Développement d'une fonction de perte personnalisée pour réguler la sous-estimation et la surestimation des prédictions des propriétés mécaniques du béton dans les modèles de réseaux de neurones

Pourquoi des prédictions de béton plus sûres sont importantes

La plupart des bâtiments et des ponts modernes reposent sur le béton, et les ingénieurs utilisent de plus en plus l'intelligence artificielle pour prédire la résistance de ce matériau. Mais alors que les réseaux de neurones standards cherchent à être également précis dans toutes les directions, les structures réelles sont plus sûres lorsque les prédictions sont un peu prudentes plutôt que trop optimistes. Cette étude présente une nouvelle méthode d'entraînement des réseaux de neurones afin qu'ils aient moins tendance à surestimer la résistance du béton, aidant ainsi les ingénieurs à conserver une marge de sécurité confortable sans renoncer aux atouts de l'IA.

Concilier sécurité et algorithmes intelligents

En pratique du génie civil, les règles de conception sont rédigées de manière conservatrice afin que les structures restent sûres même lorsque les matériaux varient ou que la construction n'est pas parfaite. Sous-estimer la résistance du béton signifie généralement une sécurité supplémentaire, tandis que la surestimation peut grignoter silencieusement les marges de sécurité. Les méthodes classiques d'entraînement des réseaux de neurones ne distinguent pas ces deux issues ; elles cherchent simplement à réduire la taille globale des erreurs. Les auteurs soutiennent que cela contredit la façon dont les ingénieurs considèrent le risque et ils s'emploient à intégrer cette préférence pour la sécurité directement dans le processus d'apprentissage.

Une fonction de perte qui privilégie la prudence

Le cœur de l'étude est une fonction de perte personnalisée, une règle qui indique au réseau de neurones la gravité de chaque erreur pendant l'entraînement. Plutôt que de traiter toutes les erreurs de la même façon, la formule proposée inflige des pénalités plus lourdes lorsque le modèle prédit une résistance supérieure à la valeur réelle et des pénalités plus légères lorsqu'il prédit une résistance inférieure. Une paire de paramètres de contrôle gouverne ce déséquilibre, permettant d'orienter le modèle vers des sous-estimations plus sûres. La perte est également normalisée pour fonctionner de manière cohérente sur différents jeux de données et échelles, et s'intègre à un dispositif classique de réseau de neurones en utilisant des outils populaires comme TensorFlow ou PyTorch.

Tester l'idée sur le béton enrichi en caoutchouc

Pour vérifier le comportement de cette règle d'entraînement prudente en pratique, les auteurs se concentrent sur le béton enrichi en caoutchouc, un matériau où une partie des granulats est remplacée par des morceaux de caoutchouc recyclé. À partir d'un jeu de données expérimental, ils entraînent plusieurs réseaux de neurones avec la même architecture mais des fonctions de perte différentes, y compris des choix classiques tels que l'erreur quadratique moyenne et l'erreur absolue moyenne. Ils comparent ensuite la qualité des prédictions de chaque modèle pour deux propriétés mécaniques clés : la résistance en compression, qui reflète la charge que le béton peut supporter, et le module d'élasticité, qui décrit sa raideur sous charge.

Comment l'apprentissage conservateur modifie les prédictions

Les modèles entraînés avec la fonction de perte personnalisée atteignent pratiquement la même précision globale que ceux utilisant des pertes traditionnelles, avec des niveaux d'erreur d'environ six pour cent dans la plupart des cas. La différence cruciale réside dans la fréquence des prédictions qui surestiment la résistance réelle. Pour les fonctions de perte standard, entre un quart et presque la totalité des prédictions dans certains tests sont des surestimations. Lorsque la perte personnalisée est correctement réglée, ce taux de surestimation chute de façon spectaculaire, autour d'un pour cent pour la résistance en compression et en dessous de dix pour cent pour la raideur, tout en conservant un très bon ajustement aux données. Les nuages de points des valeurs prédites versus mesurées montrent les points du nouveau modèle groupés juste en dessous de la ligne d'égalité idéale, traduisant un biais de sous-estimation délibéré et modéré.

Ce que cela implique pour les structures réelles

À lui seul, un modèle de prédiction prudent ne peut garantir la sécurité d'un bâtiment ; les concepteurs doivent toujours respecter les codes, prendre en compte les armatures, les charges et la géométrie, et vérifier le comportement des éléments et du système. Mais en éloignant les réseaux de neurones des surestimations non conservatrices au niveau des matériaux, cette nouvelle fonction de perte aide à faire en sorte que les prédictions basées sur l'IA entrent dans ces vérifications de conception avec le même état d'esprit axé sur la sécurité qui sous-tend la pratique du génie civil. Les auteurs considèrent leur travail comme une preuve de concept pouvant être étendue à des jeux de données plus larges et à des modèles structurels complets, offrant une étape pratique vers des outils d'IA qui travaillent avec, plutôt que contre, les philosophies de sécurité établies.

Citation: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Mots-clés: prédiction de la résistance du béton, réseaux de neurones, fonction de perte, béton enrichi en caoutchouc, sécurité structurelle