⚡ electrical engineering

Investigation of Full-Process Settlement Behavior and Prediction Models for Long-Short Pile Composite Foundations

Ce document propose un modèle de prédiction hybride intégrant des modèles empiriques (Weibull et Poisson modifié) à des algorithmes intelligents (EMD et LS-SVM) afin de caractériser avec précision l'évolution du tassement en forme de « S » et de prédire le tassement sur l'ensemble du processus des fondations composites pieux longs-courts, tel que validé par le projet Seoul Park.

Auteurs originaux : Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

Publié 2026-08-08

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

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 un château de sable géant sur une plage qui s'enfonce lentement. Vous ne voulez pas seulement savoir quelle est la profondeur du trou en ce moment ; vous voulez savoir exactement de combien il s'enfoncera demain, le mois prochain et l'année prochaine. C'est le défi quotidien des ingénieurs qui construisent des gratte-ciel sur des sols meubles. Ils utilisent des « fondations composites » spéciales, qui sont comme une équipe de pieux en bois longs et courts enfoncés dans la boue pour soutenir le bâtiment. Mais le sol ne s'enfonce pas simplement en ligne droite ; il se comporte comme un être vivant, réagissant au poids du bâtiment, à la pluie et aux ouvriers du chantier d'une manière désordonnée et imprévisible. Pour maintenir le bâtiment sûr et droit, les ingénieurs doivent prédire parfaitement ce comportement d'enfoncement. S'ils se trompent dans leurs calculs, le bâtiment pourrait pencher ou se fissurer. Ce document porte sur la recherche de la meilleure « boule de cristal » pour prédire exactement de combien ces fondations spéciales vont se tasser au fil du temps.

Les chercheurs de cette étude, dirigés par Yang Liu et ses collègues, ont abordé le problème de la prédiction du « tassement de plein processus » (l'enfoncement total du début à la fin) de ces fondations de pieux longs et courts. Ils savaient que les formules mathématiques simples ont souvent du mal car le mouvement du sol est désordonné et change de vitesse au fil du temps. Pour remédier à cela, ils ont essayé trois approches différentes. Premièrement, ils ont utilisé deux formes mathématiques classiques appelées le modèle de Weibull et un modèle de Poisson modifié. Pensez à cela comme si l'on essayait d'ajuster une courbe lisse et préfabriquée sur un sentier de randonnée accidenté. Ils ont constaté que, bien que ces courbes puissent décrire la forme générale en « S » de l'enfoncement (commencer lentement, accélérer, puis ralentir à nouveau), elles manquaient parfois les petites bosses et les ondulations causées par le bruit de la construction ou les changements soudains de charge. Le modèle de Poisson modifié était un peu meilleur pour se plier afin de suivre la courbe, mais il avait tout de même des limites.

Pour obtenir une prédiction véritablement précise, l'équipe a inventé une méthode hybride plus intelligente appelée EMD-LS-SVM. Ils ont traité les données de tassement comme une chanson complexe pleine de différents instruments jouant en même temps. D'abord, ils ont utilisé une technique appelée Décomposition en modes empiriques (EMD) pour séparer la « chanson » en ses instruments individuels : les notes de basse profondes et lentes (la tendance d'enfoncement à long terme), les mélodies de milieu de gamme (la construction régulière des étages) et les bruits aigus et stridents (les secousses soudaines provenant des travaux de construction). Ensuite, ils ont utilisé un outil d'IA puissant appelé Machine à vecteurs de support à moindres carrés (LS-SVM) pour prédire l'avenir de chaque instrument séparément. Enfin, ils ont mélangé ces prédictions pour les réassembler.

Les résultats, testés sur un bâtiment réel appelé Bâtiment B27 dans un projet résidentiel en Chine, ont montré que cette nouvelle méthode hybride était la grande gagnante. Alors que les modèles simples d'ajustement de courbe étaient corrects, le modèle hybride était incroyablement précis. Il a prédit le tassement final à 600 jours à -27,5430 mm, avec une erreur maximale de seulement 0,4760 mm. C'est une amélioration considérable, réduisant l'erreur des anciens modèles de plus de moitié. L'étude suggère qu'en décomposant le problème en morceaux plus petits et plus simples, puis en les réassemblant, les ingénieurs peuvent obtenir une image beaucoup plus claire du comportement du sol, les aidant ainsi à maintenir les bâtiments sûrs et stables sans avoir recours aux conjectures.

Résumé technique : Étude du comportement de tassement en processus complet et des modèles de prédiction pour les fondations composites à pieux longs-courts

Énoncé du problème
La prédiction précise du tassement en processus complet des fondations composites à pieux longs-courts est cruciale pour garantir la sécurité et la servitude des structures construites sur des sols mous. Cependant, les méthodes de prédiction existantes font face à deux limitations principales :

Contraintes des modèles empiriques : Les modèles empiriques conventionnels (par exemple, les modèles standards de Weibull et de Poisson) reposent souvent sur des méthodes d'estimation de paramètres telles que l'interpolation par spline cubique ou la régression non linéaire, qui sont sensibles aux valeurs initiales et à la taille des échantillons, entraînant une précision et une robustesse limitées de l'identification des paramètres.
Complexité du comportement de tassement : Le tassement des fondations est un processus complexe et non stationnaire influencé par l'augmentation des charges de la superstructure, la consolidation du sol et l'interaction pieu-sol. Il présente des caractéristiques de non-linéarité et multi-échelles marquées. Les modèles empiriques simples peinent à capturer simultanément la tendance évolutive à long terme et les fluctuations locales causées par les perturbations de construction et les variations environnementales.

Méthodologie
L'étude propose un cadre de prédiction hybride qui intègre la modélisation statistique empirique avec des algorithmes intelligents basés sur les données. La méthodologie est structurée en trois phases :

Modélisation empirique optimisée :
- Modèle de Weibull : Établi pour caractériser l'évolution du tassement en forme de « S ». Une méthode d'identification de paramètres basée sur l'optimisation a été développée pour minimiser la somme des erreurs quadratiques entre les valeurs mesurées et prédites, sous une contrainte d'erreur absolue maximale de 1 mm.
- Modèle de Poisson modifié : Un paramètre de modification de forme ( $c_4$ ) a été introduit dans le modèle de Poisson conventionnel. Cette amélioration augmente la flexibilité du modèle pour capturer l'évolution asymétrique du tassement et les variations significatives des taux de tassement, qui sont fréquentes dans les systèmes de pieux longs-courts en raison de la redistribution des contraintes.
Prédiction intelligente hybride (EMD-LS-SVM) :
- Décomposition en modes empiriques (EMD) : Les données brutes de surveillance du tassement sont décomposées en plusieurs Fonctions de Mode Intrinsèque (IMF) et une composante résiduelle. Ce processus adaptatif sépare le signal en différentes échelles de temps : composantes haute fréquence (fluctuations à court terme/bruit), composantes moyenne fréquence (effets de chargement par étapes) et composantes basse fréquence/résiduelles (tendances de consolidation à long terme).
- Machine à vecteurs de support par moindres carrés (LS-SVM) : Un modèle LS-SVM indépendant est construit pour chaque composante décomposée. Le LS-SVM est choisi pour sa capacité à gérer efficacement les problèmes de régression non linéaire à petits échantillons en transformant le problème de programmation quadratique en un système d'équations linéaires.
- Reconstruction pondérée : La prédiction finale est générée en reconstruisant de manière optimale les composantes prédites en utilisant des coefficients de pondération déterminés par le critère d'erreur de prédiction minimale.
Validation technique :
- Les modèles ont été validés à l'aide de données de surveillance de terrain du bâtiment B27 du développement résidentiel Seoul Park (Hebei, Chine). La fondation utilisait un système de pieux longs-courts en gravier de ciment et de cendres volantes (CFG) (pieux longs : 21,45 m ; pieux courts : 11,90 m) dans un sol d'argile limoneuse.

Résultats clés

Profil d'évolution du tassement : Le tassement en processus complet de la fondation composite suit un profil d'évolution typique en « S », caractérisé par une phase de développement initiale, une phase de croissance rapide (où le taux de tassement atteint son maximum) et une phase de consolidation stable.
Performance des modèles empiriques : Les modèles optimisés de Weibull et de Poisson ont tous deux réussi à capturer la tendance générale du tassement avec des erreurs absolues maximales inférieures à 1,0 mm. Le modèle de Poisson modifié a démontré une flexibilité et une performance prédictive supérieures lors des phases de changements rapides du taux de tassement grâce à son paramètre de forme supplémentaire.
Caractéristiques multi-échelles : L'EMD a réussi à séparer le signal de tassement en différents mécanismes physiques. L'IMF1 a capturé les perturbations de construction à court terme ; l'IMF2 a reflété le chargement par étapes et l'interaction pieu-sol ; et la composante résiduelle a représenté la tendance de consolidation du sol à long terme.
Supériorité du modèle hybride : Le modèle combiné EMD-LS-SVM a nettement surpassé les modèles empiriques simples.
- Il a atteint une erreur absolue maximale de 0,4760 mm à 158 jours, ce qui représente une réduction de plus de 50 % par rapport aux erreurs maximales des modèles empiriques.
- À 128 jours, le modèle a atteint une erreur de 0,0000 mm.
- Il a efficacement capturé à la fois la tendance évolutive globale et les fluctuations locales, particulièrement durant les périodes de changements rapides du taux de tassement où les modèles empiriques présentaient des écarts.

Signification et affirmations
L'article affirme que l'approche hybride proposée répond aux limites des méthodes traditionnelles en :

Améliorant l'identification des paramètres : En utilisant des algorithmes d'optimisation pour améliorer la précision et la robustesse des paramètres des modèles empiriques.
Décomposant la complexité : En exploitant l'EMD pour transformer une série temporelle complexe et non stationnaire en composantes plus simples et stationnaires, réduisant ainsi la difficulté de la cartographie non linéaire pour le LS-SVM.
Améliorant la précision de la prédiction : En fournissant une base théorique et une référence technique pour la surveillance du tassement et le contrôle de la sécurité. L'étude affirme que le modèle EMD-LS-SVM offre une solution plus fiable pour la prédiction intelligente du tassement des fondations composites, capable de gérer les effets couplés du chargement de construction, de l'interaction pieu-sol et de la consolidation dépendante du temps.

Les auteurs concluent que, bien que les modèles empiriques soient suffisants pour capturer les tendances générales, le modèle combiné EMD-LS-SVM est nécessaire pour une prédiction de haute précision dans des conditions d'ingénierie complexes où les fluctuations locales et les comportements multi-échelles sont significatifs.

Articles similaires