Analyse de corrélation entre la collapsibilité des loess et les indices physico-mécaniques dans la région de Longdong et prédiction du coefficient de collapsibilité par apprentissage automatique

Pourquoi l'affaissement du sol importe pour la vie quotidienne

Dans de nombreuses régions du nord de la Chine, villes, routes et canaux reposent sur un sol éolien appelé loess. Ce sol peut se compacter brutalement lorsqu'il s'humidifie, provoquant l'affaissement du terrain et des dommages aux bâtiments et aux infrastructures. L'étude résumée ici porte sur les loess de la région de Longdong et montre comment des mesures simples et l'apprentissage automatique moderne peuvent rapidement identifier les zones où le sol est susceptible de rester stable et celles où il peut s'effondrer.

Un sol fragile sous des villes en expansion

La région de Longdong se situe au cœur du plateau de Loess, où les couches de loess peuvent atteindre plusieurs dizaines de mètres d'épaisseur. À mesure que des projets nouveaux — ouvrages de transfert d'eau, voies ferrées et zones résidentielles — se développent sur ce territoire, les ingénieurs doivent connaître la propension du sol à se tasser lorsqu'il est humidifié. Les essais traditionnels de collapsibilité exigent des travaux de laboratoire soignés sur de nombreux échantillons et prennent du temps. Les auteurs ont rassemblé 259 enregistrements d'essais issus de chantiers autour de la ville de Qingyang, chacun incluant la collapsibilité mesurée du sol ainsi que des propriétés physiques de base telles que profondeur, masse volumique, porosité, teneur en eau et compressibilité.

Des indices simples du sol qui signalent un danger

Par analyse statistique, les chercheurs ont examiné comment la collapsibilité mesurée du loess se rapporte à chaque propriété du sol. Ils ont constaté que la quantité d'espace vide dans le sol, décrite par le « rapport de vides », présente la corrélation la plus forte avec l'ampleur du tassement. La profondeur sous la surface joue également un rôle : les couches peu profondes, soumises à une pression moindre, sont plus lâches et plus susceptibles de s'effondrer, tandis que les couches plus profondes sont naturellement plus compactes. La saturation en eau et la compressibilité ont des effets secondaires. À partir de milliers de points de données, ils ont identifié des seuils pratiques. Dans cette région, les loess présentant relativement peu de pores (rapport de vides inférieur à 0,960) et enfouis à plus de 16 mètres ne montrent presque jamais de collapsibilité nuisible lors des essais.

Une règle rapide pour vérifier la sécurité du sol

À partir de ces résultats, l'équipe a proposé une règle de dépistage rapide pour les ingénieurs de terrain. Si une couche de sol satisfait aux deux conditions — faible rapport de vides et profondeur suffisante — elle peut être considérée comme non collapsible avec une grande confiance, ce qui réduit fortement le besoin d'essais détaillés de collapsibilité sur ces emplacements. Lorsqu'ils ont vérifié cette règle par rapport à l'ensemble de données initial et à un jeu indépendant de 62 nouveaux échantillons provenant de sites voisins, elle a correctement identifié les sols non collapsibles dans environ 98 % des cas. Les quelques échantillons mal classés avaient des valeurs de collapsibilité situées à la limite entre « sûr » et « dangereux », reflétant la variabilité naturelle des loess et des conditions d'essai.

Apprendre aux ordinateurs à lire le sol

Pour aller au-delà des règles simples, les chercheurs ont aussi entraîné des modèles informatiques pour prédire la valeur exacte de collapsibilité à partir de quatre mesures clés : profondeur, rapport de vides, saturation en eau et comportement en compression. Ils ont comparé trois méthodes d'apprentissage automatique populaires — forêts aléatoires, gradient boosting extrême et machines à vecteurs de support — ainsi qu'une formule plus simple à deux paramètres. Toutes ont capturé les tendances principales, mais le modèle de gradient boosting s'est distingué par sa précision et sa stabilité, reproduisant très fidèlement les valeurs mesurées de collapsibilité tant sur les données d'entraînement que sur les données de test et classant correctement les échantillons collapsibles versus non-collapsibles plus de 92 % du temps.

Ouvrir la boîte noire des prédictions

Parce que les ingénieurs doivent pouvoir faire confiance à ces prédictions et les comprendre, les auteurs ont appliqué un outil d'explicabilité connu sous le nom de SHAP pour voir comment chaque entrée influence la sortie du modèle. Les explications ont confirmé que le rapport de vides et la profondeur dominent la prédiction, les rapports de vides plus élevés et les profondeurs moindres poussant le modèle vers des valeurs de collapsibilité prédites plus importantes. La saturation en eau et le coefficient de compression ont des effets plus subtils qui varient d'un cas à l'autre. L'analyse a également mis en évidence une combinaison particulièrement risquée : les couches situées à moins d'environ 11 mètres avec un rapport de vides supérieur à 1,02 sont particulièrement susceptibles de s'effondrer lorsqu'elles sont humidifiées.

Ce que cela signifie pour construire sur les loess

Concrètement, cette recherche montre qu'une poignée de mesures de sol simples peut révéler beaucoup sur la sécurité de construire sur des loess. Une règle simple fondée sur la profondeur et l'espace poreux peut rapidement repérer les couches très peu susceptibles de s'effondrer, tandis qu'un modèle d'apprentissage automatique bien validé peut fournir des estimations de risque plus précises lorsque cela est nécessaire. Ensemble, ces outils offrent aux ingénieurs de la région de Longdong un moyen plus rapide et plus transparent de planifier les fondations, de réduire les surprises coûteuses et de concevoir des ouvrages capables de rester stables sur un terrain naturellement fragile.

Citation: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Mots-clés: collapsibilité des loess, mécanique des sols, apprentissage automatique, génie des fondations, région de Longdong