⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

Cette étude propose un cadre d'apprentissage automatique interprétable et informé par la physique qui combine la régression XGBoost avec une transformation logarithmique pour dériver une équation de loi de puissance hautement précise et transparente pour prédire la résistance au poinçonnement des dalles plates en béton armé, surpassant de manière significative les dispositions conventionnelles de l'ACI 318-19 tout en maintenant une utilisabilité pratique pour les ingénieurs en structure.

Auteurs originaux : Aaqib Ali, Aslam Faqeer Mohammad

Publié 2026-08-31

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aaqib Ali, Aslam Faqeer Mohammad

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

Dans le monde de la construction moderne, les dalles de béton plates sont un choix courant pour tout, des immeubles d'appartements aux parkings. Elles offrent un aspect épuré et ouvert et permettent des configurations intérieures flexibles, mais elles comportent un défi structurel caché. Lorsqu'une charge lourde appuie sur un sol, la force doit voyager de la large dalle vers la colonne étroite qui la soutient. À cette jonction, le béton est soumis à un stress intense et localisé qui peut provoquer une défaillance soudaine et sans avertissement. Ce type de défaillance, connu sous le nom de cisaillement de poinçonnement, se produit lorsque le béton autour de la colonne se fissure et se brise, un peu comme un emporte-pièce qui transpercerait de la pâte à gâteau. Si cela se produit, le plancher peut s'effondrer sur celui du dessous, déclenchant potentiellement une réaction en chaîne qui pourrait abattre tout un bâtiment.

Pendant des décennies, les ingénieurs se sont appuyés sur des règles empiriques standards pour prévenir ce désastre. Ces règles, que l'on trouve dans les codes de construction, utilisent des mathématiques simplifiées pour estimer la charge qu'une dalle peut supporter avant de se faire poinçonner. Bien que ces formules soient faciles à utiliser, elles sont basées sur de vieilles données et font des hypothèses larges qui passent souvent à côté de la réalité complexe de l'interaction entre le béton et l'acier. Elles peuvent être trop prudentes, entraînant un gaspillage de matériaux, ou dangereusement optimistes dans certaines situations spécifiques. Pour résoudre cela, les chercheurs ont commencé à se tourner vers l'apprentissage automatique, un type d'intelligence informatique capable de trouver des modèles dans de vastes quantités de données. Cependant, ces modèles informatiques sont souvent perçus comme des « boîtes noires », ce qui signifie qu'ils donnent une réponse sans expliquer comment ils y sont parvenus, ce qui rend les ingénieurs hésitants à leur faire confiance pour des calculs de sécurité vitale.

Une équipe de chercheurs de l'Université d'ingénierie et de technologie NED au Pakistan a développé une nouvelle approche qui comble ce fossé. Ils voulaient créer un outil de prédiction aussi précis que les modèles informatiques les plus intelligents, mais aussi clair et utilisable que les règles traditionnelles que les ingénieurs connaissent déjà. Pour ce faire, ils ont rassemblé une vaste collection de résultats de tests réels provenant de laboratoires du monde entier. Leur base de données comprenait 408 spécimens de dalles de béton différents, chacun testé jusqu'à sa rupture. Ces tests variaient considérablement dans leurs propriétés, utilisant du béton dont la résistance allait de 16,5 à 119 mégapascals et des dalles avec des épaisseurs effectives comprises entre 70 et 456 millimètres. Les chercheurs ont également examiné la taille des colonnes de support et la quantité d'armature en acier à l'intérieur du béton.

L'équipe a d'abord injecté ces données dans un algorithme d'apprentissage automatique puissant appelé XGBoost. Ce système a agi comme un détective hautement qualifié, analysant des milliers de combinaisons de résistance du béton, de ratios d'acier et de dimensions pour apprendre exactement comment ils influençaient le point de rupture. Le modèle informatique a appris que les facteurs les plus critiques étaient la profondeur de la dalle, la taille de la colonne et la quantité d'armature en acier, ainsi qu'une mesure calculée du périmètre autour de la colonne où la rupture se produirait. Le modèle d'apprentissage automatique s'est avéré remarquablement précis, prédisant correctement la charge de rupture pour 95,95 pour cent des variations des données. En revanche, la formule standard du code de construction n'a capturé qu'environ 81,85 pour cent des variations.

Plus important encore, les chercheurs ne se sont pas arrêtés à une prédiction informatique. Ils ont traduit les motifs complexes que la machine avait appris en une équation mathématique unique et simple que n'importe quel ingénieur pourrait utiliser avec une calculatrice de base. Cette nouvelle formule ressemble et fonctionne comme les règles traditionnelles trouvées dans les codes de construction, mais elle est bâtie sur la compréhension plus profonde fournie par l'apprentissage automatique. Testée contre les mêmes données, cette nouvelle équation a réduit l'erreur moyenne de prédiction de près de 60 pour cent par rapport au code standard. Alors que l'ancien code sous-estimait souvent la résistance des dalles fortement armées ou surestimait la sécurité des dalles minces, la nouvelle formule s'ajustait à ces nuances, fournissant une estimation beaucoup plus fiable du moment où une dalle ferait défaut.

L'étude confirme que la nouvelle méthode n'est pas seulement un tour de passe-passe statistique, mais qu'elle est ancrée dans la physique réelle du comportement du béton. Les chercheurs ont constaté que l'ordinateur identifiait correctement les mêmes principes physiques que les experts humains ont longtemps compris : qu'une dalle plus profonde et un périmètre plus large autour de la colonne offrent une plus grande résistance à la rupture. En combinant la puissance de reconnaissance de formes de l'apprentissage automatique avec la transparence d'une formule simple, l'équipe a créé un outil qui est à la fois hautement précis et facile à faire confiance. Ce travail suggère que l'avenir de la conception structurelle ne nécessite pas de choisir entre des modèles informatiques complexes et des règles simples ; au contraire, il est possible d'utiliser les premiers pour affiner les seconds, garantissant que les bâtiments soient plus sûrs et plus efficaces sans exiger que les ingénieurs deviennent des scientifiques des données.

Résumé Technique : Une approche d'apprentissage automatique informée par la physique pour la prédiction de la résistance au poinçonnement des dalles de prédalles en béton armé

Énoncé du problème
Prédire avec précision la capacité de poinçonnement ( $V_u$ ) des dalles de prédalles en béton armé (BA) est un défi persistant en ingénierie structurelle en raison des interactions complexes et non linéaires entre les propriétés des matériaux, les caractéristiques de l'armature et les paramètres géométriques. Les dispositions de conception conventionnelles, telles que l'ACI 318-19, reposent sur des formulations empiriques simplifiées. Bien que faciles à mettre en œuvre, ces équations présentent souvent une incertitude de prédiction significative car elles supposent des relations linéaires et négligent des variables clés, telles que la contribution mécanique directe du rapport de ferraillage ( $\rho$ ). Cela peut conduire à des conceptions excessivement conservatrices dans les régions fortement ferraillées ou à des estimations trop libérales et dangereuses dans les dalles minces à faible ferraillage. Inversement, bien que les modèles d'apprentissage automatique (ML) avancés comme l'eXtreme Gradient Boosting (XGBoost) offrent une précision prédictive supérieure, leur nature de « boîte noire » — reposant sur des centaines de divisions de décision discontinues — limite leur adoption dans la conception structurelle pratique, où des équations fermées et transparentes sont nécessaires pour un calcul rapide et la conformité aux codes.

Méthodologie
L'étude propose un cadre axé sur les données et les codes qui comble le fossé entre la précision de la ML de haute fidélité et l'utilité pratique de l'ingénierie. La recherche a utilisé une base de données expérimentale complète comprenant 408 spécimens de connexions poteau-dalle de prédalles intérieures en BA provenant de diverses études historiques. La méthodologie s'est déroulée selon quatre phases systématiques :

Compilation et prétraitement des données : Une matrice structurelle a été compilée, nettoyant les valeurs nulles et transformant le rapport de ferraillage ( $\rho$ ) d'un pourcentage en une échelle décimale pour assurer l'intégrité statistique.
Ingénierie de caractéristiques informée par la physique : Pour imposer une transparence mécanique, le vecteur d'entrée a été augmenté de caractéristiques informées par la physique dérivées de la mécanique structurelle. Plus précisément, le périmètre critique de cisaillement ( $b_0 = 4(c+d)$ ) et la métrique de traction du béton ( $\sqrt{f'_c}$ ) ont été calculés. Le vecteur d'entrée final comprenait la résistance à la compression du béton ( $f'_c$ ), la limite d'élasticité de l'acier ( $f_y$ ), la hauteur utile ( $d$ ), la largeur de la colonne ( $c$ ), le rapport de ferraillage ( $\rho$ ), $b_0$ et $\sqrt{f'_c}$ .
Entraînement et étalonnage du modèle : Un régresseur XGBoost a été entraîné sur 80 % des données (326 spécimens) et validé sur un ensemble de test distinct de 20 % (82 spécimens). La performance du modèle a été comparée à l'équation empirique standard de l'ACI 318-19.
Moteur de transformation logarithmique multiplicative : Pour remédier à la limitation de la « boîte noire », les auteurs ont développé un moteur spécialisé. L'ensemble de données a été projeté dans l'espace logarithmique pour linéariser les relations, permettant l'optimisation des exposants de la loi de puissance via une régression par moindres carrés. Ces paramètres optimisés ont ensuite été transformés en une équation de loi de puissance multiplicative compacte et sous forme fermée.

Principales contributions

Développement d'une équation de conception interprétable : La principale contribution est la dérivation d'une équation de loi de puissance autonome et sur une seule ligne ( $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ) qui conserve la précision prédictive d'un modèle de ML complexe tout en respectant le format des codes de conception conventionnels.
Intégration de caractéristiques informées par la physique : L'étude démontre que l'incorporation de paramètres physiques spécifiques au domaine (périmètre de cisaillement critique et résistance à la traction du béton) dans l'espace de caractéristiques de la ML améliore la capacité du modèle à capturer des relations physiquement significatives.
Supériorité quantitative sur les codes empiriques : Le cadre fournit une comparaison statistique rigoureuse montrant que l'approche dérivée de la ML surpasse de manière significative les dispositions du code ACI 318-19 en termes d'explication de la variance et de minimisation de l'erreur.

Résultats
La performance des cadres proposés a été évaluée à l'aide du coefficient de détermination ( $R^2$ ), de l'erreur absolue moyenne (MAE) et de l'erreur quadratique moyenne (RMSE) sur l'ensemble de test indépendant :

Modèle XGBoost : A atteint un $R^2$ de 0,9595, avec une MAE de 26,21 kN et une RMSE de 43,79 kN.
Formule multiplicative dérivée : A atteint un $R^2$ de 0,9542, avec une MAE de 35,5 kN et une RMSE de 56,22 kN.
Référence ACI 318-19 : A atteint un $R^2$ de 0,8185, avec une MAE de 64,42 kN et une RMSE de 92,74 kN.

Le modèle XGBoost a démontré une augmentation de 17,23 % de l'explication de la variance par rapport à la référence ACI 318-19. De plus, l'approche ML a réduit la MAE de 59,31 % et la RMSE de 52,78 %, indiquant une réduction substantielle de la dispersion des prédictions et l'élimination des erreurs aberrantes de grande amplitude. L'analyse de l'importance des caractéristiques a confirmé que le modèle privilégiait les échelles géométriques (hauteur utile $d$ et périmètre critique $b_0$ ) et les propriétés des matériaux ( $\rho$ et $\sqrt{f'_c}$ ) d'une manière cohérente avec la mécanique classique de la rupture du béton.

Signification et revendications
L'article affirme que cette approche parvient à combler le fossé entre la précision de l'apprentissage automatique de haute fidélité et les exigences pratiques de la conception structurelle. En traduisant des motifs algorithmiques complexes en une équation de loi de puissance multiplicative et transparente, l'étude fournit aux ingénieurs un outil qui est à la fois hautement précis et immédiatement utilisable sur le terrain sans nécessiter d'outils de calcul complexes, de connectivité Internet ou d'environnements d'exécution de logiciels. L'équation dérivée offre une alternative fiable pour prédire la capacité de poinçonnement, réduisant potentiellement le risque de rupture fragile grâce à des estimations de capacité plus précises que les codes empiriques actuels le permettent. Les auteurs notent que, bien que le modèle actuel soit optimisé pour les connexions dalle-poteau intérieures sans armature de cisaillement, le cadre établit une voie pour de futures extensions incluant l'armature de cisaillement, les charges excentriques et les géométries complexes.

Articles similaires