🤖 AI

A fuzzy adaptive metaheuristic algorithm for identifying sustainable, economical, lightweight, and earthquake-resistant reinforced concrete cantilever retaining walls

Cette étude propose un nouvel algorithme métaheuristique adaptatif basé sur la logique floue pour optimiser les murs de soutènement en console en béton armé afin d'assurer la résilience sismique, réalisant des conceptions durables, économiques et légères en résolvant un problème d'optimisation contraint complexe à douze dimensions sous neuf conditions sismiques.

Auteurs originaux : Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Publié 2026-06-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un architecte chargé de construire un mur massif et ultra-robuste pour retenir un talus de terre. Ce n'est pas n'importe quel mur ; c'est un Mur de Soutènement en béton armé, conçu pour rester debout même lorsque le sol se met à trembler lors d'un séisme.

Le défi ? Trouver la conception « Goldilocks » (le juste milieu) :

Assez solide pour ne pas s'effondrer.
Assez légère pour économiser les matériaux.
Assez économique pour respecter le budget.
Assez écologique pour produire un minimum d'émissions de carbone.

Le problème est qu'il existe des millions de façons de construire ce mur (en modifiant l'épaisseur de la base, la hauteur de la tige, la quantité d'acier à l'intérieur, etc.). Essayer chaque combinaison à la main prendrait une éternité. C'est ici que les auteurs de cet article interviennent avec un nouveau programme informatique intelligent.

Voici une décomposition simple de ce qu'ils ont fait :

1. Le Problème : Un labyrinthe de millions de chemins

Imaginez la conception de ce mur comme une tentative de trouver le point le plus bas dans une immense chaîne de montagnes embrumées. Vous voulez trouver le fond absolu (la meilleure conception), mais il y a des milliers de vallées (solutions locales) qui ressemblent au fond, mais ne le sont pas. De plus, le terrain est parsemé de panneaux « Sens Interdit » (règles de sécurité). Si votre conception enfreint une règle de sécurité, le mur s'effondre et vous recevez une pénalité énorme.

Le mur possède 12 curseurs différents que vous pouvez régler (comme ajuster la largeur de la base ou la quantité d'acier). Tourner ces curseurs modifie le coût, le poids et la sécurité. L'objectif est de les régler sur le paramètre parfait.

2. La Solution : Une « Nuée » d'explorateurs intelligents et flous

Les auteurs ont créé un nouvel algorithme informatique appelé FAGLSUD. Pour comprendre comment il fonctionne, imaginez envoyer une équipe de 100 explorateurs dans cette chaîne de montagnes embrumée pour trouver le point le plus bas.

Au lieu de errer de manière aléatoire, ces explorateurs sont organisés en Empires (groupes), dirigés par les explorateurs les plus intelligents (appelés « Impérialistes »). Les autres sont des « Colonies » (des suiveurs).

L'algorithme utilise trois astuces spéciales pour aider l'équipe à trouver le meilleur endroit plus rapidement :

Astuce 1 : Le mouvement « Suivre le chef » (Apprentissage global)
Si un explorateur voit que le chef de son groupe ou le meilleur explorateur de toute la montagne est dans un meilleur endroit, il se déplace vers lui. Cela aide l'équipe à se focaliser sur de bonnes solutions rapidement.
Astuce 2 : Le mouvement « S'écarter du groupe » (Diversité universelle)
Parfois, tout le monde reste coincé dans la même petite vallée. Pour corriger cela, l'algorithme ordonne à certains explorateurs de regarder les meilleurs endroits d'autres groupes et de sauter dans une direction différente. Cela aide l'équipe à explorer de nouvelles zones pour ne pas manquer une meilleure vallée à proximité.
Astuce 3 : Le mouvement « Mutation » (Recherche locale)
C'est comme faire un petit pas de côté pour voir si un changement infime rend l'endroit encore meilleur. C'est un mécanisme de peaufinage pour polir la solution.

3. Le Cerveau « Flou » : Prendre des décisions sans manuel de règles

Voici la partie ingénieuse. Habituellement, les programmes informatiques ont besoin que les humains fixent des règles strictes (par exemple, « Si nous en sommes à 50 % du processus, avancez de 10 % plus vite »). Mais le monde réel est désordonné.

Les auteurs ont doté leurs explorateurs d'un « Cerveau Flou ». Au lieu de règles strictes de type « Oui/Non », le cerveau utilise des concepts comme « Faible », « Moyen » et « Élevé ».

Exemple : Si l'équipe est « bloquée » (ne trouve pas de meilleurs endroits) et qu'elle est « au début » de la recherche, le cerveau dit : « Hé, soyons plus aventureux et explorons davantage ! »
Exemple : Si l'équipe est « proche de la fin » et « se débrouille bien », le cerveau dit : « D'accord, arrêtons de vagabonder et concentrons-nous sur le polissage du meilleur endroit trouvé. »

Ce système « Flou » permet à l'ordinateur d'apprendre sur le tas et d'ajuster sa stratégie automatiquement, sans qu'un humain ait besoin de modifier les réglages.

4. Le Facteur Séisme

Le mur n'est pas simplement là à attendre ; il doit survivre à un séisme. L'ordinateur simule les secousses du sol en utilisant des coefficients « pseudo-statiques » (en gros, en faisant semblant que le tremblement est un poids poussant sur le mur). Ils ont testé neuf scénarios de séismes différents (d'un léger tremblement à une forte secousse) pour s'assurer que la conception résiste à tous ces cas.

5. Les Résultats : Le vainqueur remporte tout

Les auteurs ont testé leur nouvel algorithme de « Nuée Floue » contre d'autres programmes informatiques célèbres (comme les Algorithmes Génétiques, l'Optimisation par Essaim de Particules et d'autres).

Ils ont lancé la simulation 101 fois pour deux tailles de murs différentes pour être certains. Les résultats ont montré que leur nouvel algorithme était le champion. Il a systématiquement trouvé des conceptions qui étaient :

Moins chères (économie d'argent).
Plus légères (utilisation moindre de béton et d'acier).
Plus écologiques (production de moins de CO2).

L'essentiel à retenir

L'article affirme qu'en utilisant ce nouvel algorithme « Flou » auto-ajustable, les ingénieurs peuvent concevoir des murs résistants aux séismes qui sont plus sûrs, moins chers et meilleurs pour l'environnement que ce qui était possible auparavant avec les anciennes méthodes informatiques. C'est comme donner à une équipe d'explorateurs une carte intelligente et adaptative qui apprend au fur et à mesure, garantissant qu'ils trouvent le meilleur chemin possible à travers le brouillard.

Résumé Technique : Une métaheuristique adaptative floue pour la conception durable de murs de soutènement en béton armé (RCC)

Formulation du Problème
Cette étude traite de l'optimisation complexe des murs de soutènement en porte-à-faux en béton armé (RCC), spécifiquement dans les zones à risque sismique. Le défi de conception est caractérisé comme un problème d'optimisation contraint à douze dimensions impliquant huit variables géométriques continues (ex. : largeur de la base, épaisseur du voile) et quatre variables structurelles discrètes (surfaces d'armature en acier). L'objectif est d'identifier des conceptions qui sont simultanément durables (faibles émissions de CO2), économiques (coût faible) et légères, tout en maintenant l'intégrité structurelle sous des charges sismiques.

L'analyse utilise la méthode pseudo-statique, employant la théorie de Mononobe-Okabe (M-O) pour simuler les effets sismiques à travers neuf combinaisons distinctes de coefficients d'accélération horizontale ( $k_h$ ) et verticale ( $k_v$ ) allant de 0 à 0,3. L'optimisation est soumise à 26 contraintes rigoureuses dérivées de l'ACI 318-05 (2005) pour la résistance structurelle (capacité de cisaillement et de moment) et du DAS (1994) pour la stabilité géotechnique (renversement, glissement et capacité portante). L'espace de recherche est davantage complexifié par la nature non linéaire de ces contraintes et le type mixte de variables continues et discrètes.

Méthodologie : L'algorithme FAGLSUD
Pour naviguer dans cet espace de recherche de haute dimension et contraint, les auteurs proposent un nouvel algorithme FAGLSUD (Fuzzy Adaptive Global Learning Local Search Universal Diversity). Cette métaheuristique intègre des concepts d'intelligence en essaim (spécifiquement l'Algorithme de Compétition Impérialiste et l'Optimisation par Essaim de Particules) et d'algorithmes évolutionnaires (Évolution Différentielle), améliorés par des systèmes de logique floue (FLS) pour un contrôle adaptatif.

Les composantes clés de FAGLSUD incluent :

Structure de sous-population : L'espace de recherche est divisé en « empires » (sous-populations) contenant des « impérialistes » (meilleures solutions) et des « colonies » (autres solutions) pour faciliter le partage d'informations.
Trois opérateurs de recherche novateurs :
- Adaptation de la vitesse basée sur l'apprentissage global (GLVA - Global Learning-based Velocity Adaptation) : Se concentre sur l'exploitation en guidant les colonies vers leurs impérialistes et leurs meilleurs scores personnels, et les impérialistes vers le meilleur global.
- Divergence de vitesse basée sur la diversité universelle (UDVD - Universal Diversity-based Velocity Divergence) : Se concentre sur l'exploration en apprenant des solutions diverses à travers la population pour prévenir une convergence prématurée.
- Recherche locale améliorée par l'évolution différentielle (EDELS - Enhanced Differential Evolution-based Local Search) : Imite la descente de gradient pour améliorer le partage d'informations et le raffinement local via des phases de mutation et de croisement.
Mécanismes adaptatifs flous : Contrairement aux métaheuristiques traditionnelles nécessitant un réglage manuel des paramètres, FAGLSUD emploie des systèmes d'inférence floue (FIS) pour ajuster dynamiquement les paramètres de contrôle (ex. : coefficients d'apprentissage, facteurs d'échelle) et sélectionner l'opérateur de recherche le plus approprié.
- Variables d'entrée : Le FIS utilise des « puissances relatives normalisées » (mesurant la distance entre les solutions actuelles, les meilleurs locaux et le meilleur global) et le compte d'« itérations normalisées ».
- Actions de sortie : Le système adapte les paramètres pour équilibrer l'exploration et l'exploitation en fonction de l'état de convergence actuel (ex. : augmenter la diversification si l'algorithme stagne).
- Sélection d'opérateur : Un système de règles floues évalue la « stagnation » sur des fenêtres temporelles pour sélectionner de manière probabiliste quel opérateur de recherche (GLVA, UDVD ou EDELS) doit être appliqué lors de l'itération suivante.

Contributions Clés

Nouvel Algorithme : L'introduction de FAGLSUD, qui combine de manière unique la dynamique de sous-population avec trois stratégies de recherche distinctes, le tout régi par un cadre adaptatif flou qui élimine le besoin de réglage manuel des paramètres.
Conception Sismique Multi-Objectifs : Cette étude est la première à appliquer une telle technique d'optimisation automatisée aux murs en RCC en considérant simultanément neuf cas de chargement sismique pseudo-statique, ciblant trois fonctions objectives distinctes : coût minimum, poids minimum et émissions de CO2 minimales.
Intégration de la Durabilité : Le calcul explicite des émissions de CO2 incorporées basé sur les volumes de matériaux et les facteurs d'émission standards (base de données BEDEC), liant l'optimisation structurelle directement à la réduction de l'impact environnemental.
Robustesse : L'algorithme est conçu pour gérer la haute non-linéarité et la dimensionnalité du problème sans la surcharge de calcul d'une analyse de sensibilité des paramètres étendue.

Résultats et Performance
L'efficacité de FAGLSUD a été validée à l'aide de deux exemples de conception numérique (Exemple 1 et Exemple 2) présentant des contraintes limites variables. L'algorithme a été testé contre une suite de métaheuristiques classiques et de pointe, incluant l'Optimisation par Essaim de Particules (PSO), l'Optimisation par Loup Gris (GWO), l'Algorithme de Pollinisation Florale (FPA), l'Optimisation Basée sur la Biogéographie (BBO) et le Recuit Simulé (SA).

Configuration Expérimentale : Chaque algorithme a été exécuté 101 fois de manière indépendante avec une taille de population de 50 et un maximum de 1000 itérations.
Métriques de Performance : L'étude a comparé les valeurs moyennes des objectifs (Coût, Poids, CO2) et l'écart-type (SD) à travers les neuf scénarios sismiques.
Résultats : FAGLSUD a systématiquement surpassé les algorithmes comparatifs, atteignant des moyennes plus faibles pour les coûts, les poids et les émissions de CO2. La signification statistique de ces résultats a été vérifiée par le test de rang de Wilcoxon. Les mécanismes adaptatifs flous ont efficacement équilibré le processus de recherche, permettant à l'algorithme d'échapper aux optima locaux et de converger vers des solutions supérieures plus de manière plus fiable que ses homologues à paramètres fixes.

Signification et Revendications
L'article affirme que FAGLSUD offre une solution robuste et automatisée pour la conception durable d'infrastructures résistantes aux séismes. En intégrant la logique floue dans le mécanisme de recherche, la méthode résout le goulot d'étranglement du « réglage des paramètres » commun aux métaheuristiques, la rendant plus accessible et efficace pour les problèmes complexes de génie civil.

Les auteurs soulignent que leur approche comble une lacune de la recherche en abordant simultanément l'innovation algorithmique et les implications environnementales de la conception des murs en RCC. L'étude démontre que l'optimisation structurelle peut réduire considérablement le carbone incorporé des murs de soutènement sans compromettre la sécurité sismique ou la viabilité économique. La méthode proposée est présentée comme une étape vers des pratiques de construction plus durables face aux risques croissants de changement climatique et de séismes, offrant un outil qui maximise l'efficacité des matériaux tout en minimisant l'impact environnemental.