PRÉVISION DES PROPRIÉTES DU BETON À BASE DE FILLER CALCAIRE PAR LES RÉSEAUX DE NEURONES ARTIFICIELS

Abstract

L'utilisation d'une teneur optimale des matériaux cimentaires, tels que le filler de calcaire (FC) en remplacement partiel du ciment Portland, s'est traduite par de nombreux avantages techniques et environnementaux, tels qu'une amélioration des propriétés physiques, une amélioration de la durabilité du béton et une réduction des émissions de CO2 sont bien connues. Ce travail consiste à appliquer la technique des Réseaux de Neurones Artificiels (RNA) pour prédire la résistance à la compression et la profondeur de carbonatation des bétons aux fillers calcaires. Deux modèles de prédiction ont été développés en utilisant les résultats expérimentaux de plusieurs recherches antérieures. L'élaboration des modèles ont été effectuées en prenant en considération les paramètres les plus influents sur la résistance à la compression et la carbonatation des bétons armés avec et sans ajouts. A cet effet, deux bases de données ont été collectées et analysées pour servir comme neurones d'entrées et de sorties dans les deux architectures proposées. La performance d'apprentissage, de test et de validation des modèles RNAs élaborés dans cette étude, a montré de très bonnes corrélations entre les valeurs expérimentales et les valeurs prédites (des coefficients de corrélation de 0.98 pour le modèle de la résistance à la compression et 0.90 pour celui de la carbonatation). L'étude paramétrique faite en utilisant la modélisation des RNAs pour étudier l'effet de chaque paramètre sur la résistance à la compression et la profondeur de carbonatation est en concordance avec la littérature. Une comparaison avec les résultats d'autres chercheurs a été également effectuée pour les deux modèles et a prouvé leur capacité de généralisation