⚡ electrical engineering

Cyber-Physical Seismic Resilience: Integrating Digital Twins and Machine Learning for Performance-Based Earthquake Engineering of CLT and Masonry Structures in High-Seismicity Regions — Lessons from the USA, Japan, and Proposals for Peru

Cette étude propose un cadre transformateur d'ingénierie parasismique basée sur la performance qui intègre les jumeaux numériques et l'apprentissage automatique pour renforcer la résilience sismique des structures en bois lamellé-croisé et en maçonnerie au Pérou en se mesurant aux pratiques américaines et japonaises, en introduisant de nouveaux outils analytiques pour la réduction de l'incertitude, et en comblant le fossé entre la modélisation en phase de construction et la surveillance opérationnelle en temps réel.

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

Publié 2026-06-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : PAUL RICARDO PRUDENCIO GALVEZ

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 que vous construisez une maison dans un endroit où le sol tremble violemment, comme au Pérou. Depuis longtemps, les constructeurs suivent un « livre de recettes » strict (des règles prescriptives) pour s'assurer que la maison ne s'effondre pas. Mais ce document suggère que nous avons besoin d'une approche plus intelligente : un système « basé sur la performance » qui apprend du comportement réel de la maison, et non pas seulement de la recette.

Voici l'idée centrale du document, décomposée en concepts simples et en analogies :

1. Le Problème : Le « Livre de Recettes » vs le « Pilote en Temps Réel »

Le Pérou est situé sur une plaque tectonique très active, ce qui fait des séismes une menace constante. Actuellement, le pays s'appuie sur des règles de construction anciennes qui ne tiennent pas compte des nouveaux matériaux de haute technologie comme le bois lamellé-croisé (CLT) (imaginez cela comme des panneaux de bois super résistants et collés ensemble) ou de la meilleure façon d'utiliser la maçonnerie chaînée (des murs de briques avec des cadres en béton).

Alors que des pays comme les États-Unis et le Japon sont passés à l'utilisation des « Jumeaux Numériques » et de l'« Apprentissage Automatique » (Machine Learning) pour prédire comment les bâtiments survivront aux séismes, le Pérou est encore à la traîne. Le document soutient que le Pérou doit cesser de deviner et commencer à utiliser les données pour construire des structures plus sûres et plus intelligentes.

2. La Solution : Le « Jumeau Numérique » (L'ombre du bâtiment)

Le document introduit le concept de Jumeau Numérique.

L'analogie : Imaginez qu'un bâtiment possède une ombre parfaite et invisible flottant dans le cloud. Cette ombre est un modèle informatique qui ressemble exactement au bâtiment réel.
Comment ça marche : À mesure que le bâtiment réel est construit et plus tard lorsqu'il est installé, de minuscules capteurs (comme un bracelet connecté pour un bâtiment) envoient des données à l'ombre. Si le bâtiment réel oscille, l'ombre oscille aussi. Si une vis se desserre, l'ombre le sait immédiatement.
Le « Twist » de la phase de construction : L'auteur propose de commencer cette « ombre » pendant que le bâtiment est fabriqué. Des capteurs sont intégrés dans les panneaux de bois avant même qu'ils ne quittent l'usine. Cela garantit que l'ombre est parfaitement calibrée par rapport au bâtiment réel dès le premier jour, plutôt que d'essayer de deviner à quoi ressemble le bâtiment une fois terminé.

3. Le Cerveau : L'Apprentissage Automatique (L'assistant super-intelligent)

Un Jumeau Numérique est inutile sans un cerveau pour interpréter les données. C'est là que l'Apprentissage Automatique (ML) entre en jeu.

L'analogie : Considérez le ML comme un assistant super intelligent qui a lu des millions de livres sur le comportement des bâtiments lors des séismes.
Ce qu'il fait : Au lieu de lancer des simulations informatiques lentes et coûteuses à chaque secousse, cet assistant utilise une « Forêt Aléatoire » (un type d'IA) pour prédire instantanément l'ampleur de l'oscillation du bâtiment. C'est comme avoir un prévisionniste météo capable de vous dire exactement quelle quantité de pluie tombera dans votre quartier spécifique, instantanément, plutôt que d'attendre un bulletin général pour tout le pays.
Le résultat : Le document affirme que cette IA peut prédire le mouvement du bâtiment avec une précision de plus de 94 %, ce qui représente un bond en avant majeur.

4. Les Nouvelles Règles : Mettre à jour la « Fiche de Score »

Le document propose quatre formules spécifiques pour remplacer ou améliorer les anciennes méthodes de calcul des risques :

Formule 1 : La « Remise pour Incertitude ».
- Ancienne méthode : Nous supposons le pire scénario car nous ne sommes pas certains de la manière dont le bâtiment réagira exactement, donc nous surestimons le coût des dommages.
- Nouvelle méthode : À mesure que le Jumeau Numérique recueille des données réelles, l'IA devient plus confiante. Le document introduit un facteur (appelé αML) qui réduit le coût estimé des dommages à mesure que nous apprenons. C'est comme obtenir une réduction sur votre prime d'assurance parce que vous avez prouvé que vous êtes un conducteur prudent.
Formule 2 : L'Équilibre du « Mur Oscillant ».
- Pour les bâtiments en bois (CLT) conçus pour osciller légèrement pendant un séisme (comme un arbre qui plie sous le vent), l'IA met constamment à jour les calculs pour tenir compte de l'usure des connecteurs métalliques ou du changement de tension des câbles.
Formule 3 : Le « Contrôle de Santé par Vibration ».
- Tout comme un médecin écoute votre rythme cardiaque, le Jumeau Numérique écoute la vibration naturelle du bâtiment. Si la tonalité de la vibration change, l'IA sait que le bâtiment est endommagé, même si vous ne pouvez pas le voir à l'œil nu.
Formule 4 : Le Prédicteur « Avance Rapide ».
- Au lieu d'attendre des heures pour exécuter une simulation de séisme complexe, l'IA donne une réponse instantanée sur l'intensité des secousses pour les étages du bâtiment.

5. La Feuille de Route pour le Pérou

Le document ne se contente pas de rêver ; il propose un plan étape par étape pour le Pérou :

Années 1–2 : Construire une base de données. Tester plus de 50 connexions en bois et effectuer des milliers de simulations informatiques spécifiquement pour les villes péruviennes comme Lima et Cusco.
Années 2–3 : Construire un projet pilote. Construire un bâtiment en bois de 6 étages à Lima avec des capteurs intégrés dans les murs pendant la construction pour tester le système de « Jumeau Numérique ».
Années 3–5 : Étendre le système aux bâtiments en brique (maçonnerie) dans d'autres zones et créer une plateforme logicielle gratuite et en open-source pour les ingénieurs péruviens.
Année 5+ : Mettre à jour les codes de construction nationaux (NTP E.030) pour y inclure officiellement ces nouvelles méthodes basées sur les données.

L'Essentiel

Le document conclut qu'en combinant les Jumeaux Numériques (l'ombre en temps réel) et l'Apprentissage Automatique (le super-cerveau), le Pérou peut réduire l'incertitude concernant les dommages sismiques jusqu'à 35 %. Cela signifie de meilleures décisions sur l'investissement financier, des bâtiments plus sûrs et un passage de règles obsolètes vers un avenir où les bâtiments « parlent » aux ingénieurs pour assurer la sécurité de tous.

Résumé Technique : Résilience Sismique Cyber-Physique au Pérou

Énoncé du Problème

Le Pérou fait face à une vulnérabilité sismique critique en raison de sa position à la convergence des plaques tectoniques de Nazca et Sud-Américaine, comme en témoignent des événements historiques tels que les séismes de Pisco (Mw 8,0) en 2007 et d'Ancash (Mw 7,9) en 1970. Malgré ce risque élevé, le secteur de la construction péruvien reste contraint par des méthodologies de conception prescriptives (NTP E.030/E.090) qui manquent de cadres de génie parasismique fondés sur la performance (PBEE). Bien que le bois de construction lamellé-croisé (CLT) et la maçonnerie confinée offrent un potentiel pour la résilience sismique, leur mise en œuvre au Pérou est entravée par l'absence de surveillance en temps réel, de bases de données expérimentales et de dispositions réglementaires. De plus, la transition vers le PBEE est informatiquement prohibitive en raison de la dépendance aux analyses temporelles non linéaires (NLTHA) coûteuses, et il existe un écart significatif dans l'intégration des Jumeaux Numériques (DT) et de l'Apprentissage Automatique (ML) pour réduire l'incertitude épistémique dans l'estimation des pertes.

Méthodologie

L'étude emploie une Revue Systématique de la Littérature suivant les directives standardisées de la synthèse de la recherche en ingénierie. Le processus comprenait quatre phases :

Identification : Une recherche booléenne dans Scopus et Web of Science a produit 412 enregistrements utilisant les termes liés aux Jumeaux Numériques, l'Apprentissage Automatique, le CLT, la Maçonnerie et le Sismique/PBEE.
Sélection et Éligibilité : Après suppression des doublons et examen des titres/résumés, 84 enregistrements ont été évalués.
Inclusion : 38 études à fort impact ont été sélectionnées pour l'extraction de données, se concentrant sur les applications DT/ML en ingénierie structurelle avec un accent sismique sur le CLT ou la maçonnerie.

L'article synthétise ces résultats pour comparer les pratiques mondiales (USA, Japon) à la réalité péruvienne et propose un cadre PBEE modernisé. Ce cadre intègre une architecture de Jumeau Numérique de Phase de Construction (CP-DT) qui fait le pont entre la modélisation des informations du bâtiment (BIM) et la surveillance de l'état de santé structurel (SHM) opérationnelle.

Contributions Clés et Cadre Proposé

L'article introduit un cadre PBEE modernisé adapté au Pérou, centré sur le CP-DT et quatre innovations techniques spécifiques :

Perte Annuelle Attendue (EAL) optimisée par le ML :
L'intégrale de perte standard de la FEMA P-58 est augmentée d'un facteur de réduction d'incertitude dérivé du ML, $\alpha_{ML}$ (où $\alpha_{ML} \in (0, 1]$ ). À mesure que le Jumeau Numérique accumule des données de capteurs, $\alpha_{ML}$ est continuellement calibré par un modèle de Forêt Aléatoire (Random Forest), réduisant l'incertitude épistémique et abaissant l'EAL estimée par rapport à sa base gonflée.
- Formule : $EAL_{DT} = \int_0^\infty [\sum P(DS_j | EDP) \cdot C_j] \cdot \alpha_{ML} \cdot d\lambda(IM)$
Formulation Cinématique pour les Murs de Basculement en CLT :
Une formulation de moment de rappel pour les murs de basculement en CLT avec post-tension (PT) et dissipateurs d'énergie est mise à jour via le DT. Le DT utilise la régression ML sur les données de jauges de déformation pour mettre à jour la perte de précontrainte à long terme ( $T_{pt,0}$ ) et les forces de limite affectées par la fatigue ( $F_{hd,y}$ ), garantissant que le modèle reflète la réalité physique "telle que construite".
Indice de Dommage Basé sur la Fréquence ( $DI_{CLT}$ ) :
Un indice de dommage structurel global est calculé à l'aide de données de vibrations ambiantes provenant du DT. Il compare les fréquences naturelles dérivées de l'identification par sous-espace stochastique (SSI) aux fréquences théoriques du BIM.
- Formule : $DI_{CLT} = 1 - \frac{1}{N} \sum_{i=1}^N (\frac{f^n_{DT,i}}{f^n_{BIM,i}})^2 \cdot w_i$
- Échelle : 0 indique un état non endommagé ; approcher 1 indique une dégradation sévère.
Surrogate de Forêt Aléatoire pour Prédiction Rapide :
Pour contourner le coût computationnel d'une NLTHA complète, un modèle de substitution (surrogate) de Forêt Aléatoire (RF) cartographie les paramètres sismiques et structurels (ex: accélération spectrale, période, rapport de masse) vers le taux de dérive inter-étage maximal (MIDR). Le modèle est entraîné sur une base de données synthétique de plus de 5 000 enregistrements NLTHA spécifiques aux conditions de danger péruviennes.

Résultats

Maturité Comparative : Une matrice comparative souligne que si les USA et le Japon possèdent une intégration PBEE avancée, une estimation des pertes en temps réel et des bases de données expérimentales étendues, le Pérou repose actuellement sur des codes prescriptifs de base sans implémentation de PBEE ou de DT pour le bois/maçonnerie.
Performance du Modèle : Le modèle de substitution de Forêt Aléatoire proposé a atteint un coefficient de détermination $R^2 > 0,94$ en validation croisée pour la prédiction du MIDR, démontrant une haute fidélité dans la prédiction de la demande structurelle.
Réduction de l'Incertitude : L'intégration du DT et du ML devrait réduire l'incertitude épistémique dans l'estimation des pertes sismiques de jusqu'à 35 %.
Feuille de Route de Mise en Œuvre : L'article présente une feuille de route en quatre phases pour le Pérou :
- Phase 1 (Années 1–2) : Établir une base de données sismique péruvienne pour le CLT (50+ tests cycliques, 5 000+ enregistrements NLTHA).
- Phase 2 (Années 2–3) : Déployer un pilote de CP-DT sur un bâtiment de 6 étages en CLT à Lima avec des capteurs MEMS intégrés.
- Phase 3 (Années 3–5) : Étendre le CP-DT à la maçonnerie confinée et développer une plateforme open-source compatible avec ETABS et OpenSees.
- Phase 4 (Année 5+) : Informer les révisions réglementaires (NTP E.030/E.090) avec des dispositions basées sur la performance.

Signification et Revendications

L'article affirme que l'intégration des Jumeaux Numériques et de l'Apprentissage Automatique dans le PBEE pour le CLT et la maçonnerie est un objectif pratiquement réalisable avec des bénéfices immédiats pour la réduction du risque sismique au Pérou. Sa principale importance réside dans :

Combler l'Écart : Fournir une analyse d'écart quantifiée et une stratégie concrète de transfert de technologie des marchés matures (USA/Japon) vers le contexte péruvien.
Modernisation Réglementaire : Offrir une base technique pour la mise à jour des réglementations péruviennes (NTP E.030/E.090) afin d'inclure la conception basée sur la performance et les exigences de surveillance numérique.
Efficacité Économique : Démontrer que la réduction de l'incertitude épistémique grâce à l'intégration DT-ML conduit à des décisions d'investissement plus précises et informées par le risque, ce qui est crucial pour une nation à haute vulnérabilité sismique et ressources limitées.
Calibration du Cycle de Vie : Établir une architecture CP-DT qui garantit que le modèle numérique est calibré par rapport à la réalité physique dès les étapes de fabrication et d'assemblage, plutôt que de reposer uniquement sur des hypothèses post-construction.

L'étude conclut que cette approche transforme le paradigme de la conformité prescriptive vers la résilience basée sur la performance, répondant directement aux défis des matériaux locaux, des pratiques de construction et des contraintes économiques au Pérou.