⚡ electrical engineering

Prediction of Local Scour Depth Around Cylindrical Bridge Piers in Cohesive Soil Using Advanced Machine Learning Algorithms

Cette étude évalue cinq algorithmes d'apprentissage automatique pour prédire la profondeur de l'affouillement local autour de piles de pont cylindriques dans des sols cohérents en utilisant 122 enregistrements de laboratoire, constatant que le modèle QNET a atteint la précision la plus élevée (R² = 0,9958) tout en soulignant l'influence critique du nombre de Froude et la nécessité d'une interprétation prudente en raison de la taille modeste de l'échantillon.

Auteurs originaux : Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

Publié 2026-09-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

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

Tout pont repose sur ses fondations pour rester stable, mais l'eau qui s'écoule en dessous tente constamment d'en saper la stabilité. Lorsqu'un courant de rivière frappe une pile de pont, l'eau tourbillonne et s'accélère autour de la structure, creusant un trou dans le lit de la rivière. Ce processus, appelé affouillement, peut emporter le sol qui soutient le pont, entraînant potentiellement un effondrement lors d'une crue. Pendant des décées, les ingénieurs ont été capables de prédire la profondeur de ces trous dans les rivières aux fonds sablonneux ou graveleux, où le sol se déplace grain par grain. Cependant, de nombreuses rivières coulent sur des lits cohérents, où le sol est collant et lié par l'argile et l'eau. Dans ces conditions, le sol ne s'en va pas facilement ; au contraire, il résiste à l'érosion de manières complexes qui dépendent de la quantité d'eau contenue dans le sol, de la teneur en argile et de la force avec laquelle l'eau pousse contre lui. Parce que l'interaction entre l'eau en mouvement et ce sol collant est si complexe, prédire exactement la profondeur qu'atteindra un trou d'affouillement dans ces environnements est resté un défi difficile et incertain pour les ingénieurs civils.

Une équipe de chercheurs issus d'universités iraniennes s'est donné pour mission de résoudre ce problème spécifique en apprenant aux ordinateurs à reconnaître les motifs cachés au sein d'expériences passées en laboratoire. Ils ont rassemblé 122 enregistrements provenant d'études antérieures où des scientifiques avaient mesuré la profondeur du creusement de l'eau autour de piles de pont cylindriques dans un sol cohérent. Au lieu de s'appuyer sur des formules traditionnelles, l'équipe a utilisé des algorithmes d'apprentissage automatique avancés, qui sont des programmes informatiques capables d'apprendre à partir de données pour faire des prédictions. Ils ont soumis à l'ordinateur cinq types différents de systèmes d'apprentissage, incluant les réseaux de neurones artificiels, qui imitent la façon dont les cerveaux humains connectent les informations, ainsi que d'autres modèles mathématiques conçus pour trouver des relations entre les variables. L'ordinateur a reçu quatre informations clés pour chaque expérience : la vitesse de l'eau par rapport à la taille de la pile, la quantité d'eau contenue dans le sol, le pourcentage d'argile dans le sol et une mesure de la force que le sol peut supporter avant de commencer à s'éroder.

Les chercheurs ont testé ces modèles informatiques pour voir lequel pouvait prédire le plus précisément la profondeur du trou d'affouillement en fonction de ces quatre facteurs. Ils ont divisé leurs données en deux groupes, utilisant la majeure partie pour enseigner aux modèles et en réservant une plus petite partie pour tester leur précision sur de nouveaux exemples inédits. L'un des modèles, appelé QNET, a obtenu la performance la plus élevée rapportée, bien que les chercheurs aient interprété ce score proche de la perfection avec prudence, notant qu'il reflète probablement la manière spécifique dont les données ont été divisées plutôt qu'une garantie d'exactitude universelle. Un autre modèle, le réseau de neurones artificiels, a également très bien performé, bien qu'avec un peu plus d'erreur que le meilleur performeur. Les autres modèles, y compris un qui tente de créer une formule mathématique simple à partir des données, ont montré une précision moindre lors des tests sur de nouvelles situations. L'étude a révélé que, bien que les modèles informatiques soient excellents pour trouver des motifs, le facteur le plus important pour une prédiction précise était systématiquement la vitesse de l'eau par rapport à la taille de la pile. Cependant, les modèles ont également confirmé que connaître la vitesse de l'eau seule ne suffisait pas ; l'ordinateur avait besoin de connaître la teneur en eau et la teneur en argile du sol pour faire une prédiction fiable.

Malgré la haute précision des modèles les plus performants, les chercheurs ont pris soin de ne pas déclarer le problème complètement résolu. Ils ont noté que l'ordinateur a été entraîné sur un nombre relativement restreint d'expériences de laboratoire, et que les scores proches de la perfection pourraient être spécifiques à cet ensemble de données particulier plutôt qu'une garantie pour chaque rivière du monde. L'étude suggère que, bien que l'apprentissage automatique offre un nouvel outil puissant pour comprendre comment l'eau érode les lits de rivières collants, ces modèles doivent être considérés comme des aides à la prédiction sophistiquées qui fonctionnent mieux dans les limites des données sur lesquelles ils ont été entraînés. Les conclusions soulignent que la compréhension de la sécurité des ponts dans les sols cohérents nécessite d'examiner à la fois la puissance de l'eau et les propriétés spécifiques du sol, une combinaison que les méthodes traditionnelles ont eu du mal à capturer efficacement. En démontrant que les ordinateurs peuvent apprendre ces relations complexes, la recherche ouvre une voie vers des conceptions de ponts plus sûres, à condition que les travaux futurs continuent de tester ces outils face aux conditions réelles et à des ensembles de données plus vastes.

Résumé Technique : Prédiction de la profondeur de l'affouillement local autour des piles de pont cylindriques dans des sols cohérents à l'aide d'algorithmes d'apprentissage automatique avancés

Énoncé du problème
La prédiction fiable de l'affouillement local autour des piles de pont cylindriques dans des lits cohérents demeure un défi important en ingénierie hydraulique. Contrairement aux sédiments non cohérents, où l'érosion est principalement régie par la taille des grains et la vitesse critique, l'érodibilité des sols cohérents implique des interactions complexes et non linéaires entre le forçage hydraulique et la résistance géotechnique. Des facteurs tels que la teneur en eau, la teneur en argile et la résistance au cisaillement critique du lit influencent la liaison interparticulaire et les seuils d'érosion, provoquant souvent l'érosion du matériau cohérent sous forme d'agrégats ou de blocs plutôt que de grains individuels. Les relations empiriques traditionnelles, largement développées pour les sédiments non cohérents, sont difficiles à appliquer directement aux lits cohérents. Bien que les techniques fondées sur les données aient montré un certain potentiel, il est nécessaire de comparer systématiquement différents paradigmes d'apprentissage automatique sous un cadre dimensionnel commun et physiquement cohérent afin de garantir la robustesse et l'interprétabilité des modèles.

Méthodologie
L'étude a utilisé un ensemble de données de 122 enregistrements de laboratoire compilés à partir d'investigations antérieures (spécifiquement la base de données de lits cohérents de Choi et Choi, 2022). La recherche s'est concentrée sur la prédiction de la profondeur d'affouillement maximale adimensionnelle ( $d_{max}/D$ ) en utilisant quatre prédicteurs principaux :

Teneur en eau ( $W_c$ )
Teneur en argile ( $CP$ )
Nombre de Froude de la pile ( $Fr = V/\sqrt{gD}$ )
Résistance au cisaillement critique normalisée ( $\tau_c / (\rho V^2)$ )

Le jeu de données a été partitionné en un ensemble d'entraînement (~~70 %) et un ensemble de test de réserve (~~30 %) pour évaluer la généralisation. Pour évaluer systématiquement l'influence des prédicteurs, les auteurs ont employé une conception exhaustive de sous-ensembles d'entrées, testant les 15 combinaisons non vides des quatre variables.

Cinq algorithmes d'apprentissage automatique distincts ont été évalués sous ce cadre commun :

Réseau de neurones artificiels (ANN) : Implémenté comme un perceptron multicouche.
Machine à vecteurs de support (SVM) : Utilisant un noyau de fonction radiale de base.
K-plus proches voisins (KNN) : Utilisant une régression basée sur la distance euclidienne.
Programmation par expression génétique (GEP) : Une technique de régression symbolique évolutionnaire produisant des formules explicites.
QNET : Un cadre de modélisation de réseau neuronal alternatif.

La performance a été évaluée à l'aide du coefficient de détermination ( $R^2$ ), de la racine de l'erreur quadratique moyenne (RMSE) et de l'indice d'accord de Willmott ( $DC$ ). Des analyses de sensibilité ont été menées via la suppression de prédicteurs un par un pour déterminer l'influence relative de chaque variable.

Résultats clés

Performance des modèles : QNET a obtenu la performance rapportée la plus élevée sur l'ensemble de test de réserve, avec un $R^2$ de 0,9958, un RMSE de 0,0111 et un $DC$ de 0,9836. L'ANN a suivi avec une forte performance ( $R^2 = 0,9206$ , RMSE = 0,0303, $DC = 0,9285$ ). SVM et KNN ont démontré une performance intermédiaire, tandis que la configuration GEP à pleine entrée a montré une plus faible généralisation ( $R^2 = 0,6791$ ), malgré la fourniture d'une expression symbolique explicite.
Sensibilité des prédicteurs : La sensibilité des prédicteurs variait selon le modèle et la métrique.
- Dans le cas de SVM, la suppression de la teneur en argile ( $CP$ ) a provoqué la plus grande chute de $R^2$ , tandis que la suppression du nombre de Froude ( $Fr$ ) a provoqué la plus grande chute de $DC$ .
- Dans QNET et ANN, la suppression du nombre de Froude ( $Fr$ ) a entraîné le déclin le plus significatif de $R^2$ et de $DC$ , soulignant le rôle critique de l'intensité hydraulique.
- Les résultats de GEP ont également indiqué une forte influence de $Fr$ , bien que des incohérences dans ses mesures de sensibilité rapportées aient empêché une attribution quantitative précise.
Généralisation : Bien que QNET et ANN présentent une haute précision d'entraînement, l'étude a noté un écart de généralisation mesurable pour l'ANN (entraînement $R^2$ 0,9996 contre réserve 0,9206). La performance proche de l'unité de QNET a été interprétée avec prudence en raison de la taille modeste de l'échantillon et de la dépendance à une seule partition de données.

Signification et affirmations
L'article affirme démontrer le potentiel de l'apprentissage automatique pour prédire l'affouillement dans les lits cohérents, en soulignant que les cadres de prédiction doivent simultanément prendre en compte le forçage hydraulique et la résistance du lit. L'étude souligne l'importance d'utiliser des prédicteurs physiquement cohérents (tels que le nombre de Froude et la résistance au cisaillement normalisée) plutôt que de se fier uniquement à l'ajustement statistique.

Les auteurs déclarent explicitement que leurs résultats doivent être interprétés comme la performance rapportée pour la partition de données spécifique utilisée, et non comme une preuve définitive de la supériorité universelle des modèles ou de la généralisation à l'échelle du terrain. Ils avertissent que la performance quasi parfaite de QNET nécessite une interprétation prudente compte tenu du jeu de données limité (122 enregistrements) et de l'absence de rééchantillonnage répété ou de journaux de validation externe. L'étude conclut que, bien que l'apprentissage automatique offre des outils puissants pour ce domaine, les modèles développés doivent être considérés comme des outils de prédiction fondés sur les données au sein du domaine de laboratoire représenté, et non comme des équations de conception sans restriction. Des travaux futurs sont suggérés, incluant une validation externe rigoureuse utilisant des ensembles de données indépendants (tels que ceux de Gudavalli et Kothyari et al.) et l'application de méthodes d'ensemble avec des techniques d'IA explicables.

Articles similaires