Évaluation de la perte de résistance induite par la chaleur dans le béton activé aux alcalis par des modèles de régression ensemblistes

Pourquoi le béton chauffé compte

Lorsque un bâtiment est confronté à un incendie majeur, la résistance de son béton peut faire la différence entre le maintien de la structure et son effondrement. Les ingénieurs se tournent désormais vers un type de béton plus écologique, appelé béton activé aux alcalis, qui réutilise des déchets industriels et résiste mieux à la chaleur que le ciment traditionnel. Mais tester chaque recette possible au four est long et coûteux. Cette étude montre comment des outils modernes pilotés par les données peuvent apprendre des expériences passées et prédire rapidement la résistance résiduelle de ce béton plus vert après exposition à des températures extrêmes.

Un béton plus durable

Le béton activé aux alcalis remplace une grande partie du ciment habituel par des sous-produits industriels tels que les cendres volantes des centrales électriques, les laitier de haut fourneau issus de la sidérurgie, et même du verre broyé fin. Cet échange réduit les émissions de carbone et donne une seconde vie à ces déchets. Grâce à une structure interne liée en gel différente, ce béton résiste souvent mieux à la chaleur. Cependant, son comportement en cas d’incendie dépend fortement des détails : la composition des poudres, les produits chimiques utilisés pour les activer, la durée et la température du curetage, et la température maximale à laquelle il est ensuite exposé. Cette complexité rend difficile la prédiction, uniquement à partir des principes fondamentaux, de la résistance qui restera après un incendie.

Laisser les données apprendre les tendances

Les chercheurs ont constitué un jeu de données détaillé de 371 cubes de béton fabriqués à partir de cendres volantes et de laitier, parfois partiellement remplacés par de la poudre de verre. La recette de chaque cube a été consignée, ainsi que ses conditions de cure et la température — entre les conditions ambiantes et 1000 °C — à laquelle il a ensuite été chauffé avant l’essai. Plutôt que de s’appuyer sur des équations simples, l’équipe a recours à cinq méthodes supervisées d’apprentissage automatique. Ces algorithmes cherchent des motifs reliant les entrées (proportions du mélange, température et durée de cure, et niveau de chauffage) à la sortie : la résistance à la compression résiduelle du béton.

Quel « prévisionniste » numérique est le meilleur

L’étude a comparé un arbre de décision de base à des méthodes « ensemblistes » plus avancées qui combinent de nombreux modèles simples pour obtenir une prédiction plus fiable. Parmi elles figurent le bagging, AdaBoost, la forêt aléatoire et une technique appelée Extreme Gradient Boosting. Les auteurs ont utilisé une validation croisée rigoureuse, entraînant les modèles sur certains mélanges et les testant sur des mélanges entièrement différents pour imiter l’utilisation en conditions réelles. Parmi tous les candidats, le modèle de gradient boosting s’est imposé. Il a reproduit les résultats des essais avec un très haut niveau d’accord et la plus faible erreur moyenne, talonné par la forêt aléatoire. En revanche, une approche linéaire simple n’a pas pu saisir la relation courbée et non linéaire entre la composition, la température et la variation de résistance.

Découvrir ce qui compte vraiment dans le mélange

Au-delà de la précision brute, les chercheurs voulaient savoir quels ingrédients et quelles étapes de traitement déterminent réellement la performance en chaleur. Ils ont étudié les corrélations et utilisé des outils d’interprétabilité qui montrent combien chaque variable d’entrée influence les prédictions du modèle. La température de cure, la durée de cure et la concentration de l’activateur alcalin sont apparues comme les facteurs dominants contrôlant la résistance résiduelle après chauffage. Des variables comme la quantité d’agrégat grossier ou de petites variations de la teneur en eau jouaient un rôle moindre. L’analyse reflétait aussi des processus physiques connus : un curetage modéré favorise la formation d’un réseau liant dense, mais une chaleur excessive ou un excès d’alcalins peut rendre le matériau durci plus fragile et susceptible de fissurer lorsque la température monte vers 1000 °C.

Du laboratoire au guide de conception

En termes simples, ce travail transforme un ensemble disparate d’essais au four en un outil pratique de conception. Les modèles ensemblistes agissent comme des conseillers rapides et entraînés capables d’estimer le comportement d’une recette de béton verte proposée en cas d’incendie sévère, sans couler et chauffer des centaines de nouveaux échantillons. En mettant en évidence les variables les plus influentes, ils orientent également les ingénieurs vers des choix plus avisés en matière de cure et de dosage chimique. L’approche ne remplace pas des essais rigoureux ni les normes de construction, et elle doit encore être étendue à d’autres matériaux et conditions. Mais elle constitue une étape puissante vers la conception de structures en béton plus sûres, plus résistantes au feu et plus durables en réduisant considérablement les essais par tâtonnements.

Citation: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Mots-clés: béton activé aux alcalis, matériaux résistants au feu, apprentissage automatique, résistance à la compression, construction durable