⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

Cette étude propose et évalue cinq algorithmes d'apprentissage automatique entraînés sur des données d'éléments finis pour prédire les dommages induits par une explosion sur des colonnes en béton armé, identifiant CatBoost comme le modèle le plus efficace et mettant en évidence la profondeur structurelle, le poids de la charge et la limite d'élasticité de l'armature comme les principaux facteurs d'influence.

Auteurs originaux : Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Publié 2026-07-02

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Article original sous licence CC BY 4.0 (https://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 un poteau en béton armé (BA) comme un tronc d'arbre robuste et renforcé par de l'acier. Maintenant, imaginez qu'une explosion massive se produise juste à côté de lui. L'onde de choc frappe l'arbre, et la grande question est la suivante : Quels dommages ce tronc subira-t-il ? Recevra-t-il quelques égratignures, une branche cassée, ou se brisera-t-il complètement en deux ?

Traditionnellement, les ingénieurs doivent répondre à cela en construisant des modèles physiques coûteux et dangereux en laboratoire ou en exécutant des simulations informatiques incroyablement complexes et lentes qui prennent des heures ou des jours pour se terminer. C'est comme essayer de prédire la météo en construisant une nouvelle atmosphère complète dans une pièce chaque fois que l'on veut savoir s'il va pleuvoir.

Ce document présente une méthode plus intelligente et plus rapide : l'Apprentissage Automatique (Machine Learning - ML). Considérez le ML comme un étudiant super intelligent qui a étudié des milliers de scénarios de type « et si... » et qui a appris les schémas de réaction de ces colonnes en béton face aux explosions. Au lieu de construire un nouveau modèle à chaque fois, nous demandons simplement à l'étudiant : « Voici les détails de l'explosion et de la colonne ; quels sont les dégâts ? »

Voici une décomposition de la manière dont ils ont procédé et de ce qu'ils ont trouvé, en utilisant des analogies simples :

1. Le terrain d'entraînement (Les données)

Avant que les « étudiants » (les modèles d'IA) ne puissent apprendre, les chercheurs ont dû créer une immense bibliothèque de problèmes d'entraînement. Ils n'ont pas utilisé de vraies explosions (ce qui est dangereux et coûteux) ; à la place, ils ont utilisé un programme informatique sophistiqué appelé LS-DYNA pour simuler des centaines d'explosions sur des colonnes virtuelles.

Ils ont créé un ensemble de données comprenant 10 « ingrédients » différents pour chaque scénario, tels que :

La taille de la colonne (profondeur et largeur).
La résistance du béton et de l'acier.
Le poids de la bombe.
La distance de la bombe.

2. Les cinq étudiants (Les algorithmes)

Les chercheurs n'ont pas seulement choisi une IA ; ils ont engagé cinq « étudiants » différents avec des styles d'apprentissage distincts pour voir qui serait le meilleur pour prédire les dommages.

Forêt Aléatoire (Random Forest - RF) : Comme un comité d'experts. Chacun examine le problème sous un angle légèrement différent et vote pour la réponse.
LightGBM, CatBoost et XGBoost : Ce sont comme une équipe de détectives qui travaillent en séquence. Le premier fait une supposition, le deuxième examine les erreurs du premier et essaie de les corriger, le troisième corrige les erreurs du deuxième, et ainsi de suite. Ils deviennent plus intelligents à chaque étape.
SVM (Machine à Vecteurs de Support) : C'est comme un arbitre strict qui essaie de tracer une ligne droite (ou une courbe lisse) pour séparer ce qui est « sûr » de ce qui est « endommagé ».

3. Le test (Qui a gagné ?)

Les chercheurs ont donné à tous les cinq étudiants un nouvel ensemble de problèmes qu'ils n'avaient jamais vus auparavant pour voir qui pouvait prédire les dommages avec le plus de précision.

Le vainqueur : CatBoost. Ce modèle était le champion incontesté. Il était le plus précis et le plus fiable. Il a mieux appris les schémas complexes et désordonnés des explosions que les autres.
Le dauphin : Forêt Aléatoire (Random Forest). Il était très cohérent et stable, bien qu'un peu moins précis que le vainqueur.
Les moins performants : XGBoost et LightGBM étaient corrects, mais présentaient plus de hauts et de bas dans leurs performances.
Le perdant : SVM. Ce modèle a complètement échoué. C'était comme essayer d'utiliser une règle pour mesurer une ligne sinueuse ; les dommages causés par une explosion sont trop désordonnés et imprévisibles pour ce type spécifique de pensée en « ligne droite ».

4. Qu'est-ce qui compte réellement ? (Les ingrédients clés)

Le modèle gagnant (CatBoost) a également indiqué aux chercheurs quels « ingrédients » étaient les plus importants. C'est comme un chef qui vous dit quels épices rendent le plat savoureux.

La profondeur de la colonne (Le grand vainqueur) : Le facteur le plus important était la « profondeur » ou l'épaisseur de la colonne. Rendre une colonne plus profonde, c'est comme rendre un tronc d'arbre plus épais ; cela le rend incroyablement difficile à briser. Ce seul facteur a représenté près de 38 % de la prédiction des dommages.
Le poids de la bombe : Évidemment, une bombe plus grosse cause plus de dégâts, mais la relation n'est pas une simple « double de la bombe, double des dégâts ». C'est un peu plus complexe, mais reste très important (environ 27 %).
La résistance de l'acier : La résistance des barres d'acier qui courent à l'intérieur du béton était le troisième facteur le plus important (14 %). Un acier plus résistant aide la colonne à tenir bon même après que le béton s'est fissuré.

Résultats surprenants :

Résistance du béton : Curieusement, rendre le béton plus résistant n'aidait pas autant que prévu une fois qu'il atteignait un certain seuil. C'est comme utiliser une pierre super dure pour un cale-porte ; une fois qu'elle est assez dure, la rendre encore plus dure n'empêche pas la porte de balancer.
Armature transversale (Les « étriers ») : Les petits liens en acier qui maintiennent les barres principales ensemble n'avaient pas beaucoup d'importance si la colonne était déjà construite selon les normes en vigueur. C'est comme ajouter des ceintures de sécurité supplémentaires à une voiture qui en possède déjà de bonnes ; cela ne change pas beaucoup le résultat lors d'un accident.

5. Pourquoi cela importe

L'article conclut que nous n'avons plus besoin de lancer de longues et coûteuses simulations informatiques pour chaque conception. Nous pouvons utiliser le modèle CatBoost pour prédire instantanément les dommages qu'un poteau subira lors d'une explosion.

Vitesse : C'est instantané.
Précision : C'est suffisamment fiable pour aider les ingénieurs à concevoir des bâtiments plus sûrs.
Sécurité : Cela aide à identifier quels bâtiments sont vulnérables et quels changements de conception (comme rendre les colonnes plus profondes ou utiliser un acier plus résistant) sauveront le plus de vies.

En résumé, les chercheurs ont construit une « boule de cristal » pour les ingénieurs. Au lieu de deviner ou d'attendre des jours pour une simulation, ils peuvent désormais demander à l'IA : « Si nous construisons une colonne de cette taille avec cette quantité d'acier, et qu'une bombe de cette taille explose ici, quels seront les dégâts ? » et obtenir une réponse fiable en quelques secondes.

Résumé technique : Développement d'algorithmes d'apprentissage automatique pour prédire le niveau de dommage des structures en béton armé exposées à des charges dynamiques extrêmes

1. Énoncé du problème

Les structures en béton armé (BA) sont de plus en plus vulnérables aux charges explosives en raison de la fréquence croissante des attaques terroristes et des accidents industriels potentiels. Les méthodes traditionnelles d'évaluation des dommages causés par une explosion — tests expérimentaux et simulations numériques — présentent des limitations significatives. L'analyse expérimentale est coûteuse, chronophage et pose de graves risques pour la sécurité. Inversement, bien que les simulations numériques (par exemple, l'analyse par éléments finis via LS-DYNA) offrent des informations détaillées, elles nécessitent des ressources de calcul étendues et une expertise spécialisée, ce qui les rend peu pratiques pour une conception préliminaire rapide ou un criblage de vulnérabilité à grande échelle.

Il existe un besoin critique pour une méthode plus simple, plus rapide et plus précise afin de prédire les niveaux de dommages des colonnes en BA sous un chargement de type souffle. Cette étude répond à cette lacune en étudiant l'efficacité des algorithmes d'apprentissage automatique (Machine Learning - ML) en tant qu'alternatives fondées sur les données aux méthodes de simulation traditionnelles.

2. Méthodologie

2.1 Génération de données et simulation numérique

La recherche a utilisé un ensemble de données complet généré par des simulations numériques plutôt que par des expériences physiques.

Logiciel : LS-DYNA a été utilisé pour modéliser la réponse dynamique des colonnes en BA sous un chargement explosif.
Détails du modèle : Les modèles représentaient des colonnes en BA rectangulaires (section de 500 × 700 mm, hauteur de 4400 mm) avec des armatures longitudinales et transversales spécifiques.
Modèles de matériaux :
- Béton : Modélisé à l'aide de MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) pour capturer le comportement non linéaire, l'accumulation de dommages et les effets de taux de déformation.
- Acier : Modélisé à l'aide de MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
- Taux de déformation : Des facteurs d'augmentation dynamique (DIF) basés sur le code de calcul CEB-FIB ont été appliqués au béton et à l'acier pour tenir compte des taux de déformation élevés typiques des événements de souffle.
Chargement : Les charges de souffle ont été simulées à l'aide d'un historique de pression-temps triangulaire simplifié appliqué à la surface de la colonne, défini par la surpression de pointe et la durée de la phase positive.
Validation : Le modèle numérique a été validé par rapport aux données expérimentales de Baylot et Benvis (2007), montrant un accord étroit concernant la déflexion à mi-hauteur et le déplacement résiduel.

2.2 Évaluation des dommages

Un indice de dommage ( $D$ ) a été défini sur la base de la capacité de charge axiale résiduelle de la colonne :
$D = 1 - \frac{P_{résiduelle}}{P_d}$
Où $P_{résiduelle}$ est la capacité de la colonne endommagée et $P_d$ est la capacité de la colonne intacte. Les niveaux de dommages ont été classés en quatre catégories : Faible ( $0 < D < 0,2$ ), Moyen ( $0,2 < D < 0,5$ ), Élevé ( $0,5 < D < 0,8$ ) et Effondrement ( $0,8 < D < 1$ ).

2.3 Cadre d'apprentissage automatique (Machine Learning)

Cinq algorithmes de ML distincts ont été entraînés et testés sur l'ensemble de données dérivé des modèles d'éléments finis :

Forêt aléatoire (Random Forest - RF)
Light Gradient Boosting Machine (LightGBM)
Categorical Boosting (CatBoost)
Extreme Gradient Boosting (XGBoost)
Machine à vecteurs de support (Support Vector Machine - SVM)

Caractéristiques d'entrée (10 paramètres) :

Géométriques : Profondeur de la colonne ( $D$ ), largeur ( $w$ ), hauteur ( $H$ ).
Matériaux : Résistance à la compression du béton ( $f_c$ ), limite d'élasticité de l'acier longitudinal ( $f_y$ ), limite d'élasticité de l'acier transversal ( $f_{yt}$ ), ratio d'armature longitudinale ( $\rho$ ), ratio d'armature transversale ( $\rho_s$ ).
Souffle : Poids de la charge ( $W$ ), distance réduite ( $Z$ ).

3. Principales contributions

Analyse comparative : L'étude fournit une comparaison rigoureuse de cinq algorithmes de ML de pointe spécifiquement pour le problème non linéaire et riche en seuils de la prédiction des dommages de souffle dans les colonnes en BA.
Identification de l'algorithme optimal : Elle identifie CatBoost comme le modèle supérieur pour cette application spécifique, surpassant RF, XGBoost, LightGBM et SVM en termes de précision et de fiabilité.
Quantification de l'importance des caractéristiques : La recherche quantifie l'influence relative des paramètres géométriques, de matériaux et de souffle sur la gravité des dommages, offrant des perspectives fondées sur les données pour l'optimisation de la conception.
Analyse de sensibilité : L'étude cartographie les relations non linéaires entre les variables d'entrée (ex. : poids de la charge, profondeur de la colonne) et l'indice de dommage résultant, identifiant les seuils critiques du comportement structurel.

4. Résultats

4.1 Performance des modèles

La performance a été évaluée à l'aide de $R^2$ , de l'erreur quadratique moyenne (MSE), de l'erreur absolue moyenne (MAE), du score de variance expliquée (EVS), de l'erreur de pourcentage absolu moyenne (MAPE) et de l'erreur logarithmique absolue moyenne (MSLE).

CatBoost (Niveau 1) : A obtenu la performance la plus élevée avec un $R^2$ de 0,7125, une MAE de 1 061,09 et une MAPE de 17,63 %. Il a démontré le meilleur équilibre entre précision et fiabilité.
Forêt aléatoire (Niveau 2) : A montré une bonne performance ( $R^2 = 0,6274$ ) avec la plus grande stabilité (écart type le plus faible de $R^2$ ), ce qui en fait une alternative robuste.
XGBoost (Niveau 2) : A atteint une précision moyenne compétitive ( $R^2 = 0,6109$ ) mais a présenté une grande variabilité (écart type de 0,2313), suggérant une sensibilité aux divisions de données.
LightGBM (Niveau 3) : A délivré une performance marginale ( $R^2 = 0,5,043$ ), probablement en raison de sa stratégie de croissance par feuilles (leaf-wise) qui sur-apprend les motifs localisés.
SVM (Niveau 4) : A échoué complètement avec un $R^2$ de -0,0170, indiquant une incapacité à capturer les non-linéarités complexes et les transitions discontinues (ex. : du dommage localisé à l'effondrement) inhérentes au chargement de souffle.

4.2 Importance des caractéristiques

Sur la base du modèle CatBoost, les paramètres d'entrée ont été classés par leur influence sur la prédiction des dommages :

Profondeur de l'élément structurel ( $D$ ) : 38,45 % (Facteur dominant).
Poids de la charge : 27,25 %.
Limite d'élasticité de l'acier longitudinal ( $f_y$ ) : 14,55 %.
Distance réduite ( $Z$ ) : 6,42 %.
Ratio d'armature transversale ( $\rho_s$ ) : 3,04 %.
Limite d'élasticité de l'acier transversal ( $f_{yt}$ ) : 2,71 %.
Résistance à la compression du béton ( $f_c$ ) : 2,66 %.
Hauteur de la colonne ( $H$ ) : 2,21 %.
Largeur de la colonne ( $w$ ) : 1,78 %.
Ratio d'armature longitudinale ( $\rho$ ) : 0,93 %.

4.3 Sensibilité et seuils

Profondeur : Un seuil distinct existe entre 550 mm et 650 mm. Augmenter la profondeur au-delà de 600 mm offre des rendements décroissants en matière de réduction des dommages.
Poids de la charge : Les dommages augmentent de manière logarithmique avec le poids de la charge, plafonnant à mesure que la structure approche de l'effondrement total.
Résistance du béton : Augmenter $f_c$ au-delà de 45 MPa offre un bénéfice supplémentaire minime en raison de l'effet de taux de déformation (DIF) qui normalise les différences de résistance statique.
Armature transversale : Dans la plage étudiée, les variations de l'armature transversale ont eu un impact négligeable sur la métrique de dommage de la capacité de charge axiale résiduelle, à condition que les exigences minimales du code soient respectées.

5. Signification et affirmations

L'article affirme que les modèles de ML développés, particulièrement CatBoost, fournissent un outil rapide et précis pour prédire les dommages structurels et les modes de rupture des colonnes en BA sous un chargement de souffle.

Utilité pratique : Les modèles peuvent remplacer les simulations par éléments finis coûteuses en temps de calcul pour la conception préliminaire et le criblage de vulnérabilité, sous réserve d'appliquer des coefficients de sécurité appropriés.
Orientation de conception : L'étude propose des recommandations de conception spécifiques fondées sur les données :
- Prioriser l'augmentation de la profondeur de la colonne plutôt que l'augmentation de la résistance du béton ou l'ajout d'armatures transversales pour la résistance au souffle.
- Utiliser de l'acier longitudinal à haute limite d'élasticité ( $f_y \ge 500$ MPa) pour tirer parti des avantages du taux de déformation.
- Éviter de spécifier des résistances de béton nettement supérieures à 45 MPa pour la résistance au souffle, car le gain marginal est faible.
- Se concentrer sur la distance réduite (distance de sécurité/standoff) comme mesure de protection primaire lors de la planification du site.

Les auteurs concluent que, bien que les modèles soient limités aux plages de paramètres et aux données de simulation numérique utilisées, ils représentent une étape significative vers une conception de résistance au souffle efficace et fondée sur les données. L'étude évite explicitement de revendiquer une applicabilité universelle au-delà des plages testées et suggère que des travaux futurs devraient incorporer des données expérimentales et s'étendre à d'autres éléments structurels.