🤖 AI

Soil Compaction Parameters Prediction Based on Automated Machine Learning Approach

Cette étude démontre qu'une approche d'apprentissage automatique automatisé (AutoML), utilisant spécifiquement l'algorithme XGBoost, prédit efficacement les paramètres de compactage du sol (Teneur en eau optimale et Densité sèche maximale) avec une grande précision et une capacité de généralisation à travers divers types de sols, offrant ainsi une alternative supérieure aux méthodes de laboratoire traditionnelles et aux modèles empiriques.

Auteurs originaux : Caner Erden, Alparslan Serhat Demir, Abdullah Hulusi Kokcam, Talas Fikret Kurnaz, Ugur Dagdeviren

Publié 2026-06-11

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Caner Erden, Alparslan Serhat Demir, Abdullah Hulusi Kokcam, Talas Fikret Kurnaz, Ugur Dagdeviren

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 construisiez une maison ou une route. Avant de pouvoir poser les fondations, vous devez compacter la terre fermement pour qu'elle ne s'affaisse pas plus tard. Ce processus est appelé compactage du sol.

Pour bien le faire, les ingénieurs ont besoin de connaître deux recettes secrètes pour la terre :

Quelle quantité d'eau ajouter : Trop sèche, elle ne collera pas ; trop humide, elle se transformera en boue. C'est la « Teneur en Eau Optimale » (TEO).
Quelle force de compactage appliquer : Cela détermine la « Densité Sèche Maximale » (DSM), c'est-à-dire à quel point la terre peut devenir lourde et solide.

L'ancienne méthode : La cuisine lente et désordonnée

Traditionnellement, trouver ces recettes revient à essayer de cuisiner un gâteau parfait à la main dans une cuisine obscure. Les ingénieurs doivent se rendre en laboratoire, prélever un échantillon de sol, le mélanger avec différentes quantités d'eau, le compacter avec des marteaux lourds et mesurer les résultats. Ils doivent faire cela au moins six fois pour chaque emplacement afin de réussir. C'est lent, coûteux et cela demande beaucoup de main-d'œuvre humaine.

La nouvelle méthode : Le chef intelligent (AutoML)

Ce document présente une nouvelle méthode utilisant l'Intelligence Artificielle (IA), plus précisément un outil appelé AutoML (Apprentissage Automatique Automatisé).

Considérez l'AutoML comme un chef super intelligent et automatisé. Au lieu qu'un chef humain essaie de deviner quelles épices utiliser ou combien de temps cuire, vous donnez au chef un immense livre de recettes passées (des données provenant de 126 échantillons de sol différents). Le chef :

Essaie des milliers de stratégies de cuisine différentes automatiquement.
Détermine quelle stratégie fonctionne le mieux sans avoir besoin qu'un humain ajuste les réglages.
Apprend de ses erreurs lors des tentatives précédentes.

L'expérience : Tester le chef

Les chercheurs ont donné à ce « chef » un ensemble massif de données contenant des informations sur différents types de sols (comme le sable, l'argile et le gravier) et leurs propriétés (comme la limite de liquidité et la limite de plasticité). Ils ont demandé au chef de prédire les deux recettes secrètes (quantité d'eau et densité de compactage) en regardant simplement les ingrédients de base du sol.

Ils ont testé le chef à l'aide de quatre « configurations de cuisine » :

La configuration par défaut : Laisser le chef utiliser ses réglages standards.
La configuration « Meilleure Qualité » : Dire au chef : « Prenez votre temps, essayez tout, et obtenez le meilleur résultat possible. »
La configuration « Multimodale » : Un réglage spécifique pour gérer différents types de données.
La configuration Hybride : Combiner l'approche « Meilleure Qualité » avec la gestion spécifique des données.

Les résultats : Qui a gagné le concours de cuisine ?

Après avoir effectué les tests, les chercheurs ont découvert qu'un algorithme spécifique (un type de recette mathématique) a été le plus performant. Il s'appelait XGBoost.

Pour la « Quantité d'Eau » (TEO) : Le chef XGBoost a réussi 89,1 % du temps.
Pour la « Densité de Compactage » (DSM) : Il a réussi 80,4 % du temps.

Ces scores sont bien meilleurs que beaucoup de tentatives précédentes utilisant d'anciennes méthodes d'IA. L'étude a également révélé que l'ingrédient le plus important que le chef a observé était la Limite de Liquidité (LL) — essentiellement, la quantité d'eau que le sol peut absorber avant de devenir liquide.

Pourquoi cela importe

Le document affirme que cette approche change la donne car :

C'est Rapide : Cela évite les longs tests manuels en laboratoire.
C'est Intelligent : Cela fonctionne bien même lorsque le sol est un mélange de différents types (hétérogène), ce qui confond habituellement les anciens modèles.
C'est Fiable : En utilisant la méthode « AutoML », le système trouve automatiquement la meilleure façon de résoudre le problème sans tâtonnement humain.

La vision du futur (selon le document)

Les auteurs suggèrent que ce n'est pas seulement une expérience de laboratoire. Ils envisagent un futur où ce « chef intelligent » fait partie d'un chantier de construction intelligent. Imaginez un compacteur (la machine qui tasse la terre) équipé de capteurs. Pendant qu'il roule, il pourrait envoyer instantanément les données du sol à l'IA, qui dirait ensuite à la machine exactement quelle quantité d'eau pulvériser ou avec quelle force compacter, et ce, en temps réel. Cela transforme un jeu de devinettes lent et manuel en un processus automatisé, rapide et précis.

En bref : Ce document montre qu'en laissant un ordinateur apprendre automatiquement à partir de données de sol passées, nous pouvons prédire exactement comment compacter la terre pour la construction, bien plus rapidement et plus précisément qu'auparavant.

Résumé Technique : Prédiction des Paramètres de Compactage du Sol Basée sur une Approche d'Apprentissage Automatique Automatisé

Énoncé du Problème
Le compactage du sol est un processus fondamental en ingénierie de la construction, crucial pour assurer la stabilité des structures telles que les remblais routiers et les barrages en terre. Les paramètres clés régissant ce processus sont la Teneur en Eau Optimale (TEO) et la Densité Sèche Maximale (DSM). Traditionnellement, ces valeurs sont déterminées par des expériences de laboratoire laborieuses et chronophages, spécifiquement les essais Proctor Standard et Modifié, qui nécessitent une préparation d'échantillons étendue et de multiples itérations pour générer des courbes de compactage précises. Bien que des modèles de régression empiriques et diverses techniques d'Intelligence Artificielle (IA) (incluant les réseaux de neurones artificiels, la régression par vecteurs de support et la programmation génétique) aient été proposés comme alternatives, ils font souvent face à des défis concernant la précision de la prédiction et la généralisabilité, particulièrement lorsqu'ils sont appliqués à des ensembles de données hétérogènes représentant divers types de sols. De plus, le réglage manuel des hyperparamètres dans les flux de travail traditionnels de l'apprentissage automatique (ML) peut limiter la performance des modèles.

Méthodologie
Cette étude propose une approche d'Apprentissage Automatique Automatisé (AutoML) pour prédire la TEO et la DSM, en utilisant la bibliothèque AutoGluon Tabular Prediction. La méthodologie comprend les étapes suivantes :

Acquisition et Prétraitement des Données : Le jeu de données primaire comprend 115 échantillons de sol (après suppression de 11 doublons d'un total initial de 126) provenant de Günaydın [4]. Le jeu de données comprend neuf classes de sols distinctes (SC, GM, GC, ML, MH, MI, CL, CH, CI). Les caractéristiques d'entrée consistent en la limite de liquidité (LL), la limite de plasticité (PL), la teneur en gravier (G%), la teneur en sable (S%) et la teneur en fines (F%). Les variables cibles sont la TEO et la DSM. Pour valider la robustité, l'étude fait également référence à trois jeux de données externes représentant des types de sols hétérogènes, à grains fins et à grains grossiers.
Cadre AutoML : L'étude emploie AutoGluon, qui automatise la sélection d'algorithmes, l'optimisation des hyperparamètres et l'ingénierie des caractéristiques. Contrairement aux méthodes traditionnelles nécessitant une intervention manuelle intensive, AutoGluon utilise des préréglages (presets) et un empilement (stacking) automatisé pour optimiser la performance du modèle.
Configurations Expérimentales : Quatre configurations de formation distinctes ont été définies pour évaluer la performance :
- Configuration 1 : Paramètres par défaut d'AutoGluon.
- Configuration 2 : Utilisation du préréglage « Best Quality » pour prioriser la précision.
- Configuration 3 : Spécification de l'hyperparamètre 'multimodal'.
- Configuration 4 : Une combinaison du préréglage « Best Quality » et de l'hyperparamètre 'multimodal'.
Évaluation du Modèle : Divers algorithmes de ML (incluant XGBoost, LightGBM, CatBoost, Random Forest et les réseaux de neurones) ont été entraînés et évalués à l'aide de scores R-carré ( $R^2$ ) sur les ensembles de test et de validation. L'importance des caractéristiques a également été analysée pour déterminer l'influence des variables d'entrée.

Résultats Clés
L'étude a comparé la performance des quatre configurations à travers les tâches de prédiction de la TEO et de la DSM :

Configuration Optimale : La Configuration 4 (combinant le préréglage « Best Quality » et l'hyperparamètre 'multimodal') a produit la performance la plus élevée pour la prédiction de la TEO, tandis que la Configuration 2 (préréglage « Best Quality ») s'est révélée très efficace pour la DSM.
Meilleur Algorithme Performant : L'algorithme d'Extreme Gradient Boosting (XGBoost) a systématiquement démontré une performance supérieure.
- Prédiction de la TEO : Le modèle XGBoost dans la Configuration 4 a atteint un score $R^2$ de test de 0,891.
- Prédiction de la DSM : Le modèle XGBoost dans la Configuration 2 a atteint un score $R^2$ de test de 0,804.
Importance des Caractéristiques :
- Pour la TEO, la limite de liquidité (LL) a été identifiée comme la caractéristique la plus significative (Importance : 0,473), suivie par la teneur en fines (F%) et la teneur en sable (S%). La teneur en gravier (G%) a montré une importance négligeable.
- Pour la DSM, la limite de liquidité (LL) est à nouveau la caractéristique la plus influente (Importance : 0,356), suivie par la limite de plasticité (PL) et la teneur en fines (F%).
Généralisation : Les modèles ont démontré leur efficacité à travers différents types de sols, renforçant la valeur de l'utilisation de jeux de données hétérogènes pour améliorer la généralisation des modèles.

Signification et Revendications
L'article affirme que cette recherche représente la première application de l'AutoML spécifiquement pour la prédiction du compactage du sol, se distinguant des études antérieures qui se concentraient sur la liquéfaction des sols, la susceptibilité aux glissements de terrain ou la stabilité des pentes. Les principales contributions sont :

Démonstration de l'Efficacité de l'AutoML : L'étude valide que l'AutoML peut automatiser la sélection des algorithmes et des hyperparamètres optimaux, menant à une précision et une évolutivité supérieures par rapport aux approches de ML manuelles.
Amélioration de la Précision de Prédiction : En exploitant l'AutoML, l'étude a obtenu des valeurs $R^2$ élevées (89,1 % pour la TEO et 80,4 % pour la DSM), suggérant une alternative fiable aux tests de laboratoire traditionnels.
Fondation pour une Construction Intelligente : Les auteurs postulent que cette approche sert de composante fondamentale pour l'intégration de systèmes de fabrication et de services intelligents dans l'industrie de la construction. Ils suggèrent que de tels modèles pourraient être intégrés dans les flux de travail des infrastructures intelligentes, permettant potentiellement un support de décision en temps réel et des ajustements automatisés des équipements pour optimiser les efforts de compactage.
Efficacité Fondée sur les Données : La recherche contribue à des pratiques de construction plus efficaces et plus fiables en transformant la prédiction des paramètres de compactage du sol d'un processus manuel et chronophage en un processus piloté par les données et automatisé.