Estimation des infiltrations dans les barrages en remblai hétérogènes sur fondations perméables à l’aide d’un apprentissage automatique explicable

Pourquoi l’eau qui s’infiltre à travers les barrages est importante

Dans le monde entier, de nombreuses collectivités dépendent des barrages en terre pour stocker l’eau potable, irriguer les cultures et maîtriser les crues. Pourtant, ces ouvrages apparemment solides fuient en permanence. Un petit écoulement bien contrôlé est sans danger ; une infiltration excessive et cachée peut creuser des galeries à l’intérieur du barrage ou de sa fondation et provoquer une rupture soudaine. Cet article explore comment les méthodes modernes d’apprentissage automatique peuvent aider les ingénieurs à prévoir ces écoulements invisibles de façon plus précise et plus rapide, notamment pour le cas plus réaliste de barrages à noyau stratifié construits sur un terrain perméable.

Comment les barrages fuient sous la surface

Les barrages en remblai ne sont pas des tas de terre homogènes. Ils possèdent souvent un noyau relativement étanche bordé de ailes plus poreuses, le tout reposant sur une fondation qui peut elle-même laisser passer l’eau. Lorsque l’eau du réservoir appuie sur la face amont, une partie s’infiltre à travers le corps du barrage et sous sa base, suivant des trajectoires complexes contrôlées par la profondeur d’eau, les types de sol et la géométrie de l’ouvrage. Les calculs manuels traditionnels simplifient tellement ce tableau qu’ils ne conviennent qu’à des formes idéalisées. Les simulations numériques détaillées basées sur la méthode des éléments finis font mieux, mais elles peuvent être lentes et nécessitent une expertise spécialisée, ce qui limite leur usage pour des vérifications rapides de conception ou des contrôles de sûreté de routine.

Apprendre aux ordinateurs à reconnaître les schémas d’infiltration

Les auteurs ont constitué une vaste bibliothèque numérique de 4 374 scénarios d’infiltration, chacun produit par un programme de simulation de référence qui calcule l’écoulement de l’eau à travers et sous les barrages. Pour chaque cas, ils ont fait varier sept entrées clés que les ingénieurs peuvent mesurer ou concevoir : la largeur de crête, la profondeur de fondation, le niveau d’eau du réservoir, les longueurs des talus amont et aval, la perméabilité de la fondation et le degré d’étanchéité du noyau par rapport aux ailes. Pour chaque combinaison d’entrées, la simulation produisait une sortie principale : le volume d’eau qui fuit par mètre de barrage. Cet ensemble de données soigné est devenu le terrain d’entraînement de plusieurs modèles d’apprentissage automatique visant à prédire l’infiltration directement à partir des sept paramètres.

Choisir le moteur de prédiction le plus fiable

L’équipe a testé cinq familles de modèles couramment utilisées sur des données tabulaires en ingénierie : arbres de décision simples, forêts aléatoires et trois méthodes de « boosting » qui combinent de nombreux petits arbres en un ensemble puissant. Plutôt que d’opter au hasard pour des réglages, ils ont utilisé l’optimisation bayésienne, une stratégie de recherche systématique qui considère chaque essai comme une expérience et converge vers les options les plus prometteuses tout en évitant le surapprentissage. Les performances ont été évaluées par un ensemble de mesures d’erreur, des graphiques comparant prédictions et résultats de simulation, et des vérifications croisées sur plusieurs partitions des données. Le vainqueur clair a été le modèle de gradient boosting catégoriel (CGB), qui a reproduit les infiltrations simulées avec une précision quasi parfaite sur des données non vues, tandis que les modèles arborescents plus simples restaient en retrait.

Ouvrir la boîte noire de l’apprentissage automatique

Pour rendre ces modèles sophistiqués utiles aux ingénieurs en barrage, les auteurs ont cherché à expliquer ce qui motive leurs prédictions. Ils ont recours à un outil moderne d’interprétabilité connu sous le nom de SHAP, qui attribue à chaque paramètre une part de responsabilité dans la sortie pour chaque scénario. Cette analyse a révélé que deux facteurs dominent le comportement des infiltrations : la profondeur d’eau du réservoir et le degré d’étanchéité du noyau par rapport aux ailes. Une eau plus profonde favorise fortement la montée de l’infiltration, tandis qu’un noyau beaucoup moins perméable la réduit nettement. La perméabilité et la profondeur de la fondation jouent un rôle secondaire, et la largeur de crête exerce un effet stabilisateur modeste. Les détails des pentes comptent relativement peu dans les plages étudiées, un résultat qui peut aider à concentrer l’attention sur les leviers de conception les plus influents.

D’un modèle de recherche à un outil d’usage courant

Pour rapprocher théorie et pratique, le modèle CGB le plus performant a été intégré dans une application de bureau simple. Les utilisateurs peuvent saisir les sept propriétés du barrage et de la fondation et obtenir instantanément une estimation d’infiltration, pour un cas ou pour de nombreux scénarios à la fois. Les prédictions du modèle concordaient avec des études numériques antérieures et une étude de cas indépendante sur le barrage Hub au Pakistan, restant dans un écart d’environ 10 % par rapport aux résultats établis sur plusieurs niveaux d’eau. Pour les non-spécialistes, le message est rassurant : en combinant des simulations haute fidélité, l’apprentissage automatique avancé et des explications claires des facteurs les plus importants, les ingénieurs disposent désormais d’un moyen rapide et transparent pour anticiper la quantité d’eau qui s’écoulera à travers des barrages en terre complexes et vérifier si ces fuites demeurent dans des limites sûres.

Citation: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Mots-clés: barrages en remblai, infiltration, apprentissage automatique, sûreté des barrages, génie géotechnique