Prédiction de la résistance en compression non confinée des argiles stabilisées par géopolymère à l’aide d’une machine d’apprentissage extrême basée sur l’algorithme sectoriel fruit fly

Des sols plus résistants avec un coût environnemental réduit

Partout dans le monde, les ingénieurs doivent transformer des sols argileux et meubles en fondations stables pour des routes, des bâtiments et des remblais. Classiquement, cela implique l’apport de grandes quantités de ciment Portland ordinaire, une source majeure d’émissions de dioxyde de carbone. Cette étude explore une voie plus propre : utiliser des sous‑produits industriels appelés géopolymères pour renforcer les argiles, et appliquer une forme astucieuse d’intelligence artificielle pour prédire la résistance du sol traité sans devoir multiplier les essais en laboratoire.

Transformer les déchets industriels en liants utiles

Les géopolymères sont des liants obtenus en activant des poudres riches en aluminosilicates—comme la laitier granulé de haut fourneau (GGBS) et les cendres volantes—avec des solutions alcalines. Lorsqu’ils sont mélangés à une argile, ils forment des réseaux rigides, proches de la pierre, capables d’apporter une résistance élevée, une faible retrait et une bonne durabilité, tout en émettant beaucoup moins de CO₂ que le ciment classique. Des essais antérieurs ont montré que les argiles stabilisées par géopolymère peuvent atteindre des résistances allant de presque zéro à plus de 40 mégapascals, selon le mélange. Mais le résultat dépend de façon très sensible de nombreux facteurs simultanés : la plasticité naturelle de l’argile, la quantité de laitier ou de cendre ajoutée, la concentration de la solution alcaline et l’équilibre d’éléments clés comme le sodium, le silicium et l’aluminium.

Pourquoi la prédiction de la résistance des sols est si difficile

Pour concevoir un mélange pratique, les ingénieurs souhaiteraient savoir à l’avance quelle résistance procurera une recette donnée. Réaliser des programmes de laboratoire complets pour chaque mélange candidat est lent et coûteux. Les formules statistiques traditionnelles montrent aussi leurs limites car les relations entre type de sol, composition du géopolymère et résistance obtenue sont fortement non linéaires. Les outils modernes d’apprentissage automatique—tels que les réseaux neuronaux et les machines à vecteurs de support—ont amélioré les prédictions, mais ils peuvent demander des réglages importants, surajuster de petits jeux de données et se comporter comme des « boîtes noires » opaques qui ne révèlent pas clairement quels ingrédients importent le plus.

Une machine d’apprentissage plus intelligente guidée par un essaim numérique

Les auteurs ont rassemblé 270 résultats d’essais issus d’études antérieures sur des argiles stabilisées par géopolymère, couvrant différents types de sols, mélanges de liants, concentrations alcalines et conditions de cure. Ils ont ensuite entraîné trois modèles de prédiction apparentés. Le moteur central, appelé machine d’apprentissage extrême (extreme learning machine), est un réseau neuronal rapide qui fixe la plupart de ses paramètres internes en une étape analytique au lieu d’un entraînement long par essais‑erreurs. Pour affiner ces paramètres internes, l’équipe a couplé le réseau à une routine d’optimisation « fruit fly » qui imite la manière dont les mouches cherchent de la nourriture. Dans leur version améliorée, l’optimisation sectorielle fruit fly, l’essaim virtuel ne dérive pas au hasard ; il explore l’espace de recherche en secteurs espacés régulièrement, améliorant la stabilité et aidant l’algorithme à converger plus rapidement vers une bonne solution.

De meilleures prévisions et une compréhension plus claire des facteurs clés

Testée sur des données inédites, la machine d’apprentissage de base prédisait déjà de manière satisfaisante la résistance en compression non confinée—c’est‑à‑dire la capacité de l’argile traitée à résister à l’écrasement. L’ajout de la recherche par essaim améliora encore la précision. L’essaim sectoriel donna les meilleures performances, réduisant l’erreur de prédiction d’environ 42 % par rapport au modèle de référence et de 19 % par rapport à la version fruit fly antérieure, tout en conservant une charge de calcul compatible avec un ordinateur portable ordinaire. La plupart des résistances prévues se situaient près des valeurs mesurées, et les motifs d’erreur suggéraient que le modèle généralisait bien plutôt que de simplement mémoriser les données d’entraînement.

Transformer des modèles complexes en recettes de sols pratiques

Pour ouvrir la « boîte noire », les chercheurs ont appliqué une technique appelée analyse SHAP, qui attribue à chaque entrée une contribution à la prédiction finale. Cela a révélé que la teneur en laitier (GGBS) était le facteur unique le plus influent pour augmenter la résistance, la plasticité de l’argile et la limite liquide jouant aussi des rôles importants. Certains paramètres de mélange—comme un excès de cendres volantes ou une plasticité très élevée—tendaient à diminuer la résistance, tandis qu’une concentration alcaline appropriée et un rapport sodium‑sur‑aluminium équilibré apportaient des effets positifs plus modestes. Ces enseignements, combinés aux prédictions précises, font de la machine d’apprentissage améliorée par l’essaim sectoriel fruit fly un outil prometteur pour guider la conception des mélanges géopolymères, aidant les ingénieurs à choisir des recettes qui produisent des sols solides et stables tout en réduisant le nombre d’essais et l’empreinte environnementale.

Citation: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Mots-clés: argile stabilisée par géopolymère, prévision de la résistance des sols, apprentissage automatique en géotechnique, amélioration durable des sols, machine d’apprentissage extrême