Modélisation constitutive informée par la microstructure des milieux granulaires sous chargements multidirectionnels : De l’échelle particulaire au continuum

Pourquoi le sol sous les turbines compte

À mesure que nous construisons davantage de parcs éoliens, de tunnels et de talus, nous comptons sur le sol pour supporter en toute sécurité des forces changeantes provenant du vent, des vagues et des tremblements de terre. Pourtant, le sol sous nos pieds n’est pas un bloc homogène ; c’est un amas de grains de sable dont les formes et l’arrangement évoluent continuellement lorsqu’ils sont poussés ou tirés. Cet article explique comment des chercheurs combinent des simulations informatiques détaillées des grains individuels avec l’intelligence artificielle moderne pour prédire le comportement de ces milieux granulaires sous des sollicitations complexes et réalistes.

Des grains lâches aux structures réelles

Les matériaux granulaires comme le sable, les résidus miniers ou le ballast ferroviaire présentent des comportements étonnamment complexes. Contrairement aux cristaux ou aux métaux, il n’existe pas d’équation simple indiquant comment un tas de grains réagira lorsqu’on le comprime dans plusieurs directions à la fois. En pratique, les concepteurs s’appuient sur des essais en laboratoire et des formules empiriques qui ne s’appliquent parfois qu’à un site ou un type de sol particulier. Or les sols réels se déposent sous l’effet de la gravité, portent la mémoire des sollicitations passées et sont soumis à des actions plurielles du vent, des vagues et des secousses sismiques. Une éolienne posée sur un fond marin en pente, par exemple, subit des combinaisons en permanence changeantes de forces verticales, horizontales et de torsion que les essais traditionnels prennent souvent mal en compte.

Observer chaque grain en mouvement

Pour combler cette lacune, les auteurs utilisent la méthode des éléments discrets, une technique numérique qui traite chaque grain comme une particule rigide individuelle. Dans leur laboratoire virtuel, des milliers de grains sont versés dans une petite boîte puis comprimés selon trois directions indépendantes tandis que l’ordinateur enregistre chaque force de contact et chaque réarrangement minime. L’équipe fait varier systématiquement les ingrédients clés qui contrôlent le comportement du sol : la pression initiale autour des grains, leur compaction, l’orientation des contraintes appliquées, l’alignement des couches internes (appelées lits) et la forme des grains, de presque sphériques à nettement allongées. À travers 260 simulations détaillées, ils observent comment ces facteurs raidissent ou affaiblissent le matériau, provoquent contraction ou dilatation et rendent sa structure interne anisotrope.

Comment la forme des grains et la structure affectent la résistance

Les simulations montrent que plusieurs caractéristiques souvent négligées peuvent modifier fortement la résistance du sol. Quand la pression moyenne ambiante est plus élevée, le sable virtuel devient plus rigide et peut supporter davantage de contraintes de cisaillement avant de commencer à se réarranger. Les empilements plus denses résistent mieux au cisaillement et ont tendance à se dilater, tandis que les assemblages lâches se compactent à mesure que les grains trouvent de nouvelles positions. Modifier l’orientation du chemin de contraintes — représentée par une quantité appelée angle de Lode — peut soit augmenter soit diminuer la résistance maximale et déplacer l’équilibre entre contraction et dilatation. De même, la rotation des plans de lit de l’horizontal au vertical réduit la résistance au cisaillement maximale, montrant que l’histoire de dépôt du sol a de l’importance. Même la forme des grains joue un rôle significatif : des assemblages de grains plus allongés supportent des contraintes maximales plus élevées et subissent de plus faibles variations de volume que des grains presque sphériques préparés à densité relative comparable.

Apprendre à un réseau neuronal à raisonner comme le sol

Bien que ces simulations haute résolution offrent des connaissances approfondies, elles sont trop coûteuses en calcul pour être intégrées dans des modèles d’ingénierie à grande échelle d’une fondation ou d’un talus entier. Pour franchir cet écart d’échelle, les auteurs construisent un modèle d’apprentissage profond — un réseau neuronal multilayer — qui apprend à reproduire la réponse simulée du sol. Au lieu de n’être alimenté que par des résultats d’essais simples, le réseau reçoit des descripteurs riches de l’état du matériau : la forme des particules, la pression et la densité initiales, des mesures de la stratification interne et les déformations en cours dans chaque direction. Grâce à une stratégie d’entraînement soigneusement conçue et à une fonction de coût qui met l’accent sur les phases initiales critiques de la déformation, le réseau apprend à prédire les trois composantes de contrainte qui correspondent étroitement aux simulations, y compris les effets directionnels subtils et les évolutions de la résistance à long terme.

Des grains virtuels à des conceptions plus sûres

Le résultat final est un nouveau type de modèle constitutif — une loi liant contrainte et déformation — informé par la physique à l’échelle des grains mais aussi rapide à exécuter qu’une formule d’ingénierie classique. Il peut rendre compte de la dépendance de la résistance du sol à la forme des grains, à la stratification et aux sollicitations complexes tridirectionnelles, sans nécessiter des dizaines de paramètres ajustés manuellement ni des essais spécifiques au site. Les auteurs envisagent d’intégrer ce modèle appris dans des logiciels d’éléments finis standard afin que les concepteurs de fondations d’éoliennes, de talus et de structures souterraines puissent prendre en compte des chargements multidirectionnels réalistes et l’évolution de la structure du sol. En termes simples, ce travail montre comment observer chaque grain dans une expérience virtuelle et synthétiser ce comportement dans un réseau neuronal entraîné peut conduire à des conceptions plus fiables et plus efficaces pour les infrastructures soutenant la transition énergétique.

Citation: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Mots-clés: sols granulaires, apprentissage profond, fondations d’éoliennes, simulations par éléments discrets, chargement multidirectionnel