Prédiction du volume d'injection de rideau à l'aide d'un modèle empilé optimisé par Bayes avec analyse SHAP

Pourquoi prédire ces travaux cachés de ciment est important

Au‑dessous des barrages et des tunnels, les ingénieurs injectent du ciment liquide dans les fissures de la roche pour empêcher l'eau de s'infiltrer. Ce processus, appelé injection (ou coulis), est coûteux et difficile à observer directement, si bien que les opérateurs doivent estimer la quantité de coulis à pomper pour chaque trou de forage. Estimer trop peu et l'eau peut continuer à s'infiltrer ; estimer trop et l'on gaspille argent, matériaux et temps. Cette étude montre comment des outils de données modernes peuvent aider les ingénieurs à prédire de façon plus fiable la quantité de coulis nécessaire avant le début des travaux.

Obturer les fissures sous les grands ouvrages hydrauliques

Les grands barrages et les cavernes souterraines s'appuient sur des rideaux de coulis durci pour bloquer les chemins souterrains que l'eau emprunterait autrement pour s'échapper. Les équipes forent de nombreux trous dans la roche et y injectent une boue de ciment, mais la roche sous la surface est irrégulière, avec des fractures variant en taille et en connectivité. Parce que le processus est caché et que les conditions changent d'un endroit à l'autre, prédire le volume de coulis requis pour chaque forage est depuis longtemps un défi majeur pour la sûreté de conception et le contrôle des coûts dans les grands projets hydrauliques et hydroélectriques.

Des règles empiriques à l'apprentissage à partir des données

Pendant des décennies, les ingénieurs ont utilisé des formules simplifiées, des comparaisons avec des projets antérieurs ou des simulations informatiques d'écoulement pour estimer la consommation de coulis. Ces approches ont aidé mais ont souvent peiné face à des roches réelles complexes et à des mesures de terrain bruitées. Dans cette étude, les auteurs se sont tournés vers l'apprentissage automatique, qui apprend les motifs directement à partir des données. Ils ont rassemblé 778 enregistrements réels d'injection provenant d'un grand projet hydraulique au Xinjiang, chacun décrivant les conditions d'un trou de forage : sa position dans l'ordre de forage, sa profondeur, la longueur de la section traitée, le diamètre du trou, la perméabilité initiale de la roche (facilité d'écoulement de l'eau), la composition initiale eau‑ciment et la pression utilisée lors de l'injection. L'issue à prédire était le volume réel de coulis injecté.

Combiner plusieurs modèles intelligents en un seul

Plutôt que de s'appuyer sur un seul algorithme, l'équipe a utilisé une stratégie appelée stacking, qui permet à plusieurs modèles de prédiction de coopérer. Trois modèles informatiques particulièrement performants pour traiter des motifs complexes dans des tableaux de données ont été choisis comme première couche. Chacun a examiné les mêmes sept facteurs d'entrée et produit sa propre estimation du volume de coulis. Un modèle de régression simple mais soigneusement contrôlé a ensuite pris ces trois estimations et les a mixées en une prédiction finale. Pour s'assurer que chaque modèle utilisait au mieux ses paramètres internes, les chercheurs ont eu recours à l'optimisation bayésienne, une méthode qui explore et règle de manière organisée et guidée par les données de nombreuses combinaisons de paramètres plutôt que par essai‑erreur.

Vérifier la précision et ouvrir la boîte noire

Pour tester leur approche, les auteurs ont comparé le modèle empilé avec ses trois modèles composants individuels, avant et après l'ajustement. Ils ont mesuré la proximité entre les prédictions et les volumes réels de coulis à l'aide d'indicateurs d'erreur standards. Le modèle empilé avec réglage bayésien a obtenu les meilleures performances, expliquant environ 92 % de la variance du volume de coulis tout en maintenant des erreurs moyennes relativement faibles.

Implications pour l'injection de coulis sur le terrain

L'étude conclut qu'un modèle d'apprentissage empilé, soigneusement réglé, peut fournir des prédictions de volume de coulis plus précises et plus stables que des modèles individuels ou des méthodes empiriques plus anciennes, du moins pour le projet étudié. En quantifiant quelles conditions importent le plus et comment elles interagissent, l'approche peut aider les ingénieurs à planifier les stratégies de forage et de pompage, allouer les matériaux et gérer les risques plus efficacement dans des conditions de sous‑sol complexes. Bien que le modèle doive encore être testé et adapté à d'autres sites, il offre une voie pratique vers un contrôle fondé sur les données de cette partie cruciale mais largement invisible de la construction de barrages et de tunnels.

Citation: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Mots-clés: injection de rideau, prédiction du volume de coulis, apprentissage automatique, optimisation bayésienne, analyse SHAP