⚡ electrical engineering

Interpretable hybrid XGBoost-MH models for predicting crack coalescence stress from direct shear testing of rock-like specimens containing non-persistent joints

Cette étude développe un modèle hybride interprétable XGBoost-Butterfly Optimization, validé sur 450 essais de cisaillement direct et intégré dans une interface graphique conviviale, afin de prédire avec précision la contrainte de coalescence des fissures dans les massifs rocheux fracturés tout en identifiant les principaux moteurs mécaniques grâce à l'analyse SHAP.

Auteurs originaux : Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Publié 2026-07-10

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

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

Imaginez que vous avez un énorme bloc de roche, mais ce n'est pas un cube parfait et solide. C'est plutôt comme un puzzle fait de morceaux brisés collés ensemble, avec des fissures qui parcourent le bloc sans pour autant le traverser complètement. On appelle cela des « joints non persistants ». Maintenant, imaginez que vous essayez de faire glisser la moitié supérieure de ce bloc sur le côté tout en appuyant dessus vers le bas. Que se passe-t-il ? La roche ne se contente pas de glisser ; les fissures commencent à croître, elles se rejoignent, et soudain, l'ensemble se brise. Le moment exact où les fissures unissent leurs forces pour briser la roche est appelé la Contrainte de Coalescence des Fissures (CCF).

Pendant longtemps, déterminer exactement quand ce craquement se produit a été comme essayer de deviner la fin d'un roman policier en ne lisant que la première page. Les scientifiques ont réalisé des centaines d'expériences, mais les mathématiques derrière tout cela sont si complexes et tortueuses qu'il est difficile de prédire le résultat sans refaire tout le travail laborieux en laboratoire à chaque fois.

C'est là que cette étude intervient. Les chercheurs ont décidé d'apprendre à un cerveau informatique super intelligent à être le détective. Ils n'ont pas utilisé un seul cerveau ; ils ont construit une équipe de quatre algorithmes « métaheuristiques » — imaginez quatre types différents de chercheurs de trésors, chacun ayant sa propre façon de chercher la meilleure réponse. Ces chercheurs étaient :

Le Honey Badger (HBA) : Un creuseur robuste et implacable.
Le Papillon (BOA) : Un chercheur sensible qui suit les pistes d'odeurs.
Le Corbeau (CSA) : Un oiseau intelligent qui se souvient de l'endroit où il a caché sa nourriture et observe les autres.
Le Loup Gris (GWO) : Un chef de meute qui coordonne une chasse.

Leur tâche était de régler un outil d'apprentissage automatique très puissant appelé XGBoost. Considérez XGBoost comme une calculatrice très rapide et très précise capable d'apprendre des modèles. Mais comme un personnage de jeu vidéo, il a besoin que ses paramètres soient ajustés parfaitement pour fonctionner au mieux. Les quatre « chasseurs » (algorithmes) ont fait la course pour trouver les réglages parfaits pour la calculatrice.

La Grande Découverte
L'équipe a réalisé 450 essais de cisaillement direct sur des échantillons de type roche composés de gypse et de ciment. Ils ont analysé toutes ces données et ont laissé les quatre chasseurs faire leur travail. Voici le résultat : les quatre chasseurs étaient bons, mais le Papillon (BOA) était le grand vainqueur.

Le modèle XGBoost–BOA ne s'est pas contenté de deviner ; il a visé juste dans ses prédictions. Testé sur de nouvelles données inédites, il a réussi avec une précision de 99,62 % (un score appelé VAF). Son erreur était infime, avec une erreur quadratique moyenne (RMSE) de seulement 1,2680 et une erreur absolue moyenne (MAE) de 0,8159. Dans le monde de la physique des roches, c'est comme atteindre le centre d'une cible à l'autre bout de la pièce. Les autres chasseurs (GWO, CSA et HBA) étaient proches, mais les prédictions du Papillon étaient les plus stables et les plus fiables, avec le moins de « tremblement » ou d'incertitude.

Ce qui compte réellement ?
Les chercheurs ne voulaient pas seulement une boîte noire qui donne un chiffre ; ils voulaient savoir pourquoi l'ordinateur faisait ce choix. En utilisant un outil de « rayons X » spécial appelé analyse SHAP, ils ont regardé à l'intérieur du cerveau du modèle. Ils ont découvert que trois éléments étaient les acteurs majeurs contrôlant le moment où la roche se brise :

Contrainte Normale (σₙ) : La force avec laquelle vous appuyez sur la roche.
Résistance à la Compression Uniaxiale (σc) : La force intrinsèque du matériau rocheux.
Coefficient de Jonction (JC) : Un nombre qui décrit quelle partie de la surface de la roche est réellement une fissure par rapport à la roche solide.

Le modèle a montré que si vous appuyez plus fort (contrainte normale plus élevée) ou si la roche est plus résistante (résistance à la compression plus élevée), les fissures ont besoin de plus de force pour se rejoindre. Curieusement, d'autres facteurs comme l'élasticité de la roche ou le coefficient de Poisson jouaient un rôle beaucoup plus mineur dans ce scénario spécifique. Le modèle a appris que ces « trois grands » sont ceux qui dictent les règles.

Ce que l'article écarte
L'étude argumente explicitement contre l'idée que l'on puisse prédire facilement ce comportement en regardant simplement un seul facteur de manière isolée, comme la longueur des joints ou l'angle. L'article suggère que l'interaction entre la contrainte normale, la résistance du matériau et le coefficient de jonction est trop complexe pour être démêlée par de simples expériences seules. L'ancienne méthode consistant à essayer de deviner ces relations de manière qualitative (juste en regardant et en supposant) ne suffit pas ; il faut ce genre d'approche basée sur les données et hybride pour voir l'image complète.

À quel point sont-ils sûrs d'eux ?
Les auteurs sont très confiants dans leurs chiffres, mais ils veillent à ne pas prétendre avoir résolu l'univers. Ils ont prouvé que leur modèle fonctionne extrêmement bien sur les 450 tests spécifiques qu'ils ont réalisés en laboratoire. Ils ont utilisé une technique appelée validation croisée à 10 plis (10-fold cross-validation), ce qui revient à tester un étudiant sur dix examens blancs différents pour s'assurer qu'il ne fait pas que mémoriser les réponses, mais qu'il apprend réellement la leçon. Les résultats ont tenu bon à chaque fois.

Cependant, ils sont honnêtes quant aux limites. Ce modèle a été entraîné sur des échantillons de type roche faits de mélanges de gypse et de ciment dans un cadre de laboratoire. Ils ne prétendent pas que ce modèle fonctionne parfaitement sur tous les types de roches du monde réel (comme une montagne de granit ou de grès) sans tests supplémentaires. Ils suggèrent que, bien que l'outil soit puissant, les travaux futurs devront tester une plus grande variété de matériaux et de conditions de contrainte pour être véritablement universels.

Le Bonus Cool : Un Jeu Vidéo pour Ingénieurs
Pour rendre cela utile aux personnes réelles, l'équipe n'a pas laissé les mathématiques dans un carnet de notes. Ils ont construit une Interface Graphique Utilisateur (GUI). Imaginez une application simple où un ingénieur peut saisir la résistance de la roche, la pression et les détails des fissures, cliquer sur un bouton « Prédire », et obtenir instantanément la réponse. Cela transforme un problème mathématique complexe et de haute technologie en un outil simple que nicon peut utiliser pour concevoir des tunnels, des barrages et des pentes plus sûrs.

En résumé, l'article montre qu'en laissant un « Papillon » chasser les meilleurs réglages dans un super-ordinateur, nous pouvons prédire avec une précision incroyable le moment exact où une roche fissurée se brisera sous la pression, nous donnant ainsi une carte plus claire de la façon dont le sol sous nos pieds pourrait se comporter.

Résumé Technique : Modèles Hybrides XGBoost-MH Interprétables pour la Prédiction de la Contrainte de Coalescence des Fissures

Énoncé du Problème
La contrainte de coalescence des fissures (CCS) est un paramètre mécanique critique régissant la rupture induite par cisaillement dans les massifs rocheux diaclases, jouant un rôle essentiel dans l'analyse de la stabilité des projets d'ingénierie de surface et souterrains. Bien que la recherche en laboratoire ait examiné de manière approfondie l'initiation et la propagation des fissures sous diverses configurations de contraintes, l'influence simultanée et quantitative de la contrainte normale ( $\sigma_n$ ), des propriétés mécaniques intrinsèques du matériau intact et du coefficient de diaclase (JC) sur la CCS reste insuffisamment comprise. Les approches expérimentales traditionnelles peinent souvent à isoler ces effets non linéaires couplés, particulièrement lorsque des ensembles de données volumineux sont disponibles mais que les relations sous-jacentes sont obscurcies. Cette étude aborde cette lacune en développant un cadre fondé sur les données pour prédire la CCS pour des échantillons de type roche contenant des joints non persistants soumis à un chargement par cisaillement direct.

Méthodologie
L'étude utilise une base de données complète dérivée de 450 essais de cisaillement direct effectués sur des échantillons cubiques de type roche (mélanges de gypse et de ciment) présentant diverses configurations de joints non persistants. Le programme expérimental a fait varier systématiquement le coefficient de diaclase (JC), la contrainte normale ( $\sigma_n$ ) et les propriétés mécaniques du matériau (résistance à la compression uniaxiale $\sigma_c$ , résistance à la traction $\sigma_t$ , module d'élasticité $E$ , coefficient de Poisson $\nu$ , cohésion $C$ et angle de frottement interne $\phi$ ).

Pour prédire la CCS, les auteurs ont développé un cadre de modélisation hybride intégrant l'algorithme Extreme Gradient Boosting (XGBoost) avec quatre techniques d'optimisation métaheuristique basées sur la population :

Algorithme Honey Badger (HBA)
Algorithme Butterfly Optimization (BOA)
Algorithme Crow Search (CSA)
Optimiseur Grey Wolf (GWO)

Les algorithmes métaheuristiques ont été employés pour optimiser systématiquement les hyperparamètres du modèle XGBoost (ex: nombre d'estimateurs, taux d'apprentissage, profondeur maximale). Le processus de modélisation a impliqué :

Partitionnement des données : Le jeu de données a été divisé en 80 % pour l'entraînement et 20 % pour le test.
Optimisation : Une stratégie de validation croisée à 10 plis a été mise en œuvre sur l'ensemble d'entraînement pour minimiser le surapprentissage et sélectionner les hyperparamètres optimaux en minimisant l'erreur quadratique moyenne (RMSE).
Évaluation : La performance du modèle a été évaluée à l'aide d'indices statistiques ( $R^2$ , VAF, RMSE, MAE), de critères de théorie de l'information (AIC, BIC), de diagnostics graphiques (diagrammes de Taylor, courbes de caractéristique d'erreur de régression), d'analyse des résidus et d'évaluation de l'incertitude.
Interprétabilité : Le meilleur modèle a été analysé à l'aide des explications SHapley Additive exPlanations (SHAP) et des graphiques de dépendance partielle (PDP) avec l'approche ICE (Individual Conditional Expectation) pour élucider l'importance des caractéristiques et les effets non linéaires.
Application : Une interface graphique utilisateur (GUI) conviviale a été développée pour faciliter l'application pratique en ingénierie.

Résultats Clés
Les quatre modèles hybrides ont démontré d'excellentes capacités prédictives. Cependant, le modèle XGBoost–BOA a systématiquement surpassé les autres, atteignant le meilleur équilibre entre précision, généralisation et robustesse.

Métriques de Performance : Le modèle XGBoost–BOA a atteint un $R^2$ en phase de test de 0,9960 et une variance expliquée (VAF) de 99,62 %. Il a enregistré les erreurs de prédiction les plus faibles avec un RMSE de 1,2680 et un MAE de 0,8159.
Généralisation : Contra irement au modèle XGBoost–CSA, qui a montré la plus haute précision d'entraînement mais des signes de surapprentissage (erreur de test plus élevée), le modèle XGBoost–BOA a maintenu une performance supérieure sur l'ensemble de test indépendant.
Incertitude : L'analyse de l'incertitude a confirmé que le modèle XGBoost–BOA présentait la largeur de l'intervalle de confiance la plus étroite (WCB = 0,4056), indiquant la plus haute fiabilité pour les données non observées.
Importance des Caractéristiques : L'analyse SHAP a identifié la contrainte normale ( $\sigma_n$ ) comme le facteur dominant influençant la CCS, suivie de la résistance à la compression uniaxiale ( $\sigma_c$ ) et du coefficient de diaclase (JC). Les autres paramètres mécaniques ( $\sigma_t, \nu, E, C, \phi$ ) ont été jugés comme ayant une influence secondaire dans le cadre de ce jeu de données.
Effets Non Linéaires : Les graphiques PDP–ICE ont révélé des comportements par paliers distincts et des interactions non linéaires, notamment une chute brutale de la CCS prédite à un JC de 0,65, et une augmentation forte, presque monotone, de la CCS avec l'augmentation de la contrainte normale.

Signification et Contributions
L'article affirme que la principale contribution de ce travail est le développement d'un outil pratique et transparent pour évaluer la contrainte de coalescence des fissures dans les systèmes rocheux diaclases sous conditions de cisaillement direct. En couplant XGBoost à l'optimisation métaheuristique, l'étude parvient à capturer les effets complexes et couplés des paramètres géométriques et mécaniques qui sont difficiles à isoler par de simples tests de laboratoire.

La signification de ce travail réside dans trois domaines principaux :

Précision Prédictive : Le modèle hybride XGBoost–BOA fournit une méthode hautement précise et robuste pour prédire la CCS, surpassant les autres configurations optimisées par métaheuristique.
Interprétabilité : Contrairement aux modèles "boîte noire", l'intégration des analyses SHAP et PDP–ICE garantit que les prédictions du modèle sont physiquement cohérentes avec les concepts établis de la mécanique de la rupture, validant la dominance de la contrainte normale et de la géométrie des diaclases.
Utilité en Ingénierie : L'intégration du modèle prédictif dans une interface graphique (GUI) permet aux ingénieurs d'explorer rapidement les effets paramétriques et d'estimer la CCS pour la conception et l'évaluation expérimentale, comblant ainsi le fossé entre la modélisation computationnelle avancée et les applications pratiques du génie rocheux.

Les auteurs reconnaissent modestement que l'étude est basée sur des échantillons à l'échelle de laboratoire avec des compositions de matériaux et des configurations de joints spécifiques. Ils suggèrent que, bien que la base de données soit étendue, une expansion future incluant des géométries, des chemins de contraintes et des types de matériaux plus larges renforcerait la généralisabilité du cadre proposé.

Articles similaires