Méthode basée sur l’apprentissage automatique pour déterminer les paramètres régionaux du modèle HSS : étude de cas de Qingdao, Chine

Pourquoi les fouilles en ville ont besoin d’outils plus intelligents

Lorsque les ingénieurs creusent des puits profonds pour des sous‑sols, des stations de métro ou des parkings souterrains dans des villes denses, même quelques millimètres de mouvement inattendu du sol peuvent fissurer des bâtiments voisins ou endommager des conduites enterrées. Pour protéger les personnes et les infrastructures, les ingénieurs s’appuient sur des modèles informatiques qui prédisent la déformation du sol pendant l’excavation. Cet article montre comment l’apprentissage automatique peut réduire fortement le temps et le coût nécessaires pour régler l’un des modèles de sol les plus avancés pour une ville côtière en Chine, tout en reproduisant les mesures du monde réel avec une précision remarquable.

Comment les ingénieurs estiment habituellement le comportement du sol

Les chantiers modernes utilisent souvent la méthode des éléments finis, une technique numérique qui divise le sol et les structures d’appui en de nombreux petits éléments et calcule la déformation de chacun lorsque les charges évoluent. Pour être efficace, cette approche nécessite une description réaliste du comportement du sol, en particulier pour les fouilles profondes entourées d’immeubles élevés et de réseaux souterrains. Une option largement reconnue est le modèle « hardening soil small‑strain » (HSS), qui capture la variation de la rigidité du sol en fonction de l’histoire des contraintes et des très petites déformations. Cependant, ce modèle exige de nombreux paramètres d’entrée, dont certains varient fortement selon les régions. Traditionnellement, ces paramètres sont obtenus par des essais en laboratoire spécialisés sur des échantillons de sol, coûteux et longs à réaliser. Par conséquent, les modèles les plus précis sont souvent sous‑utilisés dans les projets courants.

Identifier quels paramètres du sol importent vraiment

Les auteurs ont d’abord passé en revue les données d’essais publiées provenant de plusieurs villes chinoises pour comprendre quels paramètres du modèle avancé contrôlent réellement la déformation d’une excavation profonde. Ils ont comparé des valeurs clés de rigidité à une grandeur plus familière, le module de compression, et examiné ces rapports pour des types de sol courants tels que remblai ordinaire, limon argileux et sable moyen‑fin. Deux mesures de rigidité liées au comportement en compression courant se sont révélées proches d’un rapport un‑pour‑un avec le module de compression et peu sensibles au mouvement du puits. En revanche, deux autres mesures de rigidité — l’une liée à la restitution du sol lorsque les charges sont supprimées, et l’autre liée à son comportement à des déformations très faibles — variaient beaucoup selon les régions et exerçaient une forte influence sur les déplacements prédits. Cette observation a permis à l’équipe de considérer certains paramètres comme quasiment fixes tout en concentrant l’attention sur les quelques paramètres qui gouvernent effectivement la déformation locale.

Apprendre à un réseau de neurones à lire le comportement du puits

Munis de ces connaissances, les chercheurs ont utilisé une fouille profonde à Qingdao comme terrain d’entraînement. Les sols du site comprenaient du remblai ordinaire, du limon argileux et du sable moyen‑fin reposant sur du granite altéré. Ils ont conçu un ensemble systématique de combinaisons de paramètres pour les deux valeurs de rigidité sensibles dans chaque couche de sol et exécuté une série de simulations numériques tridimensionnelles de l’excavation. Pour chaque combinaison, ils ont enregistré la flèche des parois de soutènement et le tassement de la surface à des points de surveillance sélectionnés. Ces paires d’entrées et de sorties ont constitué un jeu de données pour entraîner un réseau de neurones à rétropropagation, un modèle d’apprentissage automatique simple qui apprend à relier causes et effets. Après l’entraînement, le réseau pouvait prendre quelques mouvements mesurés des parois et du sol sur le site réel et déduire rapidement quelles valeurs de rigidité du sol avaient dû produire ces mouvements.

Vérification de la méthode sur des chantiers réels

Pour tester la fiabilité de ce « détective du sol » virtuel, les auteurs ont appliqué les valeurs de rigidité déduites à deux projets d’excavation profonde indépendants à Qingdao, utilisant des soutènements par pieux et ancrages. Ils ont construit des modèles numériques avec les paramètres nouvellement obtenus et comparé les déformations prédites des parois et les tassements de surface aux données de surveillance de chantier recueillies pendant la construction. Les écarts étaient remarquablement faibles : les erreurs absolues moyennes typiques étaient inférieures à un demi‑millimètre, et les erreurs quadratiques moyennes étaient du même ordre. En d’autres termes, les simulations ont reproduit le comportement observé des fouilles avec un niveau de précision largement suffisant pour les vérifications de sécurité et l’affinage de la conception.

Ce que cela signifie pour une construction souterraine plus sûre et moins coûteuse

Pour les non‑spécialistes, le message clé est que l’étude montre comment une quantité modeste de surveillance de site, combinée à des simulations soigneusement conçues et à un réseau de neurones, peut remplacer de nombreuses séries d’essais de laboratoire coûteux. En isolant les quelques propriétés du sol qui importent le plus et en laissant l’apprentissage automatique les ajuster pour reproduire les déformations réelles, les ingénieurs peuvent déployer des modèles de sol plus sophistiqués sans effort prohibitif. Pour les sols typiques de Qingdao, les auteurs fournissent même des rapports prêts à l’emploi entre les paramètres de rigidité sensibles et les mesures standard de compression, offrant aux concepteurs un raccourci pratique. Plus généralement, l’approche indique un avenir où la construction souterraine serait guidée par des modèles calibrés localement et fondés sur les données, améliorant les marges de sécurité tout en maîtrisant les coûts et les délais des projets.

Citation: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Mots-clés: excavation profonde, modélisation des sols, apprentissage automatique, réseaux de neurones, déformation du sol