Approche combinée apprentissage automatique - physique 3D pour l’évaluation des dommages des bâtiments : le cas de L’Aquila 2009

Pourquoi c’est important pour les populations exposées aux séismes

Après un fort séisme, la question la plus urgente est de savoir quels bâtiments sont sûrs pour une réoccupation et lesquels doivent rester interdits d’accès. Traditionnellement, cela exige des inspections lentes sur le terrain et s’appuie sur des cartes d’agitation larges qui peuvent ne pas saisir des particularités locales du relief ou de l’urbanisme. Cette étude porte sur le séisme dévastateur de 2009 à L’Aquila, en Italie, et montre comment la combinaison de modèles informatiques avancés des mouvements du sol et d’intelligence artificielle peut aider à repérer rapidement les bâtiments les plus endommagés et à mieux se préparer pour les événements futurs.

Un examen approfondi d’une ville italienne

Les auteurs choisissent L’Aquila comme cas d’étude réel parce que le choc principal a été fort, bien enregistré et largement étudié, et parce que la géologie de la ville a été cartographiée de façon exceptionnellement détaillée. Ils travaillent avec des données sur environ 3 000 bâtiments dont les dommages ont été soigneusement relevés après l’événement de magnitude 6,1. Pour chaque structure, ils connaissent non seulement l’ampleur des dommages mais aussi sa manière de construire, sa taille, son époque de construction et son emplacement par rapport à la faille et au relief local. Cette image riche leur permet d’étudier quels facteurs contrôlent réellement si un bâtiment subit des dommages légers ou est poussé au bord de l’effondrement.

Simuler le sous-sol pour améliorer les estimations de secousse

Les outils classiques d’évaluation des dommages s’appuient souvent sur les ShakeMaps, qui combinent un nombre limité de capteurs au sol avec des formules simplifiées pour estimer l’intensité des secousses sur une région. L’équipe, elle, construit un modèle numérique tridimensionnel détaillé de la croûte et des bassins sédimentaires autour de L’Aquila, jusque dans les ~20 kilomètres de profondeur et couvrant environ 60 kilomètres dans chaque direction horizontale. En utilisant des calculs haute performance et un code spécialisé, ils simulent la propagation des ondes sismiques depuis la faille à travers ce paysage souterrain complexe. Ils étendent ensuite ces simulations pour couvrir les basses et hautes fréquences du mouvement, produisant des mesures réalistes de la vitesse et de l’accélération du sol en milliers de points correspondant aux emplacements réels des bâtiments.

Apprendre à une « forêt » numérique à reconnaître les dommages

Dotés de ce panorama bâtiment par bâtiment des secousses, les chercheurs entraînent des modèles d’apprentissage automatique — en particulier des ensembles d’arbres de décision connus sous le nom de forêts aléatoires — pour prédire les niveaux de dommages. Pour rendre le problème plus maniable, ils regroupent les six classes de dommages originales en deux ou trois catégories plus larges, par exemple « léger contre modéré-à-lourd » ou « léger-à-modéré contre lourd ». Chaque modèle reçoit un mélange de variables liées au bâtiment (hauteur, empreinte au sol, âge) et au site (distance à la faille, propriétés locales du sol), ainsi que soit des mesures de secousse simulées soit des valeurs tirées des ShakeMaps. Ils gèrent aussi les informations manquantes, comme les années de construction inconnues, au moyen de stratégies soignées d’imputation et équilibrent les tailles de classes inégales avec des exemples synthétiques pour que les cas rares mais importants de dommages lourds ne soient pas ignorés.

Ce que révèlent les modèles sur le risque

L’analyse montre que les prédicteurs les plus influents des dommages sont la surface moyenne du bâtiment ou de l’îlot, la distance à la portion de la faille où l’essentiel du glissement a eu lieu, la rigidité locale du sol et — de manière cruciale — les mesures de secousse calculées à partir des simulations basées sur la physique. En revanche, les valeurs correspondantes issues des ShakeMaps figurent à peine parmi les variables dominantes. Lorsque les modèles s’appuient sur les secousses simulées, ils atteignent des précisions d’environ 80 % pour les problèmes binaires plus simples et se montrent robustes sur un jeu de test séparé de bâtiments précédemment non vus. Cela suggère que capturer le véritable trajet tridimensionnel des ondes sismiques, plutôt que de les lisser par des formules régionales générales, peut nettement affiner notre capacité à distinguer les structures légèrement endommagées de celles sérieusement compromises.

Ce que cela implique pour les séismes futurs

Pour les non-spécialistes, la conclusion principale est que l’association de simulations informatiques réalistes du mouvement réel du sol avec des algorithmes modernes de reconnaissance de formes peut transformer des mesures éparses et des registres de bâtiments en un outil pratique pour la gestion de crise. Lors d’un futur séisme, un système construit sur ces principes pourrait rapidement mettre en évidence les quartiers où les dommages lourds sont les plus probables, orientant les inspections, la planification des camps et la reconstruction à plus long terme. Les auteurs soulignent que leur modèle actuel est adapté à une région et à un parc bâti spécifiques et doit être testé et ajusté avant d’être utilisé ailleurs. Néanmoins, leurs résultats montrent la voie vers un avenir où des jumeaux numériques détaillés du sous-sol, combinés à des modèles intelligents axés sur les données, aident les communautés à mieux comprendre et gérer leur risque sismique.

Citation: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Mots-clés: dommages causés par un tremblement de terre, apprentissage automatique, simulation basée sur la physique, risque pour les bâtiments, L’Aquila 2009