Prédiction de la résistance au cisaillement des poutres en béton armé renforcées avec des matériaux composites à l’aide des techniques de l’intelligence artificielle

Abstract

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.