Comparaison des approches d'apprentissage automatique et d'apprentissage profond pour prédire la réponse sismique des jonctions dalle-colonne

Pourquoi des planchers plus sûrs en cas de séisme comptent

De nombreux bâtiments urbains reposent sur des dalles en béton plates posées directement sur des colonnes, sans poutres profondes de soutien. Lors d’un séisme, les jonctions où se rencontrent dalles et colonnes peuvent céder brutalement, provoquant l’affaissement des planchers et l’effondrement partiel des immeubles. Cette étude examine comment des outils modernes basés sur les données peuvent aider les ingénieurs à mieux prévoir le comportement de ces jonctions critiques lors de forts mouvements, afin de concevoir ou de vérifier les bâtiments avec plus de confiance.

Comment les jonctions peuvent céder soudainement

Dans les bâtiments à dalles planes, la colonne doit transmettre à la fois le poids vertical et les forces sismiques horizontales vers la dalle. Si les contraintes se concentrent trop autour de la colonne, la dalle peut être perforée autour de celle‑ci, comme un poinçon traversant du papier. Cette rupture fragile survient sans beaucoup d’avertissement et peut déclencher un effondrement progressif. Parallèlement, l’ensemble du bâtiment oscille, ce que mesure le taux de dérive (drift ratio), qui indique aux ingénieurs l’inclinaison relative de la structure par rapport à sa hauteur. À la fois le moment de poinçonnement local à la jonction et la dérive globale sont contrôlés par de nombreux facteurs, notamment l’épaisseur de la dalle, la taille de la colonne, la quantité d’armature, la résistance du béton et le caractère du chargement sismique.

Utiliser des essais antérieurs et des ordinateurs comme outils d’apprentissage

Les auteurs ont constitué une base de données de 217 essais de laboratoire soigneusement documentés sur des jonctions dalle‑colonne soumis à des sollicitations simulant un séisme. Chaque essai comprenait les dimensions géométriques, les résistances des matériaux, les détails d’armature, la charge de gravité appliquée, le type de chargement, ainsi que le moment de poinçonnement et le taux de dérive mesurés à la rupture. Ils ont ensuite séparé ces informations en ensembles d’entraînement et de test, de sorte que les modèles informatiques soient évalués sur leur capacité à prédire des résultats qu’ils n’avaient pas vus. Avant la modélisation, l’équipe a nettoyé les données, géré les valeurs manquantes, mis à l’échelle les plages numériques et examiné la relation de chaque variable avec la rupture à l’aide d’outils visuels tels que boîtes à moustaches et nuages de points.

Comparer de nombreuses manières de faire apprendre les ordinateurs

Pour déterminer quelles techniques fonctionnent le mieux, l’étude a comparé un large éventail de méthodes d’apprentissage automatique à plusieurs approches d’apprentissage profond. Le groupe d’apprentissage automatique comprenait des formules linéaires simples, des versions régularisées visant à éviter le surapprentissage, et des ensembles d’arbres plus flexibles tels que random forest, gradient boosting et XGBoost. Le groupe d’apprentissage profond a utilisé des architectures de réseaux neuronaux plus courantes en analyse d’images ou de séquences, notamment des réseaux convolutionnels, récurrents, des LSTM (long short term memory) et un modèle hybride combinant couches convolutionnelles et récurrentes. Contrairement aux problèmes d’images, ces réseaux profonds ont été alimentés ici par des tableaux structurés de nombres d’ingénierie reformatés en séquences unidimensionnelles.

Ce que les modèles ont révélé sur la résistance et la dérive

Pour prédire le moment de poinçonnement à la jonction dalle‑colonne, les meilleurs résultats ont été obtenus par des modèles d’apprentissage automatique construits à partir de nombreux arbres de décision. Le gradient boosting a atteint la meilleure précision sur les jeux de test non vus, suivi de près par XGBoost et random forest. Ces modèles ont capté le mélange complexe et non linéaire de géométrie, matériaux et chargement qui gouverne la résistance locale de la jonction. Pour prédire le taux de dérive, qui reflète l’oscillation globale du système, random forest est arrivé en tête, bien que toutes les approches aient trouvé cette tâche plus difficile et aient produit davantage de dispersion. Les modèles d’apprentissage profond, en particulier le type hybride, n’ont pas surpassé les méthodes basées sur les arbres sur ce jeu de données tabulaire relativement petit et ont exigé beaucoup plus de ressources de calcul.

Ce que cela implique pour une conception des bâtiments plus sûre

Pour un non‑spécialiste, le message principal est que des outils d’apprentissage automatique choisis avec soin peuvent déjà fournir aux ingénieurs des estimations plus précises de la manière et du moment où les jonctions dalle‑colonne pourraient céder lors d’un séisme, en particulier pour la résistance locale au poinçonnement et, dans une moindre mesure, pour la dérive globale. Dans cette étude, les méthodes traditionnelles d’apprentissage automatique basées sur les arbres ont surpassé les réseaux d’apprentissage profond plus en vogue pour les données disponibles, offrant une meilleure précision avec moins de complexité. Les auteurs recommandent d’utiliser ces modèles comme aide à la décision en complément des règles de conception existantes, plutôt que de remplacer le jugement d’ingénierie. Avec des jeux de données plus importants et des caractéristiques raffinées, ces méthodes pilotées par les données pourraient devenir un outil pratique d’évaluation sismique courante des bâtiments à dalles planes.

Citation: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Mots-clés: conception parasismique, bâtiments à dalles planes, apprentissage automatique, cisaillement par poinçonnement, taux de dérive