🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

Cette étude utilise des réseaux de neurones artificiels avec une fonction de perte d'erreur quadratique logarithmique pour prédire avec précision la durée de vie en fatigue du béton bitumineux en fonction de la déformation, de la teneur en liant et de la teneur en vides, démontrant qu'une teneur en liant plus élevée améliore significativement la durabilité tout en fournissant des outils en libre accès pour les recherches futures.

Auteurs originaux : Jakub Houlík, Jan Valentin, Václav Nežerka

Publié 2026-02-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jakub Houlík, Jan Valentin, Václav Nežerka

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 l'asphalte (la matière dont sont faites les routes) comme un gâteau géant et complexe. Les « ingrédients » sont des pierres concassées et une colle collante semblable au goudron appelée bitume. Tout comme un gâteau peut se fissurer si vous le pliez de haut en bas de manière répétée, les routes se fissurent sous le poids de millions de voitures. Ce processus est appelé « fatigue », et déterminer combien de temps la route durera avant de se fissurer est un véritable casse-tête pour les ingénieurs.

Traditionnellement, pour savoir combien de temps une route durera, les ingénieurs doivent « cuire » de petits gâteaux de test en laboratoire et les plier encore et encore. C'est lent, coûteux et cela prend des semaines.

Ce document traite de l'enseignement à un ordinateur (plus précisément un « Réseau de Neurones », un type d'IA qui apprend comme un cerveau humain) pour prédire combien de temps ces « gâteaux » routiers dureront sans avoir besoin d'attendre les longs tests en laboratoire.

Voici le détail de ce qu'ils ont fait, en utilisant des analogies simples :

1. Les ingrédients comptent le plus

Les chercheurs se sont concentrés sur trois « ingrédients » principaux qui affectent la durée de vie de la route :

Niveau de déformation (Strain Level) : À quel point la route est pliée (comme la façon dont on plie un trombone avant qu'il ne casse).
Teneur en liant (Binder Content) : Quelle quantité de colle collante (bitume) se trouve dans le mélange.
Vides d'air (Air Voids) : Combien de petites bulles d'air sont piégées à l'intérieur du gâteau.

Ils ont rassemblé des données provenant de quatre études scientifiques différentes, créant ainsi un « livre de recettes » de 245 échantillons de route différents.

2. Nettoyage des données (La magie de la « Box-Cox »)

Les données collectées étaient désordonnées. La plupart des routes duraient un temps « normal », mais quelques-unes duraient beaucoup plus longtemps, créant une longue queue disproportionnée dans les données (comme quelques géants dans une pièce où tout le monde est de taille moyenne).

Pour corriger cela, ils ont utilisé un tour mathématique appelé transformation Box-Cox. Considérez cela comme un mixeur qui lisse les données bosselées afin que l'ordinateur puisse mieux les digérer. Ils ont également vérifié les « valeurs aberrantes » (données étranges ou cassées) à l'aide d'un « Z-score », qui est comme un détecteur de métaux pour les mauvaises données. Heureusement, leurs données étaient propres, ils n'ont donc pas eu à en jeter.

3. Entraînement du cerveau de l'IA

Ils ont construit un cerveau numérique (un Réseau de Neurones) pour apprendre la relation entre les ingrédients et la durée de vie de la route.

L'Architecture : Ils ont essayé différentes formes pour ce cerveau. Ils ont découvert qu'un cerveau avec deux couches cachées (deux niveaux de réflexion) et 200 neurones (200 petits penseurs) dans chaque couche fonctionnait le mieux.
La Fonction d'Activation (ReLU) : C'est comme l'interrupteur « on/off » du cerveau. Ils ont trouvé que l'interrupteur « ReLU » était le meilleur pour garder le cerveau actif et en apprentissage, tandis que d'autres interrupteurs rendaient le cerveau léthargique ou trop simple.
L'Optimiseur (RMSprop) : C'est le professeur qui guide le cerveau. Ils ont trouvé que le professeur « RMSprop » était le plus stable et le plus efficace pour corriger les erreurs.

4. Deux façons différentes de mesurer le succès

Comme la durée de vie des routes varie énormement (certaines durent quelques milliers de cycles, d'autres des millions), ils ont essayé deux méthodes différentes pour noter les devoirs de l'IA :

LMSE (Linéaire) : Cette méthode accorde beaucoup d'importance à l'exactitude des grands nombres. C'est comme noter un examen où réussir les questions les plus difficiles donne le plus de points. Cette méthode était très précise globalement.
LMSLE (Logarithmique) : Cette méthode accorde plus d'importance à l'exactitude des petits nombres. C'est comme noter un examen où l'on obtient des points supplémentaires pour ne pas avoir manqué les questions faciles. Cela était meilleur pour prédire la durée de vie des routes qui ne durent pas très longtemps.

Le Résultat : L'IA est devenue incroyablement douée pour prédire l'avenir. Lorsqu'elle a été testée sur de nouvelles données, elle a obtenu un score (appelé R²) de 0,967 en utilisant la méthode linéaire. C'est comme obtenir un A+ à un examen très difficile.

5. Ce que l'IA a appris (La « Recette Secrète »)

En observant comment l'IA faisait ses prédictions, les chercheurs ont découvert des règles claires :

Plus de colle, c'est mieux : Les routes avec plus de bitume (liant) ont tendance à durer plus longtemps. La colle maintient les pierres ensemble et les garde flexibles.
Moins de bulles, c'est mieux : Les routes avec moins de bulles d'air (vides d'air) durent plus longtemps. Trop de bulles rendent la route faible et sujette aux fissures.
Le point idéal : L'IA suggère que pour qu'une route soit vraiment durable, elle devrait avoir au moins 5,5 % de liant. Cependant, ils ont noté que cela pourrait être trop pour les couches inférieures d'une route, où l'on utilise généralement moins de colle pour éviter que la route ne devienne trop molle sous la chaleur.

6. Le revers de la médaille (Limites)

Les auteurs sont honnêtes sur les limites de leur travail :

Le livre de recettes est petit : Ils n'avaient que 245 échantillons. Bien que ce soit beaucoup pour ce type spécifique de test, c'est peu pour qu'un ordinateur apprenne tout.
Biais : La plupart de leurs données provenaient de seulement quelques études. L'IA pourrait être « biaisée » envers ces types de routes spécifiques et ne pas être parfaite pour des types de routes totalement différents qu'elle n'a pas vus auparavant.
Pas de boule de cristal : L'IA est excellente pour prédire des routes qui ressemblent à celles du jeu d'entraînement. Si vous lui posez une question sur une route faite de matériaux complètement différents, elle pourrait se tromper.

L'essentiel

Ce document montre que nous pouvons utiliser un programme informatique intelligent pour deviner combien de temps une route durera en fonction de sa recette (combien de colle et combien de bulles d'air elle contient). Cela pourrait faire gagner un temps et de l'argent considérables aux ingénieurs en réduant le besoin de tests de laboratoire lents et répétitifs. Les chercheurs ont même mis leur code et leurs données en ligne pour que d'autres puissent vérifier leur travail ou tenter d'améliorer la « recette ».

Résumé technique : Prédiction de la durée de vie en fatigue du béton bitumineux à l'aide de réseaux de neurones

Énoncé du problème
La durabilité du béton bitumineux (BB) est fondamentalement liée à sa durée de vie en fatigue, un paramètre qui dicte les coûts de maintenance et la longévité structurelle. Les méthodes d'évaluation traditionnelles, telles que l'essai de flexion en quatre points (4PB), sont gourmandes en ressources et chronophages, nécessitant souvent des semaines pour la préparation et le mûrissement des éprouvettes, suivies de plusieurs heures ou jours de test. Bien que l'apprentissage automatique (ML) offre une voie pour prédire la durée de vie en fatigue à partir de données existantes, les applications antérieures des réseaux de neurones artificiels (ANN) dans ce domaine ont souvent manqué de descriptions architecturales détaillées ou n'ont pas réussi à utiliser des ensembles de données hétérogènes et étendus. De plus, la variabilité inhérente des données de fatigue, qui suivent souvent une distribution logarithmique avec une asymétrie significative, pose des défis pour les modèles de régression standards.

Méthodologie
L'étude a employé des ANN pour prédire le nombre de cycles jusqu'à la rupture ( $N_f$ ) basé sur trois variables d'entrée principales : le niveau de déformation ( $\varepsilon$ ), le taux de bitume et le taux de vides d'air.

Collecte et prétraitement des données : L'ensemble de données comprenait 245 échantillons extraits de quatre publications scientifiques évaluées par les pairs, utilisant toutes des tests 4PB à une vitesse de déformation constante, une fréquence de 10 Hz et des températures de 20 °C (ou 70 °F). Pour traiter l'asymétrie importante et la distribution à longue traîne des données originales de $N_f$ , une transformation de Box–Cox a été appliquée avec un paramètre optimal $\lambda = -0,09$ . Cette normalisation a été validée par des tests de Shapiro–Wilk et des graphiques Q-Q. La détection des valeurs aberrantes a été effectuée à l'aide de scores Z standards et de scores Z modifiés (basés sur la déviation absolue médiane) ; aucune valeur aberrante n'a été identifiée, permettant la rétention de l'ensemble complet des données.
Architecture et entraînement du modèle : L'ANN a été développé en utilisant la bibliothèque Keras (modèle séquentiel). Les variables d'entrée ont été normalisées via MinMaxScaler. L'architecture du modèle a été optimisée par une recherche systématique d'hyperparamètres, évaluant le nombre de couches cachées ( $n_h$ ), le nombre de neurones par couche ( $n_{neur,h}$ ), les fonctions d'activation et les optimiseurs. L'architecture finale sélectionnée présentait deux couches cachées de 200 neurones chacune, utilisant la fonction d'activation ReLU et l'optimiseur RMSprop.
Fonctions de perte et validation : Pour s'adapter à la large gamme de données de fatigue, deux fonctions de perte distinctes ont été employées : l'erreur quadratique moyenne (LMSE) et l'erreur logarithmique quadratique moyenne (LMSLE). L'ensemble de données a été divisé en 75 % pour l'entraînement (divisé plus loin en 80 % d'entraînement et 20 % de validation) et 25 % pour le test. Une approche de validation croisée à quatre plis a été utilisée pour garantir la robustesse et minimiser le surapprentissage. La performance du modèle a été évaluée à l'aide du coefficient de détermination ( $R^2$ ), du $R^2$ ajusté et de l'indice de dispersion (SI).
Résultats clés :
- Optimisation des hyperparamètres : La configuration $n_h = 2$ et $n_{neur,h} = 200$ a produit la performance la plus élevée. ReLU a systématiquement surpassé les fonctions d'activation linéaires et sigmoïdes. Parmi les optimiseurs, RMSprop a démontré une stabilité et une performance supérieures par rapport à Adam et Nadam, particulièrement lorsqu'il est associé à ReLU.
- Performance des fonctions de perte : Le modèle basé sur la LMSE a obtenu un $R^2$ plus élevé (0,967) sur l'ensemble de test, indiquant un fort alignement avec les observations de $N_f$ élevées. Inversement, le modèle basé sur la LMSLE a obtenu un $R^2$ plus faible (0,86) mais un indice de dispersion nettement plus bas (0,503 pour la LMSE contre 0,926 pour la LMSLE), suggérant que la LMSLE capture mieux l'ordre relatif et la distribution des échantillons ayant des valeurs de fatigue plus faibles.
- Influence des variables : Les graphiques de dépendance partielle ont révélé qu'un taux de vides d'air plus faible (idéalement en dessous de 3–4 %) et un taux de bitume plus élevé (généralement au-dessus de 5,5 %) sont corrélés à une durée de vie en fatigue prolongée. Les modèles ont confirmé qu'un taux de vides d'air élevé combiné à un faible taux de bitume réduit considérablement la résistance à la fatigue.

Signification et contributions
Les auteurs affirment que cette étude représente une application complète des réseaux de neurones pour la prédiction de la durée de vie en fatigue du BB pour les éprouvettes de laboratoire, se distinguant par la disponibilité ouverte du code et de l'ensemble de données via un dépôt GitHub. Les contributions clés incluent :

Transparence des données : Fournir une base en libre accès pour les recherches futures afin d'affiner les modèles et potentiellement de les étendre pour inclure des variables telles que les types de bitume et d'agrégats, qui ont été exclus de cette étude en raison de leur grande variabilité.
Rigueur méthodologique : Démontrer l'efficacité de l'optimisation des hyperparamètres et de la sélection de fonctions de perte appropriées (spécifiquement la LMSLE) pour gérer la nature logarithmique des données de fatigue.
Utilité pratique : Offrir un outil pour l'estimation préliminaire de la durée de vie en fatigue attendue, permettant aux ingénieurs d'ajuster les paramètres de conception de mélange (bitume et vides d'air) tôt dans le processus de conception afin de réduire la dépendance aux tests expérimentaux intensifs.

Limites
L'article reconnaît modestement que l'ensemble de données est relativement petit et déséquilibré, une partie substantielle provenant d'un nombre limité d'études. Cela peut introduire un biais vers les tendances des sources dominantes et limiter la généralisabilité, particulièrement pour les valeurs de $N_f$ extrêmes ou les scénarios de fatigue rares. Les auteurs notent que le modèle sert au mieux pour les mélanges ressemblant aux sources de données dominantes utilisées pour l'entraînement et que la collecte de données expérimentales supplémentaires est nécessaire pour améliorer la robustesse et la généralisabilité du modèle.