Classification des sols améliorée par IA avec données CPT incomplètes pour parc éolien en mer

Pourquoi les sols du fond marin comptent pour l’énergie éolienne

Les turbines éoliennes offshore se trouvent dans certains des environnements les plus éprouvants de la planète, et leur stabilité dépend de ce qui se cache sous les vagues : les sols du fond marin qui soutiennent leurs massives fondations. Tester ces sols en eau profonde est coûteux et souvent incomplet, laissant les ingénieurs prendre des décisions importantes avec des informations parcellaire. Cette étude montre comment l’intelligence artificielle peut interpréter des données d’essais limitées pour classer de façon fiable les sols marins, aidant les concepteurs à implanter les éoliennes offshore de manière plus sûre et efficace.

Des essais du fond marin aux types de sols

Les ingénieurs sondent couramment le fond marin à l’aide d’essais de pénétration au cône, où un cône métallique est enfoncé dans le sol tout en mesurant la résistance au pénétration, le frottement sur la gaine et l’évolution de la pression interstitielle. Ces mesures sont traditionnellement interprétées à l’aide de diagrammes tels que la classification de Robertson, qui relie des motifs de lecture à différents comportements de sol, comme le sable lâche, l’argile raide ou des mélanges intermédiaires. Le problème est que ces diagrammes supposent des données complètes et propres, ce qui est rarement le cas lorsque les navires, les vagues et la grande profondeur compliquent les investigations offshore.

Construire une bibliothèque virtuelle des conditions du fond marin

Pour résoudre le problème de l’information manquante, les chercheurs ont d’abord créé une vaste bibliothèque virtuelle de conditions de sol possibles, au lieu de s’appuyer uniquement sur des essais sur le terrain rares. Ils ont utilisé des plages réalistes pour les mesures clés du cône — résistance au pointe, frottement de gaine, pression interstitielle et contraintes dans le sol — pour générer plus de 200 000 enregistrements d’essais synthétiques. Ces enregistrements ont ensuite été traduits en zones de comportement des sols selon le diagramme de Robertson, associant ainsi chaque essai simulé à une « étiquette » de sol. En échantillonnant à la fois de manière uniforme sur les plages et selon des schémas statistiques réalistes, ils ont veillé à ce que cette bibliothèque synthétique couvre tout, des argiles très molles aux sables et graviers denses.

Apprendre aux machines à « lire » le fond marin

Avec cette bibliothèque synthétique, l’équipe a entraîné plusieurs modèles d’apprentissage automatique pour prédire le comportement des sols directement à partir des entrées des essais au cône. Ils ont testé des forêts aléatoires, des réseaux neuronaux, des méthodes à vecteurs de support et des arbres de décision, en ajustant soigneusement les paramètres internes de chaque modèle. Parmi eux, le modèle de forêt aléatoire s’est distingué, reproduisant presque parfaitement les zones de sol basées sur Robertson et atteignant plus de 92 % de précision lorsque ses prédictions ont été converties en une classification de sol standard. Les vérifications internes du modèle ont montré que la résistance au pointe, le frottement de gaine et la contrainte verticale efficace étaient les entrées les plus influentes — concordant avec la compréhension géotechnique de longue date et suggérant que le modèle apprenait la physique réelle plutôt que des corrélations fortuites.

Rester précis lorsque des données manquent

Le test crucial était de savoir si l’IA pouvait encore bien fonctionner lorsque certaines mesures faisaient défaut, imitant les campagnes offshore réelles où l’équipement tombe en panne ou certains capteurs ne sont pas utilisés. Les chercheurs ont retiré systématiquement chaque entrée à tour de rôle et l’ont remplacée par des valeurs incertaines, puis ont exécuté de manière répétée le modèle selon une approche Monte Carlo pour observer comment la précision évoluait en moyenne. Lorsque les entrées les plus critiques — résistance au cône, frottement de gaine ou contrainte efficace — manquaient, la précision diminuait considérablement, confirmant leur importance. Pourtant, lorsque d’autres paramètres comme la pression interstitielle ou la contrainte totale étaient absents, le modèle conservait une précision élevée, souvent supérieure à 90 %. Cela montre que le cadre peut continuer à fournir des classifications de sol utiles même lorsque certaines parties de l’enregistrement CPT sont incomplètes.

Valider la méthode sur de véritables parcs éoliens offshore

Pour dépasser les données virtuelles, l’équipe a testé leur modèle de forêt aléatoire entraîné sur 229 808 enregistrements CPT réels provenant de 99 forages sur des sites de parcs éoliens offshore à Taïwan et aux Pays-Bas. Aucune de ces mesures réelles n’a été utilisée pendant l’entraînement. Les prédictions de comportement des sols par l’IA ont été comparées à des classifications indépendantes basées sur un système d’ingénierie largement utilisé qui regroupe les sols selon la granulométrie et la plasticité. Le modèle a correctement apparié ces classifications dans plus de 92 % des cas, surpassant plusieurs approches d’apprentissage automatique existantes. Des simulations répétées ont également montré que les prédictions se situaient dans une bande de confiance étroite à 95 %, indiquant un comportement stable et fiable.

Ce que cela signifie pour l’avenir de l’éolien en mer

Pour les non-spécialistes, la conclusion est que l’étude fournit un assistant intelligent pour « lire » le fond marin. Plutôt que de remplacer les diagrammes d’ingénierie établis, le cadre d’IA les étend aux situations réelles et souvent désordonnées où les données sont incomplètes ou imparfaites. En apprenant à partir d’une bibliothèque synthétique soigneusement conçue puis en se validant sur de larges jeux de données offshore, la méthode offre un moyen pratique de classifier rapidement et de manière cohérente les sols du fond marin. Cela peut réduire des essais supplémentaires coûteux, soutenir des conceptions de fondations plus sûres et, en fin de compte, aider à mettre en service davantage de projets éoliens offshore avec une confiance accrue quant à ce qui se trouve sous chaque turbine.

Citation: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Mots-clés: éolien offshore, fonds marins, essai de pénétration statique (CPT), apprentissage automatique, conception des fondations