Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

Le sol sous nos pieds est rarement uniforme. Dans de nombreux endroits, le sol est meuble, humide et sujet aux mouvements, ce qui en fait une mauvaise fondation pour les routes, les bâtiments ou les ponts. Les ingénieurs savent depuis longtemps comment remédier à cela en mélangeant la terre faible avec des agents stabilisants comme la chaux ou le ciment. Ces additifs déclenchent des réactions chimiques qui lient les particules de sol entre elles, transformant un amas spongieux en un matériau solide capable de supporter des charges. Cependant, déterminer exactement quelle quantité de stabilisant utiliser et combien de temps attendre pour que le sol durcisse est un processus lent et coûteux. Cela nécessite de mélanger des dizaines de lots différents en laboratoire, d'attendre des semaines qu'ils guérissent, puis de les broyer pour mesurer leur résistance. Pour chaque nouveau type de sol ou pour chaque changement de recette, ce cycle doit être répété, consommant du temps et des ressources qui pourraient être mieux utilisés pour la construction.

Une équipe de chercheurs a développé une nouvelle façon d'accélérer ce processus sans sacrifier la précision. Ils ont créé un modèle informatique qui agit comme un prédicteur hautement qualifié, apprenant des expériences passées pour deviner la résistance de futurs mélanges de sol. Mais au lieu de simplement nourrir l'ordinateur avec des chiffres bruts, les chercheurs lui ont appris à penser comme un ingénieur géotechnique. Ils ont construit le modèle en utilisant des caractéristiques « guidées par la physique », ce qui signifie qu'ils ont fourni à l'ordinateur des descripteurs qui reflètent les processus physiques et chimiques réels se produisant dans le sol, tels que la façon dont le liant interagit avec le temps et la façon dont la plasticité naturelle du sol change. Cette approche permet au modèle de comprendre le « pourquoi » derrière la résistance, et pas seulement le « quoi ». Le résultat est un outil capable de filtrer rapidement et de manière fiable les mélanges de sol potentiels, aidant les ingénieurs à décider quelles combinaisons valent la peine d'être testées en laboratoire et lesquelles sont susceptibles d'échouer, tout en fournissant une explication claire de la raison pour laquelle un mélange spécifique est censé bien performer.

Les chercheurs se sont concentrés sur un type spécifique de traitement de sol impliquant de l'argile kaolin, un sol faible courant, stabilisé avec deux matériaux : de la nano-argile, une poudre de roche finement broyée, et de la chaux éteinte, une forme réactive d'oxyde de calcium. Ils ont commencé avec une base de données de 180 mesures de laboratoire individuelles provenant de 36 conceptions de mélanges différentes. Chaque conception variait la quantité de nano-argile et de chaux utilisée, ainsi que le nombre de jours pendant lesquels le sol a été laissé à la maturation. L'objectif était de prédire la résistance à la compression non confinée, une mesure standard de la pression que le sol peut supporter avant de rompre. Pour ce faire, ils ont testé plusieurs types d'algorithmes d'apprentissage automatique, allant de simples équations linéaires à des réseaux de neurones artificiels complexes et des modèles avancés basés sur des arbres. Ils n'ont pas simplement divisé les données en groupes d'entraînement et de test aléatoires, une pratique courante qui peut parfois masquer les failles d'un modèle. Au lieu de cela, ils ont utilisé une méthode rigoureuse appelée validation croisée de groupe imbriquée (nested group cross-validation). Cela a permis de tester le modèle sur des conceptions de mélanges entièrement nouvelles qu'il n'avait jamais vues, empêchant l'ordinateur de simplement mémoriser les résultats d'échantillons similaires et de donner un faux sentiment de précision.

Après avoir entraîné et testé ces modèles, les chercheurs ont constaté qu'un algorithme spécifique appelé CatBoost était le plus performant, mais seulement après avoir affiné les informations qu'il recevait. Initialement, ils avaient fourni au modèle sept caractéristiques élaborées conçues pour capturer la physique du processus de stabilisation, telles que la quantité totale de liant utilisé et la façon dont ce liant interagissait avec le temps de maturation. À travers un processus minutieux consistant à supprimer les caractéristiques une par une, ils ont découvert que l'une de ces entrées était en réalité redondante et perturbait le modèle. En la supprimant, ils ont créé une version rationalisée comprenant six descripteurs clés qui incluaient la teneur totale en liant, l'interaction entre la nano-argile et les jours de maturation, et une mesure de la plasticité relative du sol. Ce modèle affiné, qu'ils ont nommé CatBoost-6PG, a atteint un haut niveau de précision, prédisant correctement la résistance des mélanges de sol avec une marge d'erreur d'environ 151 kilopascals. Cette performance était nettement supérieure aux modèles plus simples et même supérieure aux modèles plus complexes qui n'utilisaient pas ces entrées basées sur la physique.

La véritable valeur de ce travail réside toutefois dans sa transparence. Les chercheurs ne se sont pas arrêtés à obtenir une bonne prédiction ; ils voulaient comprendre ce que le modèle apprenait réellement. En utilisant une technique appelée analyse SHAP, ils ont cartographié les facteurs les plus importants. Ils ont découvert que le modèle identiait correctement l'indice de plasticité du sol — une mesure de la quantité d'eau que le sol peut contenir avant de devenir collant — comme le facteur le plus critique. Une plasticité élevée entraînait systématiquement des prédictions de résistance plus faibles, ce qui concorde parfaitement avec la mécanique des sols établie. Le modèle a également appris que le passage du temps était crucial, les périodes de maturation plus longues conduisant à un sol plus résistant, et que l'interaction entre le liant et le temps de maturation était plus importante que la quantité de liant seule. Par exemple, le modèle a montré que l'ajout de plus de nano-argile n'était utile que s'il y avait suffisamment de temps pour que les réactions chimiques se produisent. Ces informations confirment que le modèle ne se contente pas de trouver des motifs statistiques, mais qu'il saisit les véritables mécanismes physiques de la stabilisation du sol.

Pour garantir la fiabilité des prédictions, l'équipe a également quantifié l'incertitude, ou la plage de résultats possibles, pour chaque prédiction. Ils ont simulé des milliers de scénarios où les valeurs d'entrée, telles que la quantité exacte de chaux ou le temps de maturation, étaient légèrement variées pour imiter les imperfections du monde réel. Ils ont découvert que la principale source d'incertitude provenait de la variabilité des matériaux d'entrée eux-mêmes, plutôt que des calculs internes du modèle. Lorsqu'ils ont pris en compte cette variabilité, le modèle a fourni un intervalle de prédiction couvrant près de 90 % des résultats de tests réels. Cela signifie que, bien que le modèle donne un chiffre spécifique pour la résistance attendue, il fournit également une marge de sécurité, indiquant aux ingénieurs à quel point ce chiffre pourrait fluctuer dans la réalité. C'est une caractéristique vitale pour l'ingénierie, où la sécurité dépend de la compréhension des limites d'une prédiction.

L'étude a également exploré l'utilité du modèle lors des premières étapes d'un projet, lorsque les ingénieurs ne disposent pas encore de données détaillées sur les propriétés de compactage ou les limites de plasticité du sol. Ils ont testé le modèle en utilisant uniquement les variables de base de la conception du mélange : les quantités de nano-argile et de chaux, ainsi que le temps de maturation. Bien que le modèle puisse toujours faire une estimation approximative avec ces informations limitées, sa précision chutait considérablement. Cette conclusion est pratique et honnête : le modèle n'est pas un remplacement pour les tests en laboratoire, mais un outil puissant pour les guider. Il peut aider les ingénieurs à réduire la liste des mélanges prometteurs à tester, économisant ainsi du temps et de l'argent, mais il repose toujours sur les propriétés fondamentales du sol pour produire ses prédictions les plus précises.

En fin de compte, cette recherche offre un pont entre les données brutes et l'intuition de l'ingénieur. En combinant l'apprentissage automatique avec une compréhension profonde des processus physiques en jeu, les chercheurs ont créé un outil qui est à la fois précis et explicable. Il ne traite pas le sol comme une boîte noire, mais apprend plutôt les règles de l'interaction entre les liants, le temps et les propriétés du sol pour créer de la résistance. Cette approche permet un processus de conception plus efficace, où les ingénieurs peuvent examiner les mélanges avec confiance et concentrer leurs ressources sur les combinaisons les plus susceptibles de réussir. Ce travail démontre que lorsque l'intelligence artificielle est guidée par les lois de la physique, elle peut devenir un partenaire fiable pour résoudre des défis d'ingénierie complexes, offrant clarté et confiance dans la conception des structures qui soutiennent notre vie quotidienne.