Explainable and Uncertainty-Aware Machine Learning for Compressive Strength Prediction of 3D-Printed Fiber-Reinforced Concrete

Imaginez un chantier de construction où le travail lourd et lent consistant à couler du béton dans des moules en bois est remplacé par une imprimante géante et précise, déposant des couches de matériau pour construire un mur, un pont ou même une maison. C'est la promesse du béton imprimé en 3D, une technologie qui pourrait réduire drastiquement les déchets, diminuer les coûts et réduire le besoin de grandes équipes de main-d'œuvre qualifiée. Mais il y a un piège. Le béton utilisé dans ces imprimantes se comporte différemment du béton coulé dans des formes traditionnelles. Il s'écoule, se fige et se renforce de manières uniques selon la façon dont il est mélangé et imprimé. Pour que ces structures soient sûres et fiables, les ingénieurs doivent savoir exactement quelle sera leur résistance avant qu'elles ne soient construites. Le défi est que la résistance de ce matériau dépend d'un nombre vertigineux de facteurs : le type de ciment, la quantité d'eau, le type et la quantité de fines fibres mélangées pour le renforcer, et même la direction dans laquelle la machine dépose les couches. Essayer de trouver la recette parfaite en mélangeant et en testant des centaines de lots en laboratoire est lent, coûteux et laisse souvent les ingénieurs dans l'incertitude.

Une équipe de chercheurs a abordé ce problème en apprenant aux ordinateurs à tirer des enseignements des expériences passées. Ils ont rassemblé des données provenant de 299 tests différents issus de la littérature scientifique, couvrant une grande variété de mélanges de béton imprimés en 3D incluant différentes fibres comme l'acier, le verre et le plastique. Ils ont injecté ces informations dans quatre types différents de programmes d'apprentissage informatique, chacun conçu pour identifier des modèles dans des données complexes. L'objectif était de déterminer quel programme pouvait le mieux prédire la résistance finale du béton en fonction de ses ingrédients et des conditions d'impression. Les chercheurs ne voulaient pas seulement un ordinateur capable de deviner le bon chiffre ; ils voulaient comprendre pourquoi l'ordinateur faisait ce choix. Ils ont utilisé des outils spéciaux pour percer les couches du processus de décision de l'ordinateur, cherchant à voir quels ingrédients importaient le plus et comment ils interagissaient. Cette approche, appelée intelligence artificielle explicable, garantit que l'ordinateur n'est pas seulement une « boîte noire » fournissant des réponses, mais un outil transparent que les ingénieurs peuvent comprendre et en lequel ils peuvent avoir confiance.

L'étude a révélé qu'un type spécifique de programme d'apprentissage, appelé « Natural Gradient Boosting », était le prédicteur le plus précis. Testé sur de nouvelles données qu'il n'avait jamais vues auparavant, ce programme a prédit la résistance du béton avec un haut degré de précision, ne s'écartant de la valeur réelle que d'une faible marge en moyenne. Un autre programme, appelé CatBoost, s'est également montré excellent, particulièrement pour minimiser la taille moyenne de ses erreurs. Les modèles informatiques ont appris que les facteurs les plus critiques déterminant la résistance étaient le rapport entre l'eau et la poudre de liant, la quantité totale d'eau, la présence de fumée de silice (une poudre fine qui renforce le béton) et l'utilisation de superplastifiants (des produits chimiques qui amélirent la fluidité du mélange). Les modèles ont également confirmé que la direction dans laquelle le béton est chargé — que la pression soit appliquée parallèlement aux couches imprimées ou perpendiculairement à celles-ci — modifie considérablement le résultat, un phénomène connu sous le nom d'anisotropie.

De manière cruciale, les chercheurs ont découvert que la relation entre les ingrédients et la résistance n'est ni simple ni linéaire. Les modèles informatiques ont révélé que l'ajout d'un certain ingrédient aide jusqu'à un certain point, après quoi le bénéfice stagne ou même s'inverse. Par exemple, l'effet de la longueur et du diamètre des fibres change en fonction des autres ingrédients du mélange. Les modèles ont également montré que l'âge du béton importe, la résistance augmentant avec le temps avant de finir par se stabiliser. En utilisant ces outils d'apprentissage avancés, les chercheurs ont pu cartographier ces comportements complexes et non linéaires qui seraient très difficiles à déceler en observant de simples chiffres bruts. Ils ont constaté que les prédictions de l'ordinateur n'étaient pas de simples coups de chance ; la logique sous-jacente concordait avec ce que les ingénieurs savent déjà sur le fonctionnement du béton, donnant ainsi aux résultats un fondement de confiance solide.

Pour rendre cette technologie utile aux ingénieurs de terrain qui ne maîtrisent pas forcément le codage, l'équipe a conçu un programme informatique simple et interactif doté d'une interface visuelle. Cet outil permet à un utilisateur de saisir les détails spécifiques de son mélange — tels que la quantité d'eau, de ciment et de fibres qu'il prévoit d'utiliser — et de recevoir instantanément une prédiction de la résistance du béton. Contrairement aux anciens outils qui ne donnent qu'un chiffre unique, ce nouveau programme fournit également une plage de résultats probables, indiquant le degré de certitude ou d'incertitude de la prédiction. Il met même en évidence quel ingrédient spécifique fait monter ou descendre la résistance pour ce mélange particulier. Cela signifie qu'un ingénieur peut tester rapidement des dizaines de recettes différentes sur un écran pour voir lesquelles sont prometteuses avant même de mélanger le moindre seau de béton en laboratoire.

Les chercheurs précisent toutefois que, bien que cet outil soit puissant pour la planification et la sélection, il ne remplace pas les tests physiques. L'ordinateur est un guide, pas une autorité finale. Les modèles sont basés sur des types spécifiques de béton et de méthodes d'impression, et l'outil est conçu pour aider à réduire le champ des candidats potentiels pour des études plus approfondies, et non pour certifier un bâtiment pour la construction. L'étude conclut qu'en combinant une prédiction de haute précision avec des explications claires sur la manière dont la prédiction a été établie, ce nouveau cadre offre un moyen pratique d'accélérer le développement du béton imprimé en 3D. Il transforme un processus qui nécessitait auparavant d'innombrables essais et erreurs en un parcours plus efficace et axé sur les données, aidant à rapprocher la réalité de la construction automatisée.