Utilisation de l’intelligence artificielle pour l’optimisation multi-critères des bétons autoplaçants

Abstract

Dans cette étude, un outil d'optimisation des propriétés rhéologiques des bétons autoplaçants (BAP) est proposé. Des modèles d'apprentissage automatique sont créés pour anticiper avec précision la viscosité et le seuil d'écoulement. L'objectif principal est de générer, par le biais d'un apprentissage automatique supervisé, un modèle offrant une formulation à faible empreinte carbone, répondant aux exigences éco-rhéo-mécaniques des utilisateurs. Afin de respecter les exigences écologiques du béton, les additions minérales telles que le laitier, les cendres volantes et les fillers calcaires émergent comme des solutions prometteuses pour réduire les émissions de carbone dans l'industrie du ciment. Cependant, leur intégration peut modifie les propriétés rhéologiques du béton, impactant directement ses caractéristiques mécaniques et sa durabilité. La complexité de la prédiction de ces propriétés est due principalement à l'interaction de plusieurs facteurs. Pour faire face à ce problème, des modèles d'apprentissage automatique tels que « Random Forest », « Gradient Boosting », « Extrême Gradient Boosting » et « LightGBM » ont été utilisés pour prédire ces propriétés rhéologiques. Une base de données exhaustive, englobant 18 paramètres d'entrée tels que les proportions du mélange, les caractéristiques des granulats et les propriétés rhéologiques, a été collectée à partir de la littérature existante. L'analyse des performances de ces modèles a révélé que le Random Forest excelle dans la prédiction de la viscosité et du seuil d'écoulement. Ces résultats révèlent un potentiel significatif pour améliorer notre compréhension du comportement rhéologique des BAP et favoriser ainsi le développement des matériaux de construction durables alignés sur les objectifs environnementaux.