Un modèle IGWO-MKRVM interprétable pour prédire l’épaisseur de la zone endommagée par excavation d’une galerie

Pourquoi des tunnels plus sûrs comptent

Chaque fois qu’un ingénieur creuse un tunnel dans la roche, l’excavation perturbe le terrain environnant. Un anneau de roche fissurée et affaiblie se forme autour de l’ouverture, appelé zone endommagée par excavation. Si cet anneau endommagé devient trop épais, les parois du tunnel peuvent se déformer voire s’effondrer, mettant en danger les mineurs, les infrastructures et les communautés voisines. L’article résumé ici propose une nouvelle manière de prédire l’épaisseur de cette zone endommagée selon différentes conditions géologiques, en combinant l’apprentissage automatique moderne et une interprétabilité soignée afin que les ingénieurs comprennent non seulement les prédictions, mais aussi les raisons qui les sous-tendent.

L’anneau caché de roche affaiblie

Les galeries et tunnels souterrains sont entourés de roche qui a été comprimée et fracturée par l’excavation. Cette couche affectée, l’épaisseur de la zone endommagée par excavation, contrôle directement le niveau d’appuis nécessaire pour assurer la sécurité du tunnel. Mais l’épaisseur dépend de plusieurs facteurs interactifs : la résistance de la masse rocheuse, le degré de fragmentation dû aux joints et fissures, la profondeur sous la surface et l’ouverture du tunnel. Ces influences sont fortement non linéaires et varient d’un site à l’autre, si bien que des formules simples ou même des simulations avancées échouent souvent à fournir des prévisions précises et généralisables. Des essais de terrain classiques, tels que le radar à pénétration de sol et les relevés acoustiques, peuvent mesurer la zone endommagée, mais ils sont coûteux et difficiles à réaliser de manière systématique.

Utiliser des algorithmes intelligents pour lire la roche

Pour relever ce défi, les auteurs ont collecté 209 mesures réelles d’épaisseur de zone endommagée provenant de différents types de mines, notamment des exploitations de charbon, d’or, de phosphate et de plomb. Pour chaque cas, ils ont enregistré quatre entrées clés : la résistance de la masse rocheuse, un indice de joints décrivant le degré de fragmentation des blocs rocheux, la profondeur du tunnel et l’ouverture du tunnel. Ils ont ensuite construit un modèle prédictif qui combine un puissant moteur de reconnaissance de motifs, appelé machine vectorielle de pertinence multi-noyaux, avec une méthode d’optimisation améliorée inspirée du comportement de chasse du loup gris. L’étape d’optimisation règle les paramètres internes du modèle pour mieux capturer les relations complexes des données tout en restant efficace pour des jeux de données d’ingénierie de petite taille.

Comment le modèle hybride améliore les prédictions

Le cœur de l’approche réside dans l’utilisation simultanée de plusieurs « lentilles » mathématiques simples, ou noyaux, pour saisir à la fois les tendances générales et les variations locales fines de la réponse de la roche. Le modèle combine des noyaux linéaires, radiaux et laplaciens afin de gérer conjointement les changements lisses, les ruptures soudaines et les mesures bruitées. L’optimiseur de loup gris amélioré renforce cela en explorant plus exhaustivement l’espace des paramètres possibles. Il utilise des points de départ aléatoires soigneusement conçus, une manière non linéaire de passer d’une recherche large à un réglage fin, et une stratégie proposant des solutions candidates opposées pour éviter de rester bloqué dans de mauvais minima locaux. Des tests sur des problèmes de référence montrent que cet optimiseur amélioré converge plus rapidement et plus fiablement que plusieurs autres algorithmes d’essaimage ou évolutifs modernes.

Surpasser les outils de prédiction existants

Appliqué au jeu de données tunnel, le modèle intégré IGWO–MKRVM a fourni des prédictions très précises. Sur des cas tests non vus, il a atteint un coefficient de détermination supérieur à 0,95 et des mesures d’erreur très faibles, ce qui signifie que l’épaisseur de la zone endommagée prédite correspondait de près aux mesures de terrain. Les auteurs l’ont comparé à une gamme d’outils établis, y compris des réseaux neuronaux classiques, la régression par processus gaussien, des hybrides basés sur machines à vecteurs de support et une forêt aléatoire optimisée. Dans tous les cas, le nouveau modèle a produit des erreurs plus faibles et une performance plus stable, démontrant à la fois une forte capacité d’ajustement et une robuste généralisation à de nouvelles conditions géologiques.

Ouvrir la boîte noire de l’apprentissage automatique

Parce que les ingénieurs doivent justifier les décisions de sécurité, les auteurs ont aussi mis l’accent sur l’interprétabilité du modèle. Ils ont utilisé un cadre d’explication moderne appelé SHAP, qui considère chaque entrée comme un « joueur » dans un jeu coopératif et calcule sa contribution à chaque prédiction. Cette analyse a montré que l’indice de joints et la profondeur du tunnel sont les principaux facteurs déterminant l’épaisseur de la zone endommagée : une roche fortement jointée et des tunnels profonds tendent à produire des anneaux endommagés beaucoup plus épais. L’ouverture du tunnel et la résistance de la roche jouent également un rôle, mais dans une moindre mesure — des ouvertures plus larges augmentent les dommages, tandis qu’une roche plus résistante tend à les contenir. La méthode révèle en outre comment ces facteurs interagissent, montrant par exemple que des tunnels profonds dans des roches faibles et très jointées sont particulièrement vulnérables.

Ce que cela signifie pour la sécurité souterraine

Concrètement, l’étude offre aux ingénieurs un calculateur plus intelligent pour prédire jusqu’où les dommages s’étendront dans la roche autour d’un tunnel, ainsi qu’une explication claire des conditions qui aggravent ces dommages. En combinant un moteur d’apprentissage finement réglé avec une analyse transparente de l’importance des caractéristiques, la méthode non seulement dépasse les modèles existants, mais instaure aussi la confiance dans ses recommandations. Cela peut aider les concepteurs à choisir des formes de tunnels, des systèmes d’appui et des stratégies d’excavation plus sûrs adaptés à la géologie locale, réduisant in fine le risque de chutes de blocs et d’effondrements dans les ouvrages souterrains.

Citation: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Mots-clés: stabilité des tunnels, mécanique des roches, apprentissage automatique, exploitation souterraine, sécurité géotechnique