Approche hybride générative–ensemble pour prédire les propriétés de résistance du béton avec granulats recyclés

Pourquoi cette recherche compte pour notre environnement bâti

Le béton est omniprésent dans la vie moderne, mais sa production consomme d’énormes quantités de sable, de pierre et de ciment et émet du dioxyde de carbone. Une voie prometteuse pour réduire cet impact est la réutilisation du béton démoli provenant d’ouvrages anciens comme nouveau matériau de construction. Le problème est que le béton contenant des éléments recyclés ne se comporte pas toujours de la même manière que le béton fabriqué à partir d’agrégats vierges. Cette étude montre comment les outils de données modernes peuvent aider les ingénieurs à prédire la résistance de ces mélanges plus écologiques avant même de couler un seul éprouvette.

Transformer les gravats en ressource

Les chantiers de construction et de démolition produisent chaque année des montagnes de déchets de béton. Plutôt que d’envoyer ces gravats en décharge, on peut les concasser et les réutiliser comme granulats, le squelette granulaire du nouveau béton. Remplacer le sable et la pierre naturels par des fragments recyclés permet d’économiser des ressources naturelles en voie d’épuisement et de réduire l’empreinte environnementale globale des projets de construction. Cependant, les particules recyclées portent souvent du ciment ancien à leur surface, présentent davantage de porosité et forment des zones de contact plus faibles dans le nouveau mélange. Ces particularités peuvent réduire la capacité portante du béton, ce qui rend les concepteurs prudents quant à l’utilisation de fortes proportions de matériau recyclé.

Apprendre des mélanges passés

Pour relever ce défi, les chercheurs ont rassemblé des données sur 112 formulations de béton différentes utilisant à la fois des granulats naturels et recyclés. Pour chaque mélange, ils ont enregistré la quantité d’eau, de ciment, de sable, de gravier et de matériau recyclé, ainsi que quatre résultats clés : résistance à la compression, résistance à la traction par fendage, résistance en flexion et rigidité. Comme 112 exemples représentent un volume modeste pour entraîner des modèles de données puissants, l’équipe a d’abord utilisé un outil génératif, un autoencodeur variationnel conditionnel, pour créer des milliers de mélanges synthétiques supplémentaires qui imitent les motifs des échantillons réels. Cette étape a permis aux modèles d’explorer une plus grande variété de combinaisons réalistes tout en restant ancrés par des résultats expérimentaux réels.

Tester une boîte à outils de modèles de données

L’équipe a ensuite comparé sept approches différentes d’apprentissage automatique pour prédire chacune des quatre propriétés de résistance à partir des ingrédients du mélange. Certaines étaient des modèles linéaires simples, qui supposent des relations en ligne droite, tandis que d’autres étaient des méthodes plus flexibles basées sur des arbres et des machines à vecteurs de support capables de capturer des relations complexes dans les données. Ils ont entraîné et évalué ces modèles en utilisant une validation croisée rigoureuse afin que chaque prédiction d’évaluation soit réalisée sur des données que le modèle n’avait pas vues auparavant, et ils ont réservé un ensemble de test réel séparé et caché pour le score final. Le gradient boosting et la régression par vecteurs de support se sont clairement distingués, fournissant des prédictions très précises et stables pour les quatre propriétés et surperformant à la fois les ajustements linéaires basiques et les équations standard des codes du bâtiment, en particulier lorsque la teneur en recyclé était élevée.

Lever un coin du voile sur la « boîte noire »

Les modèles de données puissants ne sont utiles aux ingénieurs que s’ils peuvent être compris et approuvés. Pour ouvrir la boîte noire, les auteurs ont utilisé une technique d’attribution des caractéristiques, qui mesure dans quelle mesure chaque ingrédient du mélange pousse une prédiction vers le haut ou vers le bas. Ils ont constaté que la partie liant de la recette, à savoir le rapport eau/ciment et la quantité de ciment, est le principal moteur de la résistance en compression, en traction et en flexion. En revanche, la rigidité est principalement gouvernée par les granulats eux‑mêmes, les particules fines recyclées jouant un rôle particulièrement marqué. Une teneur plus élevée en fines recyclées tend à rendre le béton plus flexible parce que ces grains sont moins rigides et portent un mortier ancien et plus faible. Ces schémas concordent avec des observations de laboratoire de longue date, ce qui donne confiance que le modèle apprend des comportements physiques réels plutôt que du bruit.

Des prédictions intelligentes à une conception plus avisée

En termes simples, ce travail montre que les outils fondés sur les données peuvent aider les ingénieurs à présélectionner rapidement des mélanges de béton plus écologiques contenant des gravats recyclés tout en respectant les exigences de sécurité et de performance. L’étude démontre que certains algorithmes modernes peuvent prédire avec grande précision la résistance et la rigidité d’un mélange proposé et mettre en évidence quels changements d’eau, de ciment ou de granulats ont le plus d’impact. Bien que les résultats actuels soient limités à la gamme de mélanges présente dans les études sous-jacentes, le même flux de travail peut être étendu à mesure que davantage de données deviennent disponibles. Cela ouvre la voie à des outils pratiques d’aide à la conception qui orientent les constructeurs vers des choix de béton plus durables sans sacrifier la fiabilité structurelle.

Citation: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Mots-clés: béton recyclé, apprentissage automatique, résistance des matériaux, construction durable, conception basée sur les données