⚡ génie électrique

Damage prediction of shield tunnel structures driven by numerical simulation and machine learning

Cette étude propose un cadre de prédiction des dommages fiable pour les tunnels boucliers qui intègre un modèle numérique de haute fidélité, validé par des expériences pour révéler un processus de rupture en trois étapes, avec un réseau de mémoire à long et court terme optimisé par essaim de particules pour prédire avec précision l'évolution de la largeur des fissures sous des conditions de charge ultime.

Auteurs originaux : Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

Publié 2026-09-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yang Yu, Haishuang Guan, Shuang Gao, Chunbing Guo, Yanyu Meng

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

Sous les rues animées des villes modernes se cache un vaste réseau silencieux de tunnels qui transportent des millions de personnes chaque jour. Ces tunnels boucliers, construits pour durer un siècle, sont conçus pour résister à l'immense pression de la terre et au poids de la ville située au-dessus. Cependant, ils ne sont pas immunisés contre les forces lentes et rampantes du temps et du stress. Lorsqu'un tunnel est poussé au-delà de ses limites, peut-être par un mouvement soudain du sol ou une charge inattendue, les anneaux de béton qui forment ses parois commencent à se fissurer. Comprendre exactement comment ces fissures commencent, se propagent et mènent finalement à une défaillance structurelle est crucial pour maintenir la sécurité du métro. Les ingénieurs s'appuient depuis longtemps sur des tests physiques et des simulations informatiques complexes pour prédire ces défaillances, mais le comportement du béton fissuré est si complexe que même les meilleures simulations peinent à capturer chaque détail. Pour combler cette lacune, les chercheurs se tournent désormais vers une nouvelle approche qui combine la précision de la modélisation basée sur la physique avec le pouvoir de reconnaissance de formes de l'intelligence artificielle.

Une équipe de chercheurs de l'Université de Beihua en Chine a développé une nouvelle méthode pour prédire exactement l'ampleur de la fissuration d'un tunnel bouclier sous un stress extrême. Ils ont commencé par construire un jumeau numérique hautement détaillé d'un segment de tunnel réel, modélisé d'après un projet à Shanghai. Il ne s'agissait pas d'un simple croquis ; c'était un modèle informatique sophistiqué qui tenait compte de la manière spécifique dont le béton se comporte lorsqu'il est étiré, de la présence de barres d'acier cachées à l'intérieur des parois, et des joints complexes où les anneaux de béton se connectent. Les chercheurs ont également inclus l'effet des regards de visite, qui créent des points faibles dans la structure, ainsi que le frottement entre les boulons qui maintiennent les anneaux ensemble. Pour s'assurer que leur modèle numérique était digne de confiance, ils ont effectué un test virtuel imitant une expérience réelle où un segment de tunnel de taille réelle était compressé jusqu'à la rupture. Les prédictions de l'ordinateur correspondaient presque parfaitement à l'expérience physique, confirmant que le modèle numérique pouvait simuler avec précision le parcours du tunnel, d'un état sain à un état rompu.

Avec un modèle numérique fiable en main, l'équipe a lancé des milliers de simulations pour observer la défaillance du tunnel au ralenti. Ils ont observé que la structure ne s'effondre pas d'un coup ; elle passe plutôt par trois phases distinctes. Premièrement, le tunnel se comporte comme un ressort rigide, se pliant légèrement mais retrouvant sa forme originale. À mesure que la charge augmente, le béton commence à développer de minuscules fissures, marquant une transition vers une deuxième phase où les dommages sont locaux et gérables. Enfin, si la pression continue de monter, les fissures se multiplient et se propagent rapidement, les barres d'acier à l'intérieur commencent à se tordre de manière permanente, et la structure entre dans une phase de défaillance globale. Les chercheurs ont constaté que le tunnel pouvait supporter une charge allant jusqu'à 420 kilonewtons avant d'atteindre ce point critique de l'effondrement. À ce stade, les fissures à la surface s'étaient élargies à plus de 4 millimètres, et l'armature en acier avait cédé, ce qui signifie qu'elle s'était étirée au-delà de sa capacité de récupération.

La véritable innovation de cette étude réside dans ce que les chercheurs ont fait ensuite. Au lieu de s'arrêter simplement à la simulation, ils ont utilisé les données générées par ces défaillances virtuelles pour apprendre à un ordinateur à prédire l'avenir. Ils ont employé un type d'intelligence artificielle connu sous le nom de réseau de mémoire à long et court terme (LSTM), qui est particulièrement efficace pour comprendre les séquences d'événements dans le temps, tout comme une personne se souvient d'une histoire en se rappelant l'ordre des événements. Cependant, ces réseaux informatiques possèdent de nombreux paramètres qui doivent être réglés parfaitement pour bien fonctionner. Pour résoudre cela, l'équipe a utilisé un algorithme d'optimisation par essaim de particules, une méthode inspirée de la façon dont les oiseaux volent en groupe pour trouver la meilleure source de nourriture. Cet algorithme a recherché automatiquement la combinaison parfaite de réglages pour le réseau neuronal, garantissant qu'il puisse apprendre les schémas complexes de la croissance des fissures aussi efficacement que possible.

Le résultat est un nouvel outil de prédiction capable de prévoir la largeur des fissures dans un tunnel bouclier avec une précision remarquable. Testé face à des données qu'il n'avait jamais vues auparavant, ce nouveau système a surpassé plusieurs autres modèles d'intelligence artificielle courants. Il a prédit la largeur des fissures avec une marge d'erreur de seulement 0,1033 millimètre et a correspondre aux données réelles avec un haut degré de certitude. L'étude démontre qu'en combinant les lois physiques de l'ingénierie avec le pouvoir d'apprentissage de l'intelligence machine, il est possible de créer un système robuste pour la surveillance de la santé des tunnels. Cette approche offre un moyen d'identifier les dangers potentiels avant qu'ils ne deviennent catastrophiques, fournissant aux ingénieurs un guide fiable pour maintenir la sécurité des systèmes de transport souterrains dont les villes dépendent. Les conclusions suggèrent qu'un tel modèle hybride peut servir d'outil vital pour la protection à long terme des infrastructures, transformant des données complexes en informations claires et exploitables pour permettre au monde de continuer à circuler en toute sécurité sous nos pieds.

Résumé technique : Prédiction des dommages des structures de tunnels à bouclier par simulation numérique et apprentissage automatique

Énoncé du problème

Les tunnels à bouclier sont des infrastructures permanentes critiques conçues pour des durées de vie allant jusqu'à 100 ans. Cependant, ils sont vulnérables aux perturbations provenant des activités de construction environnantes (par exemple, charges de surcharge, excavations adjacentes) et aux événements sismiques, ce qui peut entraîner la fissuration des segments, la dislocation des joints et, dans les cas graves, une instabilité globale. Bien qu'il existe de nombreuses recherches sur les méthodes analytiques simplifiées et les simulations numériques pour la performance des tunnels à bouclier, il existe un manque notable de recherche prédictive se concentrant spécifiquement sur l'évolution de la rupture et des dommages des tunnels à bouclier sous des conditions de charge ultime. Les applications actuelles de l'apprentissage automatique dans le génie des tunnels traitent principalement des problèmes de tassement et de déformation, laissant largement inexplorée la prédiction des processus de rupture structurelle et de l'évolution de la largeur des fissures sous des charges extrêmes.

Méthodologie

L'étude propose un cadre hybride intégrant une simulation numérique de haute fidélité avec l'apprentissage automatique pour prédire l'évolution des dommages. La méthodologie se déroule en quatre étapes distinctes :

1. Modélisation numérique raffinée

Un modèle numérique tridimensionnel détaillé d'un segment de tunnel à bouclier a été développé sur la base des dimensions d'un projet de tunnel du métro de Shanghai (diamètre extérieur de 6,2 m, épaisseur de 0,35 m).

Modélisation constitutive : La non-linéarité du béton a été représentée par un modèle de fissure de déformation totale (spécifiquement le modèle de fissure rotative) pour capturer avec précision le comportement sous l'effet combiné de la traction, de la compression et du cisaillement.
Détails structurels : Le modèle a explicitement pris en compte l'affaiblissement local des regards, les multiples interfaces de contact (simulées par des éléments d'interface pour le glissement/la rotation) et l'armature noyée (simulée par des éléments de treillis).
Validation : La fiabilité du modèle a été vérifiée par rapport aux résultats expérimentaux à pleine échelle, montrant une bonne concordance dans les réponses charge-déplacement.

2. Simulation de rupture et génération de données

Des simulations de rupture ont été menées sous des conditions de capacité portante ultime afin d'élucider l'évolution des contraintes structurelles, de la déformation et de la contrainte de l'armature.

Protocole de chargement : Un processus de chargement en deux étapes a été appliqué, simulant des charges radiales au sommet (couronne), à l'intrados et aux flancs, jusqu'à ce que la rupture de la capacité portante structurelle se produise.
Extraction de données : Les simulations ont généré des données détaillées sur l'évolution de la largeur des fissures, qui ont servi d'indicateur clé pour la prédiction des dommages. Le jeu de données a capturé l'évolution par paliers des fissures due à la nature fragile du béton.

3. Cadre d'apprentissage automatique (PSO-LSTM)

Pour prédire la série temporelle de l'évolution de la largeur des fissures, un réseau Long Short-Term Memory (LSTM) a été sélectionné comme modèle prédictif de base en raison de sa capacité à gérer les dépendances à long terme dans les données de séries temporelles.

Optimisation : Un algorithme d'Optimisation par Essaim Particulaire (PSO) a été employé pour optimiser les hyperparamètres critiques du LSTM, notamment le nombre d'unités cachées, le taux d'apprentissage initial et le coefficient de régularisation L2.
Entraînement : L'algorithme PSO a mis à jour de manière itérative les positions et les vitesses des particules pour identifier l'optimum global, minimisant l'erreur de prédiction.

4. Évaluation comparative

Le modèle PSO-LSTM proposé a été entraîné et testé à l'aide du jeu de données de simulation numérique. Ses performances ont été comparées quantitativement à trois autres modèles : un réseau de neurones à rétropropagation (BP), un réseau de neurones convolutifs (CNN) et un modèle LSTM conventionnel. Les mesures d'évaluation comprenaient l'erreur quadratique moyenne (RMSE) et le coefficient de détermination ( $R^2$ ).

Résultats clés

Conclusions de la simulation numérique

Étapes de rupture : Le processus de rupture structurelle a été divisé en trois étapes :
1. Stade élastique linéaire : Jusqu'à 230 kN (largeur de fissure ~0,1 de mm).
2. Stade de dommage local : De 230 kN à 420 kN (largeur de fissure jusqu'à 3,16 mm).
3. Stade de rupture globale : > 420 kN (largeur de fissure jusqu'à 4,37 mm).
Caractéristiques des dommages : La rupture par traction a dominé le schéma de dommage. Les fissures ont débuté sur les faces internes de la couronne et de l'intrados, se propageant vers les flancs. Un effondrement local s'est produit au niveau des joints des segments, et la capacité portante ultime a été déterminée à 420 kN.
Comportement de l'armature : L'armature interne a subi une concentration progressive de contraintes de traction, atteignant finalement la limite d'élasticité (335 MPa) lors de la rupture structurelle.

Performance de l'apprentissage automatique

Configuration optimale : L'analyse de sensibilité a identifié 15 particules et 30 itérations de PSO comme réglages optimaux. Une répartition des données de 7:3 (entraînement:test) a donné la meilleure performance.
Précision de la prédiction : Le modèle PSO-LSTM a atteint une RMSE de 0,1033 et un $R^2$ de 0,9487.
Supériorité comparative : Le modèle PSO-LSTM a surpassé les modèles BP, CNN et LSTM conventionnels en termes de précision et de stabilité. Le modèle BP a présenté un surapprentissage (overfitting), tandis que le modèle PSO-LSTM a démontré une capacité supérieure à capturer les caractéristiques dynamiques complexes de l'évolution des dommages sans surapprentissage évident.

Signification et affirmations

L'article affirme que l'approche proposée fournit une orientation efficace pour la surveillance et la protection des tunnels de métro. En intégrant une simulation numérique de haute fidélité à un modèle d'apprentissage automatique optimisé, l'étude offre une méthode fiable pour prédire l'évolution de la largeur des fissures sous des conditions de charge ultime.

Les auteurs soutiennent que ce cadre contribue à améliorer la sécurité opérationnelle en permettant l'identification précoce des risques catastrophiques potentiels et en soutenant les décisions concernant la réparation ou le renforcement opportuns. L'étude souligne que le modèle PSO-LSTM fournit une base robuste et crédible pour l'exploitation et la maintenance des tunnels, répondant ainsi aux limites des méthodes existantes qui se concentrent principalement sur le tassement plutôt que sur les mécanismes de rupture ultime.