⚡ electrical engineering

Residual strength of corroded reinforced concrete beams: Experimental, analytical, numerical and machine learning approach

Cette étude évalue la capacité de flexion résiduelle de poutres en béton armé corrodées à travers une approche intégrée complète combinant des essais expérimentaux, des formulations analytiques modifiées, une modélisation numérique par éléments finis et l'apprentissage automatique, démontrant finalement que les algorithmes de Forêt Aléatoire offrent l'outil de prédiction le plus efficace et le plus précis par rapport aux méthodes traditionnelles.

Auteurs originaux : Suryansh Sharma, Harish Chandra Arora, Aman Chauhan, Aditya Sharma, Madhu Sharma

Publié 2026-07-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Suryansh Sharma, Harish Chandra Arora, Aman Chauhan, Aditya Sharma, Madhu Sharma

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 une poutre en béton armé comme un sandwich de super-héros très robuste. Le pain est le béton, et les barres d'acier à l'intérieur sont les muscles super puissants qui maintiennent le tout. Mais avec le temps, surtout dans un air salin ou pollué, ces muscles d'acier commencent à rouiller. Tout comme la chaîne rouillée d'un vélo, l'acier s'amincit et s'affaiblit, et l'ensemble du sandwich perd sa capacité à supporter des charges lourdes.

Cette étude est une immense mission de détective pour découvrir exactement quelle force ces « sandwichs rouillés » possèdent encore. Les chercheurs n'ont pas simplement deviné ; ils ont essayé quatre méthodes différentes pour résoudre le mystère : mener des expériences réelles, utiliser des formules mathématiques, exécuter des simulations informatiques et apprendre aux ordinateurs à apprendre à partir de données.

L'expérience réelle : La salle de sport rouillée
D'abord, l'équipe a construit cinq poutres en béton réelles, certaines faites avec du béton de classe « M30 » et d'autres avec le plus résistant, le « M50 ». Ils n'ont pas attendu des années pour que la rouille se produise naturellement. Au lieu de cela, ils ont placé les poutres dans un réservoir d'eau salée et les ont électrisées pour accélérer le processus de corrosion, créant des niveaux de corrosion allant jusqu'à 16 %.

Ensuite, ils ont placé ces poutres sur une machine d'essai et les ont pliées jusqu'à ce qu'elles se cassent. Les résultats furent spectaculaires. Une poutre fraîche, non corrodée, faite de béton M50, pouvait supporter une force de 68 kN. Mais une fois rouillée à environ 12 %, cette force est tombée à 43,71 kN. À 15 % de rouille, elle ne pouvait supporter que 38 kN. En bref, la rouille était un sérieux intimidateur, volant jusqu'à 44 % de la force de la poutre.

La formule mathématique : Le livre de règles
Ensuite, l'équipe a tenté de prédire ces résultats en utilisant un livre de règles standard appelé IS 456:2000. Considérez cela comme l'utilisation d'une recette pour deviner comment un gâteau va tourner. La recette standard n'a pas tout à fait fonctionné car elle ne tenait pas compte de la réalité désordonnée de la rouille. Ainsi, les chercheurs ont ajusté la recette avec un ajustement spécial par « régression » (un ajustement mathématique sophistiqué).

Lorsqu'ils ont utilisé leur nouvelle formule ajustée, les prédictions étaient étonnamment proches des expériences réelles, avec une différence moyenne de seulement 3,95 %. C'était une bonne estimation, mais les auteurs notent que des formules comme celle-ci peuvent parfois être trop simples pour saisir chaque petit détail du comportement de la rouille.

La simulation informatique : Le laboratoire virtuel
Puisque construire de vraies poutres est coûteux et chronophage, les chercheurs ont construit un jumeau numérique des poutres à l'aide d'un programme informatique puissant appelé ABAQUS. Ils ont dit à l'ordinateur : « Rendez les barres d'acier plus fines pour correspondre à la rouille », et ont observé ce qui se passait dans le monde virtuel.

La simulation informatique était un sérieux concurrent. Elle a prédit les points de rupture avec une erreur moyenne d'environ 6,91 % par rapport aux tests réels. Cependant, les auteurs admettent que même les meilleurs modèles informatiques doivent faire certaines simplifications, comme prétendre que la liaison entre l'acier et le béton est parfaite, ce qui n'est pas toujours vrai dans le monde réel et désordonné.

Le héros de l'apprentissage automatique : Le super-cerveau
Enfin, l'équipe a fait appel au poids lourd : l'Apprentissage Automatique (Machine Learning). Ils n'ont pas seulement utilisé leurs cinq poutres ; ils ont rassemblé une immense bibliothèque de 201 expériences de poutres différentes provenant d'autres scientifiques à travers le monde. Ils ont injecté ces données dans quatre modèles de « cerveaux » différents : la Régression Linéaire, les Réseaux de Neurones Artificiels (ANN), XGBoost et Random Forest.

Ils ont demandé à ces cerveaux numériques de prédire la force des poutres en fonction de facteurs tels que la largeur de la poutre, la résistance du béton et le pourcentage de rouille.

Voici la grande révélation : le modèle Random Forest a été le vainqueur incontesté. Il a prédit la force avec une erreur moyenne de seulement 0,27 (dans l'unité spécifique utilisée pour cette métrique) et a montré la correspondance la plus étroite avec les données du monde réel. Le modèle XGBoost était également très bon. Cependant, le Réseau de Neurones Artificiels (ANN) a eu du mal, affichant des erreurs beaucoup plus importantes et moins de cohérence. Le modèle de Régression Linéaire était correct mais ne pouvait pas capturer les motifs complexes et non linéaires que les autres modèles avaient trouvés.

Lorsque les chercheurs ont testé leur modèle gagnant Random Forest sur les cinq poutres qu'ils avaient réellement construites en laboratoire, il s'est révélé incroyablement précis. Pour les poutres non corrodées, la prédiction s'écartait d'environ 5,68 %, et pour les poutres rouillées, l'erreur moyenne était de 5,81 %.

Le verdict
L'étude conclut que, bien que réaliser des expériences réelles et exécuter des simulations informatiques complexes soit précieux, ces méthodes sont lentes et coûteuses. Le modèle d'apprentissage automatique Random Forest offre un moyen beaucoup plus rapide et hautement précis de prédire la force restante d'une poutre rouillée. C'est comme avoir une boule de cristal capable de dire l'état de santé d'une structure en quelques secondes plutôt qu'en plusieurs mois.

Cependant, les auteurs prennent soin de préciser que cela ne remplace pas une baguette magique qui remplacerait toutes les autres méthodes. Les méthodes expérimentales et numériques restent essentielles pour comprendre pourquoi les choses se cassent et pour valider les modèles. Mais pour évaluer rapidement la sécurité de nombreuses structures, cette approche d'apprentissage automatique est un nouvel outil puissant.

Résumé Technique : Résistance Résiduelle des Poutres en Béton Armé Corrodées

Énoncé du Problème
Les structures en béton armé (BA) sont de plus en plus vulnérables à la détérioration due à la corrosion des armatures, sous l'effet de facteurs environnementaux tels que les chlorures et la carbonatation. Cette dégradation entraîne une perte de masse de l'acier, une réduction de l'adhérence et une baisse significative de la capacité de flexion résiduelle et de l'intégrité structurelle des poutres en BA. Bien que les investigations expérimentales fournissent des données critiques, elles sont souvent chronophages, coûteuses et exigeantes en main-d'œuvre. Inversement, les modèles analytiques existants reposent souvent sur des hypothèses simplificatrices qui peuvent ne pas capturer les comportements non linéaires complexes ou les effets de corrosion localisés, et les simulations numériques, bien que détaillées, nécessitent des ressources informatiques et une expertise substantielles. Il est nécessaire d'établir un cadre complet intégrant la validation expérimentale avec des outils prédictifs efficaces pour évaluer avec précision la résistance résiduelle des poutres en BA corrodées.

Méthodologie
L'étude emploie une approche en quatre volets pour évaluer la capacité de flexion résiduelle de poutres en béton armé corrodé (BCA) :

Investigation Expérimentale :
- Éprouvettes : Cinq poutres en BA ont été coulées en utilisant deux classes de béton (M30 et M50) avec des dimensions de 100 × 150 × 1220 mm.
- Induction de la Corrosion : Une corrosion accélérée a été induite par la technique du courant imposé (120 V CC) dans une solution saline à 5 %. Les niveaux de corrosion variaient de 0 % (témoin) à environ 16,62 %.
- Essais : Les poutres ont été soumises à des essais de flexion en quatre points pour déterminer la capacité de flexion ultime, le comportement charge-déplacement et les modes de rupture.
Approche Analytique :
- Les calculs ont été basés sur les dispositions de calcul aux états limites de l'IS 456:2000.
- Une modification basée sur la régression a été appliquée aux résultats analytiques pour les aligner sur les observations expérimentales, établissant une relation linéaire ( $Y = 3,52458x - 74,073$ ) entre les prédictions analytiques et les valeurs expérimentales.
Modélisation Numérique (Analyse par Éléments Finis) :
- Les simulations ont été réalisées à l'aide d'ABAQUS.
- Béton : Modélisé avec le modèle de Plasticité de Dommage du Béton (CDP) pour capturer le comportement non linéaire, la fissuration et l'écrasement.
- Acier : Modélisé avec un comportement élasto-plastique, incorporant des sections transversales et des limites d'élasticité réduites pour simuler les effets de la corrosion.
- Adhérence : Une adhérence parfaite a été supposée en utilisant des contraintes de région intégrée.
- Type d'Analyse : Une analyse dynamique explicite a été utilisée pour gérer efficacement les interactions de contact et les problèmes de convergence.
Prédiction par Apprentissage Automatique (Machine Learning - ML) :
- Jeu de Données : Un ensemble de données de 201 éprouvettes de poutres en BA a été compilé à partir de la littérature, présentant 11 paramètres d'entrée (ex. : dimensions de la poutre, résistance du béton, limite d'élasticité de l'acier, niveau de corrosion) et la capacité de flexion comme sortie.
- Modèles : Quatre algorithmes ont été entraînés et évalués : Réseaux de Neurones Artificiels (ANN), Forêt Aléatoire (RF), XGBoost et Régression Linéaire (LR).
- Validation : Les modèles ont été divisés en ensembles d'entraînement (60 %), de validation (20 %) et de test (20 %). Les performances ont été évaluées à l'aide de métriques telles que l'Erreur Absolue Moyenne (MAE), l'Écart Type de l'Erreur Quadratique (RMSE), l'Erreur Absolue en Pourcentage Moyenne (MAPE), l'Efficacité de Nash-Sutcliffe (NS) et le coefficient de détermination ( $R^2$ ).

Résultats Clés

Résultats Expérimentaux : La corrosion a réduit de manière significative la capacité de flexion des poutres. La charge ultime a diminué jusqu'à 44 % dans les spécimens les plus sévèrement corrodés. Les poutres avec du béton M50 ont démontré une meilleure résistance à la détérioration induite par la corrosion par rapport aux poutres M30.
Performance Analytique : L'approche analytique modifiée a montré une corrélation étroite avec les résultats expérimentaux, avec une variation moyenne globale d'environ 3,95 %.
Performance Numérique : Le modèle par éléments finis ABAQUS a reproduit avec succès le comportement charge-déplacement expérimental. La variation moyenne entre les résultats numériques et expérimentaux était d'environ 6,94 %, bien que les variations augmentent à des niveaux de corrosion plus élevés (jusqu'à 15,88 % pour M-US-0-16.624).
Performance de l'Apprentissage Automatique :
- La Forêt Aléatoire (RF) s'est imposée comme le modèle supérieur, atteignant les erreurs de test les plus faibles (MAE : 4,9566, RMSE : 9,5603, MAPE : 7,4441) et la plus haute efficacité de Nash-Sutcliffe (0,96084).
- XGBoost a également obtenu des performances compétitives (MAE : 5,6684, NS : 0,95684).
- Les modèles ANN et la Régression Linéaire ont présenté des taux d'erreur nettement plus élevés et une cohérence prédictive moindre par rapport aux méthodes d'ensemble.
- Lors de la validation par rapport aux cinq poutres expérimentales spécifiques de cette étude, le modèle de Forêt Aléatoire a prédit la capacité de flexion avec une variation moyenne globale de 5,74 %.

Signification et Revendications
L'article affirme que si les méthodes expérimentales, analytiques et numériques fournissent des informations précieuses sur le comportement structurel des poutres en BA corrodées, elles sont limitées par le coût, le temps, l'intensité computationnelle ou les hypothèses simplificatrices. L'étude pose comme postulat que les modèles d'apprentissage automatique, en particulier l'algorithme de Forêt Aléatoire, offrent un outil plus efficace et plus précis pour prédire la capacité de flexion résiduelle des poutres en BA corrodées.

Le cadre intégré présenté permet une évaluation rapide et une prédiction future de la performance structurelle sous les effets de la corrosion. Les auteurs concluent que les modèles de ML peuvent efficacement combler l'écart entre la haute précision des méthodes expérimentales/numériques et le besoin d'une évaluation rapide et à faible coût, ce qui les rend très adaptés à l'évaluation préliminaire et à la planification de la maintenance des structures en béton armé affectées par la corrosion.

Articles similaires