Cadre d'apprentissage automatique en empilement optimisé selon Pareto pour prédire la capacité portante des pieux battus à partir de données d'essai de charge statique

Pourquoi des fondations solides comptent

Tout bâtiment, pont ou éolienne repose en définitive sur ce qui se trouve en dessous. Cachées sous la surface, de longues colonnes en béton appelées pieux transmettent le poids des structures jusqu'à un sol ferme ou de la roche. Si les ingénieurs sous-estiment la charge que ces pieux peuvent supporter en toute sécurité, cela peut provoquer des tassements, des fissures, voire des ruptures. S'ils la surestiment, les projets deviennent inutilement coûteux. Cette étude explore comment l'apprentissage automatique moderne peut transformer des essais de chantier courants en prédictions beaucoup plus précises de la résistance des pieux, contribuant ainsi à rendre la construction à la fois plus sûre et plus économique.

Des règles simples à l'analyse basée sur les données

Traditionnellement, les ingénieurs se sont appuyés sur des formules, des expériences à petite échelle et des simulations numériques pour estimer la capacité portante des pieux battus. Ces méthodes donnent des résultats raisonnables, mais peinent face à la réalité complexe des sols stratifiés, de la nappe phréatique et des effets d'installation. Un essai sur site connu sous le nom d'essai de charge statique est considéré comme la référence : un pieu est chargé par paliers pendant que son tassement est mesuré. Cependant, cette approche est lente, coûteuse et difficile à reproduire sur de nombreux emplacements. Parallèlement, la pratique géotechnique collecte systématiquement des données simples d'enfoncement issues de l'essai de pénétration standard (SPT), qui fournissent une mesure approximative de la résistance du sol en fonction de la profondeur. L'idée centrale de cet article est d'utiliser l'apprentissage automatique pour relier ces résultats SPT largement disponibles, ainsi que la géométrie des pieux et les détails du site, directement aux résultats de tests de charge de haute qualité.

Construire un moteur de prédiction plus intelligent

Les auteurs ont constitué une base de données de 472 essais de charge statique sur des pieux en béton armé battus, réalisés dans une province vietnamienne présentant des conditions de sol variées mais documentées de manière systématique. Pour chaque essai, ils ont relevé le diamètre du pieu, l'épaisseur de plusieurs couches de sol, les cotes du terrain et du sommet du pieu, la profondeur jusqu'à la pointe du pieu et les nombres moyens de coups SPT le long du fût et à la pointe. Ces entrées reflètent à la fois la taille du pieu et la résistance du sol environnant, qui commandent ensemble la capacité portante du pieu. L'objectif était d'entraîner un modèle qui, à partir de ces données pour un nouveau site, fournirait une estimation fiable de la capacité portante axiale du pieu sans nécessiter un essai de charge à grande échelle.

Combiner plusieurs approches en une seule

Plutôt que de s'appuyer sur un seul algorithme, l'étude utilise un empilement (« stacked ») : trois modèles d'apprentissage automatique différents — forêt aléatoire, k-plus proches voisins et extreme gradient boosting — sont entraînés en parallèle et leurs prédictions sont ensuite combinées par un modèle de second niveau. Ce méta-modèle est optimisé au moyen d'une recherche multi-objectifs inspirée des stratégies évolutives, connue sous le nom d'optimisation de Pareto. L'optimisation équilibre des objectifs concurrents : maximiser la précision sur des données non vues tout en évitant le surapprentissage. Par des tests répétés et une validation croisée à cinq volets, la meilleure combinaison a atteint un coefficient de détermination (mesure de l'adéquation entre prédictions et réalité) d'environ 0,95 sur l'ensemble de test, avec une erreur sensiblement réduite par rapport à n'importe quel modèle pris isolément.

Regarder à l'intérieur de la boîte noire

Pour que le système soit utilisable en pratique, les ingénieurs doivent comprendre les facteurs qui sous-tendent ses prédictions. Les auteurs ont donc utilisé des outils d'interprétabilité modernes, en particulier SHAP (Shapley Additive Explanations), des analyses de sensibilité et des balayages simples de paramètres. Ceux-ci ont révélé que le diamètre du pieu est le facteur individuel le plus influent, des variations de diamètre entraînant de fortes modifications de la capacité prédite. Les propriétés du sol jouent également un rôle clé : les nombres SPT moyens le long du fût et à la pointe apparaissent comme des contributeurs majeurs, reflétant l'importance de la friction latérale et de l'appui à la base. L'épaisseur des couches supérieures du sol importe aussi, tandis que certaines variables liées aux altitudes ont un impact mineur. Lorsque les entrées du modèle sont modifiées de manière physiquement significative — par exemple en augmentant le diamètre du pieu ou en plaçant la pointe dans un sol plus dense — les capacités prédites réagissent conformément aux principes géotechniques de base, ce qui suggère que le modèle apprend des motifs sensés plutôt que des corrélations fortuites.

Comment cela aide les projets réels

En combinant soigneusement plusieurs approches d'apprentissage automatique et en les optimisant selon des objectifs multiples, ce travail fournit un outil de prédiction à la fois précis et interprétable. Pour des sites présentant une géologie et des pratiques d'essai similaires à ceux de l'étude, les ingénieurs pourraient utiliser des données SPT standard et des paramètres de conception pour obtenir des estimations fiables de la capacité des pieux, réduire le nombre d'essais de charge coûteux et mieux cibler les marges de sécurité. Les auteurs soulignent que leurs données proviennent d'une seule région et que les effets temporels à long terme ainsi que certains détails d'installation ne sont pas entièrement capturés, de sorte que le jugement et l'étalonnage local restent essentiels. Néanmoins, le cadre montre comment des modèles basés sur les données, lorsqu'ils sont analysés de manière transparente, peuvent devenir des partenaires pratiques de la conception des fondations plutôt que des boîtes noires opaques.

Citation: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Mots-clés: fondation par pieux, capacité portante, génie géotechnique, apprentissage automatique, essai de charge statique