Prédiction axée sur les données du comportement charge–tassement des radiers à micropieux par apprentissage automatique et simulation de Monte-Carlo

Pourquoi de petits pieux sous de grands bâtiments comptent

Les villes modernes reposent sur des fondations profondes pour maintenir la stabilité des bâtiments, même lorsqu’ils sont posés sur des argiles molles susceptibles de se comprimer et de se tasser lentement. Les ingénieurs recourent de plus en plus à des pieux très fins, appelés micropieux, associés à un radier en béton pour porter les charges en toute sécurité lorsque l’espace est restreint ou lorsque le sol est problématique. Cette étude explore comment les données et l’intelligence artificielle peuvent aider à prédire l’enfoncement de ces radiers à micropieux sous charge, offrant aux concepteurs un moyen plus rapide et plus fiable d’évaluer la sécurité et le comportement à long terme.

Petits pieux, grand soutien

Un radier à micropieux combine une dalle épaisse en béton et de nombreux pieux minces armés d’acier forés en profondeur. Bien que chaque pieu ne mesure que quelques centimètres de diamètre, leur action conjointe peut soutenir de grands ouvrages tout en limitant le tassement. Ils sont particulièrement utiles sur argile molle, où des fondations superficielles classiques s’enfonceraient trop. Le comportement de ce système est complexe car le radier, les nappes de micropieux et le sol environnant interagissent. Des paramètres tels que la longueur et l’espacement des pieux, la taille et l’épaisseur du radier, et la résistance de l’argile influent sur la répartition des charges et sur la compression du sol sous différents niveaux de sollicitation.

Constitution d’une base de tests riche

Pour étudier ce comportement, l’auteur a constitué une base de données de 480 cas expérimentaux issus de précédents essais en modèle réduit en laboratoire et de mesures à grande échelle sur le terrain concernant des radiers à micropieux en sols cohésifs. Pour chaque cas, les données incluent la géométrie du radier, la taille, le nombre et la disposition des micropieux, la résistance de l’argile et la charge appliquée, ainsi que le tassement mesuré. En maintenant des conditions d’argile relativement contrôlées tout en faisant varier l’agencement des fondations, l’ensemble de données se concentre sur l’effet des choix de conception sur la performance. Il se prête ainsi bien à l’entraînement de modèles informatiques capables d’apprendre des corrélations subtiles entre conception, propriétés du sol et mouvements du sol observés.

Apprendre au modèle à « lire » le sol

L’étude compare six méthodes d’apprentissage automatique courantes pour déterminer laquelle prédit le mieux le tassement à partir des entrées disponibles. Parmi elles figurent des techniques à base d’arbres comme les forêts aléatoires et les méthodes de boosting, une méthode par voisins, et deux méthodes à noyau : la régression par machines à vecteurs de support et la régression par processus gaussien. Tous les modèles sont soigneusement optimisés via l’optimisation bayésienne et la validation croisée afin d’éviter de s’appuyer sur un jeu de paramètres commode mais trompeur. Leur performance est jugée à l’aide de plusieurs mesures d’erreur et de contrôles visuels comparant les tassements prédits et mesurés sur de nombreux niveaux de charge. Bien que la plupart des modèles ajustent très bien les données d’entraînement, beaucoup peinent lorsqu’il s’agit de prédire des cas entièrement nouveaux.

Pourquoi un modèle se distingue

La régression par processus gaussien se révèle l’outil le plus fiable dans cette comparaison. Elle capte la relation courbe et non linéaire entre charge et tassement sans se contenter de mémoriser les résultats passés. Sur des jeux de test jamais vus par le modèle, elle conserve une grande précision avec une faible erreur moyenne mesurée en millimètres. Elle fournit aussi des bandes de confiance autour de chaque prédiction, indiquant son degré de certitude selon les conditions. Pour approfondir cela, l’étude alimente le modèle par des milliers de combinaisons d’entrées légèrement variées via une simulation de Monte‑Carlo, simulant de petites incertitudes sur les dimensions et la résistance du sol. La dispersion des tassements prédits reste étroite et les courbes charge–tassement moyennes prédites suivent de près celles mesurées expérimentalement.

Voir quels facteurs comptent le plus

Au‑delà de la précision brute, l’étude examine le mode de décision du modèle à l’aide d’un outil d’interprétabilité appelé SHAP. Cette analyse montre que le facteur le plus influent est la charge appliquée elle‑même, suivi par la longueur des pieux et la largeur du radier, qui contrôlent ensemble la manière dont les efforts sont transférés au sol. Le nombre et l’espacement des pieux jouent également un rôle, mais dans une moindre mesure sur la plage testée. La résistance de l’argile et l’épaisseur du radier semblent moins proéminentes dans le classement statistique parce qu’elles sont fortement corrélées dans les données disponibles, et non parce qu’elles manquent d’importance physique. Globalement, le classement des caractéristiques influentes s’aligne bien avec l’intuition d’ingénierie de longue date sur le comportement des fondations en argile molle.

Ce que cela signifie pour les conceptions futures

Ce travail montre que l’apprentissage automatique soigneusement réglé, en particulier la régression par processus gaussien combinée à la simulation de Monte‑Carlo, peut offrir aux ingénieurs un outil pratique pour prédire le tassement des radiers à micropieux sous différentes charges tout en quantifiant l’incertitude de ces prédictions. Pour l’instant, les résultats sont les plus robustes dans les conditions contrôlées des laboratoires et des essais de terrain sélectionnés, et l’étude appelle à disposer de davantage de données à l’échelle réelle et d’un spectre de sols plus large. Malgré tout, le cadre illustre comment des modèles dirigés par les données et la connaissance géotechnique traditionnelle peuvent s’associer pour concevoir des fondations plus sûres et plus efficaces sur des terrains difficiles.

Citation: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Mots-clés: radiers à micropieux, apprentissage automatique, régression par processus gaussien, comportement charge–tassement, simulation de Monte‑Carlo