Résumé:
La prédiction précise de la contribution à la résistance au cisaillement des composites en
polymères renforcés de fibres (PRF) collés extérieurement sur les poutres en béton armé (BA)
est une tâche cruciale et difficile. Les modèles analytiques traditionnels et les dispositions des
codes de conception peinent souvent à saisir l'interaction complexe entre le béton, l'acier et les
PRF, conduisant à des prédictions imprécises ou trop conservatrices. Cette étude explore
l'application de techniques avancées d'apprentissage automatique pour remédier à cette
limitation. Six modèles d'intelligence artificielle diversifiés sont développés et évalués de
manière exhaustive, notamment le Gradient Boosting eXtrême (XGB), les Réseaux de Neurones
Profonds (DNN), le XGBoost Monotonique (MXGB), les Réseaux Neuronaux Monotoniques
avec Contraintes (CMNN), et leurs homologues ensemblistes. Un ensemble complet de 394
spécimens de poutres BA renforcées avec diverses configurations de PRF est utilisé pour
l'entraînement et la validation des modèles. L'intégration de contraintes de monotonicité basées
sur des comportements physiques connus améliore considérablement les performances
prédictives, comme en témoignent la précision et les capacités de généralisation supérieures du
MXGB par rapport au XGB, du CMNN par rapport au DNN, et du Modèle Ensembliste
Monotonique (MENSM) par rapport au Modèle Ensembliste (ENSM). Les investigations par
scénarios mettent en évidence la capacité exceptionnelle du CMNN à saisir avec précision les
relations monotoniques, présentant des tendances lisses et logiques en accord avec les principes
de la mécanique du cisaillement des PRF. La comparaison avec les directives de conception
largement adoptées démontre la supériorité incontestable du CMNN, atteignant des
performances statistiques optimales pour toutes les configurations de renforcement par PRF. Le
CMNN émerge comme le modèle le plus adapté aux applications d'ingénierie, affichant une
précision prédictive remarquable, une adhérence aux principes théoriques et des capacités
d'extrapolation fiables au-delà des données d'entraînement. Cette étude souligne le potentiel des
techniques d'apprentissage automatique intégrant des connaissances du domaine pour optimiser
la conception du renforcement au cisaillement par PRF, contribuant ainsi à l'amélioration de la
sécurité, de la fiabilité et de la rentabilité des infrastructures en BA.
