Prédiction par apprentissage automatique de la résistance en compression et en flexion de composites durables à base de plâtre renforcés par la paille de blé

Transformer les déchets agricoles en matériau de construction

Chaque année, des tonnes de paille résiduelle sont brûlées par des agriculteurs dans le monde, tandis que les villes consomment d’énormes quantités de béton qui émettent beaucoup de dioxyde de carbone. Cette étude explore une façon d’aborder ces deux problèmes simultanément : utiliser la paille de blé, un déchet agricole, pour renforcer des matériaux de construction à base de plâtre et employer des outils informatiques intelligents pour prédire la résistance de ces matériaux plus écologiques.

Pourquoi aller au‑delà du béton ordinaire

Le béton est l’un des matériaux les plus utilisés sur Terre, mais la fabrication de son ingrédient principal, le ciment, rejette d’importantes quantités de CO2 dans l’atmosphère. En revanche, la production de plâtre, autre liant minéral, génère beaucoup moins de carbone. Le plâtre est déjà présent dans des produits familiers comme les plaques de plâtre et les cloisons intérieures ; il offre une bonne résistance au feu, une isolation acoustique et une faible masse. Cependant, seul, le plâtre est cassant et pas assez résistant pour de nombreux usages structurels, ce qui limite sa capacité à remplacer le béton ou la brique en toute sécurité.

Donner une seconde vie à la paille

L’agriculture moderne génère d’énormes volumes de déchets, dont la paille de blé est un exemple typique. Dans des pays comme le Pakistan, une grande partie de cette paille est brûlée en plein champ, aggravant le smog et nuisant à la santé publique. Plutôt que de considérer la paille comme un problème à éliminer, les auteurs l’envisagent comme un ingrédient bon marché et renouvelable pour la construction. Lorsqu’une petite quantité de fibres de paille est incorporée au plâtre, elle peut aider le matériau à se déformer un peu plus avant la rupture et valoriser une ressource qui serait autrement perdue. Mais la résistance finale dépend de nombreux éléments à la fois — qualité du plâtre, eau, teneur en paille et additifs chimiques — qui interagissent de manière complexe.

Laisser les machines apprendre à partir d’expériences

Réaliser des essais physiques pour chaque recette possible de mélanges plâtre–paille serait lent et coûteux. Pour y remédier, les chercheurs ont rassemblé des données de 161 mélanges déjà testés et publiés dans la littérature. Pour chaque recette, ils ont enregistré des détails tels que la résistance et la quantité de plâtre, la teneur en eau et le rapport eau/plâtre, la quantité de paille ajoutée et la présence de deux additifs courants. Ils ont aussi noté deux résultats clés : la capacité des échantillons à résister à la compression (résistance en compression) et à la flexion (résistance en flexion). À partir de ces données, ils ont entraîné cinq modèles d’apprentissage automatique différents afin que les ordinateurs apprennent la relation entre les entrées et ces résistances sans disposer d’une formule prédéfinie.

Trouver le prédicteur numérique le plus fiable

L’équipe a comparé les réseaux de neurones artificiels, la régression par processus gaussien, les forêts aléatoires, le gradient boosting extrême et les machines à vecteurs de support. Ils ont évalué chaque modèle à l’aide d’une méthode de test rigoureuse appelée validation croisée, qui entraîne et teste à plusieurs reprises sur des portions différentes des données pour éviter les biais. Parmi toutes les approches, la régression par processus gaussien s’est distinguée : elle a prédit la résistance en compression et en flexion avec plus de précision et de constance que les autres. Un avantage supplémentaire est que cette méthode ne fournit pas seulement une unique estimation ; elle donne aussi un intervalle d’incertitude indiquant le degré de confiance de la prédiction, une caractéristique utile lorsque des décisions de sécurité sont en jeu.

Ce qui compte le plus dans le mélange

Pour éviter que les modèles ne demeurent des boîtes noires, les auteurs ont identifié quels ingrédients influençaient le plus les prédictions. Dans les modèles les plus performants, la résistance intrinsèque du plâtre est apparue comme le moteur principal de la résistance en compression comme en flexion. La quantité totale de plâtre et la quantité d’eau utilisée ont également joué des rôles majeurs, car elles modifient la densité ou la porosité du matériau final. La paille de blé et les additifs chimiques ont eu des effets secondaires : dans certaines plages ils ont permis d’ajuster le comportement, mais trop d’eau, de paille ou d’additif tendait à réduire la résistance en créant des vides supplémentaires ou en perturbant la liaison à l’intérieur du mélange durci.

Des prédictions intelligentes vers des bâtiments plus verts

En termes simples, l’étude montre que les ordinateurs peuvent apprendre à prédire avec précision la résistance d’un plâtre renforcé par de la paille, à partir de sa recette, sans avoir à mouler et écraser chaque nouvel échantillon en laboratoire. Le meilleur modèle, la régression par processus gaussien, fournit non seulement des estimations fiables de la résistance, mais indique aussi le niveau de confiance associé à chacune. Cette combinaison d’ingrédients durables et d’outils de prédiction intelligents peut guider les concepteurs vers des produits plâtre–paille suffisamment résistants pour leurs usages prévus, tout en réduisant à la fois l’emploi de ciment et les brûlages agricoles. Ce faisant, elle ouvre la voie à des méthodes de construction plus respectueuses du climat et à une meilleure valorisation des matériaux existants.

Citation: Ahmad, H., Ejaz, M.F., Riaz, M.R. et al. Machine learning-based prediction of compressive and flexural strength of wheat straw reinforced sustainable gypsum composites. Sci Rep 16, 15087 (2026). https://doi.org/10.1038/s41598-026-45024-z

Mots-clés: composites en plâtre, paille de blé, apprentissage automatique, résistance en compression, construction durable