Étude et prédictions des propriétés physiques et thermomécaniques d'un éco-béton à base de sol, fibres et les ajouts minéraux à l'aide des méthodes d’intelligences artificielles // Study and predictions of the physical and thermomechanical properties of an concrete based on soil, fibers and mineral additions using artificial intelligence methods

Abstract

تُعدّ هذه الدراسة جزءًا من نهج البناء المستدام، حيث تقترح طريقةً مبتكرةً للتنبؤ بالأداء الميكانيكي للخرسانة الصديقة للبيئة (SEC) أو (PET)، وتحسينه، وهي مادة صديقة للبيئة تتكون أساسًا من التربة والأسمنت والألياف الطبيعية أو الصناعية. يهدف البحث بشكل رئيسي إلى تطوير نماذج تنبؤية لقوة الضغط استنادًا إلى خصائص تركيب الخرسانة الصديقة للبيئة أو الخرسانة PET، باستخدام تقنيات الذكاء الاصطناعي، بما في ذلكPyCaretوExtra Trees Regressor، وخوارزميات تعلم الآلة الأخرى.

جُمعت قاعدة بيانات من دراسات سابقة حول خلطات خرسانة صديقة للبيئة متنوعة. وطُبّقت معالجة مسبقة دقيقة للبيانات (التطبيع، وتقليل الأبعاد، والتحليل الإحصائي) لتحديد المتغيرات الأكثر تأثيرًا على القوة الميكانيكية. كشف التحليل عن وجود علاقة إيجابية تم تقييم العديد من النماذج باستخدام مؤشرات الأداء القياسيةR²، RMSE، MAEتميزت خوارزمية Extra Trees Regressor بأداء رائع، حيث بلغتR²= 0.9444، وRMSE= 0.4909 ميجا باسكال، وMAE =0.1899 ، مما يعكس دقة ممتازة وانخفاضًا في تشتت أخطاء التنبؤ. وقد أثبت هذا النموذج فعاليته بشكل خاص في التعامل مع التعقيد غير الخطي ومتعدد المتغيرات للمواد الأرضية. تؤكد النتائج أهمية الذكاء الاصطناعي في أتمتة واِسْتِمْثَال موثوقية عملية صياغة كتل التربة المضغوطة (SEC) وخرسانة PET، مع تقليل الحاجة إلى الاختبارات التجريبية الطويلة والمكلفة. وبالتالي، يقترح هذا البحث إطارًا منهجيًا قابلًا للتكرار لنمذجة المواد المستدامة واِسْتِمْثَالها، مما يفتح آفاقًا جديدة لهندسة المواد الترابيةوالمواد القائمة على PET أو المواد الربط البديلة.

Cette étude s’inscrit dans une démarche de construction durable en proposant une approche innovante pour prédire et optimiser les performances mécaniques d’un éco-béton (BTS ou PET), matériaux écologiques composés principalement de sol, de sable, de ciment et de fibres naturelles ou industrielles. L’objectif principal est de développer des modèles prédictifs de la résistance à la compression à partir des caractéristiques de formulation des BTS ou béton on PET, en recourant à des techniques d’intelligence artificielle, notamment PyCaret, Extra TreesRegressor et d’autres algorithmes de machine learning. Une base de données a été constituée à partir des études précédentes sur divers mélanges de éco-béton. Un prétraitement rigoureux des données a été appliqué (normalisation, réduction de dimensions, analyse statistique) afin d’identifier les variables les plus influentes sur la résistance mécanique. L’analyse a révélé une forte corrélation positive entre la teneur en fibres et celle en ciment (coefficient de corrélation de 0,9444), mettant en évidence leur rôle déterminant dans les performances mécaniques. Plusieurs modèles ont été évalués selon des indicateurs classiques de performance (R², RMSE, MAE). L’algorithme Extra TreesRegressor s’est distingué par des performances remarquables, avec un R² = 0,9444, un RMSE = 0,4909 MPa et un MAE = 0,1899 MPa, traduisant une excellente précision et une faible dispersion des erreurs de prédiction. Ce modèle s’est montré particulièrement efficace pour traiter la complexité non linéaire et multivariée des matériaux à base de terre. Les résultats obtenus confirment la pertinence de l’intelligence artificielle pour automatiser et fiabiliser le processus de formulation des BTS et béton en PET, tout en réduisant le recours aux essais expérimentaux longs et coûteux. Cette recherche propose ainsi un cadre méthodologique reproductible pour la modélisation et l’optimisation de matériaux durables, ouvrant de nouvelles perspectives pour l’ingénierie des matériaux à base de terre et à base de PET ou de liants alternatifs

This study is part of a sustainable construction approach, proposing an innovative method to predict and optimize the mechanical performance of eco-concrete (SEC or PET), an ecological material composed primarily of soil, sand, cement, and natural or industrial fibers. The main objective is to develop predictive models of compressive strength based on the formulation characteristics of ECB or concrete on PET, using artificial intelligence techniques, including PyCaret, Extra Trees Regressor, and other machine learning algorithms.

A database was compiled from previous studies on various eco-concrete mixes. Rigorous data preprocessing (normalization, dimensionality reduction, statistical analysis) was applied to identify the variables most influential on mechanical strength. The analysis revealed a strong positive correlation between fiber and cement content (correlation coefficient of 0.9444), highlighting their crucial role in mechanical performance. Several models were evaluated using standard performance indicators (R², RMSE, MAE). The Extra Trees Regressor algorithm stood out with remarkable performance, boasting an R² of 0.9444, an RMSE of 0.4909 MPa, and an MAE of 0.1899 MPa, reflecting excellent accuracy and low dispersion of prediction errors. This model proved particularly effective in handling the nonlinear and multivariate complexity of earth-based materials. The results confirm the relevance of artificial intelligence for automating and improving the reliability of the formulation process for compressed earth blocks (CEBs) and PET concrete, while reducing the need for lengthy and costly experimental testing. This research thus proposes a reproducible methodological framework for modeling and optimizing sustainable materials, opening new perspectives for the engineering of earth-based materials and materials based on PET or alternative binders.