Prévision améliorée du frottement et de la cohésion d’un sol non saturé renforcé par addition de fines de carrière nanostructurées (NQF)

Pourquoi un sol plus résistant compte dans la vie quotidienne

Les routes, les remblais et les fondations des bâtiments dépendent tous de la résistance du sol qui les soutient. Dans de nombreuses régions tropicales, ce sol est une argile latéritique sensible à l’humidité qui peut se fragiliser lorsqu’elle s’humidifie et se renforcer en séchant, entraînant fissures, ornières et réparations coûteuses. Cette étude explore comment rendre ces sols plus résistants et plus prévisibles en ajoutant des poudres minérales recyclées, puis en utilisant l’intelligence artificielle pour prévoir les performances du sol traité. L’objectif est d’obtenir des infrastructures plus sûres et durables tout en réduisant les essais laborieux en laboratoire.

Transformer les déchets locaux en additifs utiles pour le sol

Les chercheurs ont commencé par une terre latéritique problématique du sud du Nigeria, classée très plastique avec une teneur importante en argile et une résistance au cisaillement naturelle modeste. Ils ont combiné ce sol avec deux types de matériaux finement broyés, majoritairement issus de déchets. L’un est un « ciment hybride » fabriqué à partir de cendre de balle de riz activée avec une faible quantité de chaux, et l’autre est des fines de carrière nanostructurées obtenues en réduisant la poussière de carrière à des particules extrêmement petites. Ces additifs contiennent des oxydes réactifs capables de lier les minéraux du sol et, grâce à leur très petite taille, peuvent se loger dans les pores entre les grains, augmentant potentiellement à la fois le frottement et la cohésion de la matrice de sol.

Des essais fastidieux aux prédictions intelligentes

Traditionnellement, les ingénieurs doivent réaliser des essais de cisaillement longs et gourmands en équipement pour déterminer deux propriétés clés de résistance du sol : l’angle de frottement et la cohésion. Plutôt que de s’appuyer uniquement sur ces essais, cette étude a généré une riche base de données expérimentale puis a entraîné des modèles informatiques pour prédire ces propriétés à partir de mesures plus simples. L’équipe a réalisé de nombreux mélanges en laboratoire, faisant varier les proportions de ciment hybride et de fines de carrière nanostructurées et mesurant onze variables d’entrée telles que la teneur en argile, la plasticité, la densité et les caractéristiques d’humidité. Ils ont utilisé une régression linéaire simple comme référence, puis appliqué trois approches « intelligentes » plus avancées : machines à vecteurs de support, réseaux à fonctions de base radiale et réseaux de neurones perceptron multicouche.

Comment les machines ont appris à « lire » le sol

Le jeu de données, composé de 121 enregistrements, a été divisé en une portion majoritaire pour l’entraînement et une plus petite pour les tests, imitant la façon dont un étudiant étudie des exemples avant de passer un examen. Chaque modèle a appris à mapper les onze descripteurs d’entrée du sol vers les deux sorties cibles : l’angle de frottement et la cohésion. Les performances ont été évaluées à l’aide de plusieurs métriques standard vérifiant la proximité des prédictions par rapport aux résultats expérimentaux et la capacité des modèles à généraliser sur des données non vues. Si toutes les méthodes ont fourni de bons résultats, les approches basées sur les réseaux de neurones — en particulier le perceptron multicouche — se sont distinguées. Elles ont capté des relations subtiles et non linéaires dans les données, obtenant une très forte corrélation avec les résistances mesurées et des erreurs de prédiction très faibles pour le frottement et la cohésion.

Ce qui contrôle réellement la résistance du sol traité

Pour dépasser les prédictions en « boîte noire », les auteurs ont réalisé une analyse de sensibilité classant l’importance des variables d’entrée. Ils ont constaté que le poids du sol non saturé était le facteur dominant contrôlant l’angle de frottement, soulignant comment le compactage et l’état d’humidité gouvernent la façon dont les particules frottent et s’emboîtent. Pour la cohésion, la teneur en argile est apparue comme la plus influente, cohérente avec la manière dont les argiles fines et actives et les produits cimentants soudent les particules entre elles. Les additifs minéraux eux-mêmes — le ciment hybride et les fines de carrière nanostructurées — ont aussi montré une forte influence positive, en particulier lorsqu’ils sont considérés conjointement avec la densité et les paramètres d’humidité. Ce tableau correspond aux preuves microscopiques : les nanoparticules et les liants dérivés des cendres comblent les vides, enrobent les grains et construisent un squelette plus dense et mieux lié.

Du code de recherche à un outil de conception utilisable

Pour rendre le travail directement utile aux praticiens, l’équipe a intégré le réseau de neurones le plus performant dans une interface graphique. Avec cet outil, un ingénieur peut saisir des informations de base sur le sol et le mélange et obtenir instantanément des valeurs estimées de frottement et de cohésion, au lieu de programmer de nouveaux cycles d’essais de cisaillement avancés. L’interface est conçue autour des plages expérimentales soutenues par les données, mais elle peut être étendue à mesure que davantage de données deviennent disponibles ou adaptée à d’autres types de sols.

Ce que cela signifie pour les projets réels

Pour un non-spécialiste, la conclusion est simple : l’étude montre que des poudres locales issues de déchets peuvent améliorer significativement la résistance des sols tropicaux problématiques, et que les outils modernes d’apprentissage automatique peuvent prédire de façon fiable cette amélioration à partir de propriétés faciles à mesurer. Cette combinaison réduit à la fois l’empreinte environnementale — en recyclant des déchets agricoles et de carrière — et le coût et la complexité des essais géotechniques. En pratique, cela signifie une conception mieux informée des routes et des ouvrages de terrassement, notamment dans les régions où les ressources de laboratoire sont limitées mais où le besoin d’infrastructures résilientes est élevé.

Citation: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

Mots-clés: sol non saturé, apprentissage automatique, stabilisation des sols, fines de carrière nanostructurées, génie géotechnique