Prévision des propriétés des bétons autoplaçant par réseaux de neurones

Abstract

En raison de sa formulation et de ses propriétés spécifiques à l'état frais, le béton autoplaçant (BAP) a connu une large utilisation dans diverse domaines de génie civil, et son étude représente un axe de recherche qui possède un fort potentiel de développement. La prévision des propriétés du béton fait encore l'objet de nombreuses études pour établir des modèles empiriques et numériques permettant de prédire son comportement. En particulier, la résistance et l'ouvrabilité sont les deux propriétés les plus importantes pour apprécier la qualité du béton. Des approches conventionnelles pour prévoir la résistance à la compression du béton sont fondamentalement basées sur l'analyse statistique par laquelle beaucoup d'équations linéaires et non-linéaires de régression ont été construites pour modéliser un tel problème de prévision. Cependant, la majorité de ses méthodes ne repose pas sur un corpus scientifique à la fois solide et explicite. Récemment, plusieurs chercheurs ont appliqué la technique des réseaux de neurones pour la construction de leurs modèles. L'objectif de cette recherche est donc d’assurer l'application de cette technologie à la résolution des problèmes de prévision des propriétés des bétons auto-plaçant (BAP). La réalisation de cette approche permettra le développement d’un ensemble de modèles pour la prévision de l’ouvrabilité et la résistance à la compression des BAP à base de fillers de calcaire ou fumées de silice. Les modèles développés ont de bonnes performances vis-à-vis de la corrélation entre les sorties cibles et les sorties prédites telles que la valeur du coefficient de corrélation de chaque propriété souhaité sont supérieurs à 0.90, (0.90, 0.93, 0.94 et 0.95). Des erreurs relatives acceptables obtenues par la comparaison entre les valeurs prédites obtenue par les modèles et celle obtenues expérimentalement par d'autres chercheurs (2.86 % pour le rapport L-box, 4.94 % résistance à compression simple du BAP à base FS,…). Ces modèles seront produits pour implémenter la complexité de la relation non linéaire entre les données du réseau (composition) et les résultats produits (propriétés).