Évaluation comparative des approches d’apprentissage automatique et d’apprentissage profond pour la prédiction de la résistance à la compression du béton géopolymère

Une nouvelle façon de concevoir un béton plus écologique

Le béton est l’épine dorsale des villes modernes, mais la fabrication du ciment traditionnel libère d’importantes quantités de dioxyde de carbone. Le béton géopolymère offre une alternative plus propre, pourtant les ingénieurs peinent encore à prévoir sa résistance après durcissement. Cette étude montre comment des outils de données modernes, notamment l’apprentissage automatique et l’apprentissage profond, peuvent apprendre à partir de centaines d’expériences passées pour prévoir la résistance des mélanges de béton géopolymère et orienter une construction plus verte avec moins d’essais coûteux.

Pourquoi obtenir un béton plus écologique est difficile

Le béton géopolymère remplace une grande partie du ciment ordinaire par des sous‑produits industriels tels que les cendres volantes, le laitier, le métakaolin et la fumée de silice. Ces poudres réagissent avec des liquides alcalins pour former un matériau solide, semblable à la pierre, qui peut égaler ou dépasser la résistance du béton standard tout en réduisant les émissions de carbone d’environ 70 % dans certains cas. Mais cette recette plus écologique est délicate : la résistance dépend de nombreux facteurs interdépendants, notamment le type et la quantité de poudres, la dose et la concentration des liquides alcalins, la quantité d’eau et d’additifs chimiques, les grains de sable et de gravier, les fibres ajoutées pour la ténacité, ainsi que la durée et les conditions de cure. Parce que tous ces ingrédients interagissent de manière complexe et non linéaire, de simples équations ne suffisent pas à prédire la résistance d’un nouveau mélange.

Constituer un jeu de données d’ensemble

Pour affronter cette complexité, les auteurs ont assemblé une grande base de données unifiée à partir de 19 études publiées, couvrant 594 mélanges différents de béton géopolymère. Chaque enregistrement décrit les ingrédients clés tels que les quantités de cendres volantes, laitier, métakaolin, fumée de silice, sable, gravier, eau, liquides alcalins et superplastifiant, ainsi que les fibres d’acier et de polypropylène et l’âge de cure en jours. L’équipe a soigneusement nettoyé les données : elle a supprimé les doublons, harmonisé les unités et les noms de variables, et n’a conservé que les mélanges disposant d’informations complètes. Cela a produit un ensemble diversifié mais cohérent couvrant une large gamme de résistances, des bétons relativement faibles aux bétons très performants, reflétant la répartition réelle observée dans de nombreux laboratoires.

Laisser les machines apprendre des mélanges passés

Avec cette base de données en main, les chercheurs ont entraîné un ensemble de modèles de prédiction. Du côté classique, ils ont utilisé plusieurs méthodes d’apprentissage automatique, notamment les arbres de décision, les forêts aléatoires et des techniques avancées de « boosting » qui combinent de nombreux petits modèles en un prédicteur global puissant. Côté apprentissage profond, ils ont testé deux réseaux neuronaux de profondeurs différentes et un modèle tabulaire moderne appelé TabNet, qui utilise un mécanisme d’attention pour se concentrer sur les ingrédients les plus informatifs. Les données ont été réparties de sorte que 80 % des mélanges servent à entraîner les modèles, tandis que les 20 % restants sont réservés pour tester la capacité de chaque méthode à prédire des résultats non vus en utilisant des mesures standard d’erreur et de qualité d’ajustement.

Quels modèles ont le mieux fonctionné et pourquoi

Le grand vainqueur parmi les approches d’apprentissage automatique a été une méthode de boosting appelée CatBoost, qui a fourni des prédictions de résistance très précises et s’est bien ajustée aux données de test sur toute la plage des valeurs. Un autre modèle boosté, XGBoost, arrive en deuxième position proche. Parmi les outils d’apprentissage profond, TabNet a obtenu les meilleurs résultats et a effectivement rivalisé avec le meilleur modèle d’apprentissage automatique, tandis qu’un réseau neuronal plus profond avec davantage de couches a en réalité obtenu de moins bons résultats, probablement parce que la taille du jeu de données était trop modeste pour une structure aussi complexe. Pour rendre ces prédictions « boîte noire » plus transparentes, les auteurs ont utilisé un outil d’explication appelé SHAP, qui attribue un score d’importance à chaque entrée. Ces analyses ont montré que la teneur en laitier et l’âge de cure dominent systématiquement la prédiction de la résistance, suivis des autres ingrédients du liant, du dosage alcalin et des quantités d’agrégats, tandis que les fibres d’acier et plastiques jouent un rôle secondaire pour la résistance à la compression, bien qu’elles puissent fortement influencer la fissuration et la ténacité.

Ce que cela signifie pour la construction future

En bref, ce travail montre que les ordinateurs peuvent apprendre à partir de centaines de recettes passées de béton géopolymère pour fournir des estimations rapides et fiables de la résistance d’un nouveau mélange écologique. Plutôt que de couler et de broyer un grand nombre de cylindres d’essai, les ingénieurs peuvent utiliser ces modèles pour réduire le champ des combinaisons prometteuses de poudres liantes, de liquides activateurs et de durées de cure avant d’aller au laboratoire. L’étude met également en évidence les ingrédients les plus influents, offrant des conseils pratiques : bien maîtriser la teneur en laitier, les niveaux d’activateur et les conditions de cure est beaucoup plus important pour la résistance à la compression que d’ajuster finement la quantité de fibres. Si ces modèles doivent encore être validés sur des jeux de données plus larges et plus standardisés, ce cadre marque une avancée significative vers une conception de béton guidée par les données et à plus faible empreinte carbone.

Citation: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Mots-clés: béton géopolymère, apprentissage automatique, apprentissage profond, prédiction de la résistance à la compression, construction durable