de leurs tailles contrôlent la manière dont les fissures démarrent et se propagent sous flexion. L'eau et le ciment ont un effet plus nuancé : trop d'eau affaiblit l'adhérence entre la pâte et les granulats, tandis qu'un excès de ciment peut rendre le matériau fragile. Les fibres d'aluminium issues de déchets ont aidé en faisant le pont sur les fissures et en améliorant la capacité du béton à reprendre la traction, mais seulement jusqu'à environ 3 % en volume ; au-delà, le mélange devenait plus difficile à mettre en place et moins homogène, annulant les bénéfices d'un renfort supplémentaire. Les recommandations issues du modèle se traduisent en plages pratiques de valeurs pour les granulats, le ciment, l'eau et la teneur en fibres que les ingénieurs peuvent viser lors de la conception des mélanges.

Des enseignements de laboratoire à des structures plus vertes

Pour le lecteur général, le message clé est simple : il est possible de transformer de l'aluminium mis au rebut en un ingrédient utile qui aide le béton à résister à la flexion, tout en détournant des déchets des décharges et en réduisant le besoin de fibres d'acier neuves. En associant des expériences rigoureuses à un système d'apprentissage multi-modèles transparent, les chercheurs ont créé une sorte de « calculateur » capable de prédire la résistance d'un mélange à base de fibres issues de déchets et d'expliquer pourquoi. Leurs résultats suggèrent qu'un mélange bien conçu contenant environ 3 % de fibres d'aluminium recyclé peut améliorer la résistance en flexion, réduire les coûts matériaux et diminuer l'impact environnemental. Si cette approche était déployée à grande échelle et enrichie de davantage de données, elle pourrait aider les ingénieurs à utiliser en toute confiance des chutes industrielles dans les infrastructures courantes, rendant ponts, chaussées et planchers à la fois plus solides et plus durables.

Citation: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Mots-clés: fibres d'aluminium issues de déchets, résistance en flexion, béton durable, modèles d'apprentissage automatique, matériaux de construction recyclés