Application des techniques d’apprentissage automatique pour la prédiction de la rigidité des sols-supports des structures de chaussées // Application of machine learning techniques to predict the subgrades-soil strength for pavement structure

Abstract

Le CBR est un indicateur clé de la rigidité des structures de chaussées. Cependant, sa détermination nécessite des efforts sur le terrain et en laboratoire, ainsi qu'un temps considérable. C'est pourquoi l'AI a été utilisée pour prédire les valeurs du CBR. Grâce à l'observation et à le questionnaire au niveau des archives du laboratoire de sol et des matériaux du Organisme CTTP, une base de données a été constituée, comprenant 1123 échantillons de sols fins provenant de divers régions du nord-est de l'Algérie. Cette base de données comprend 12 paramètres du sol qui représentent la granulométrie, la plasticité et les caractéristiques de compactage. Cinq modèles de ML ont été développés à savoir : MLR, MLPNN, RF, GPR et SVR. La technique de validation croisée en 10-fold a été intégrée aux les cinq modèles pour une division optimale des données entre l'entraînement et le test et pour éviter le sur-apprentissage. De plus, les deux modèles GPR et SVR ont été hybride avec l'Algorithme d'Optimisation Bayésienne (TPE) pour ajuster les hyper-paramètres de ces deux modèles afin d'obtenir une meilleure efficacité. Les performances des modèles sont évaluées selon les valeurs de coefficient de détermination (R2) ainsi que les erreurs (MSE, RMSE, MAE et MAPE(%)). D’autre part l’utilisation des techniques avancées de sélection des données à travers les deux méthodes RFE et EFS a permis de réduire la taille des données de 12 entrées à seulement 7, ce qui a également amélioré la performance de modèles. Les résultats de l'étude ont donné des valeurs satisfaisantes avec les deux modèles GPR et SVR, avec des valeurs de R² dépassant le seuil de 95% et de faibles taux d'erreur, ce qui prouve la bonne réponse des deux modèles aux techniques d'optimisation dans cette étude. Cependant, à travers la comparaison, il a été démontré que le GPR est plus efficace et surpasse les modèles conventionnels, En plus de sa supériorité sur les modèles hybrides (SVR, H-DNN, H-XGB, H-LGB et H-Ada). Les résultats de performance de modèle GPR hybridé sont : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). En fin l'application de la méthode SHAP sur le modèle de GPR et Sobol sur le modèle de SVR a montré que la densité sèche optimale (MDD) des échantillons est l'entrée ayant le plus d’impact sur la sortie CBR.

The CBR is a key indicator of the strentgh of pavement structures. However, its determination requires efforts in the field and in the laboratory, as well as considerable time. This is why AI has been used to predict CBR values. Through observation and a questionnaire at the archives of the soil and materials laboratory of the CTTP organization, a database was created, including 1123 samples of fine soils from various regions of north-eastern Algeria. This database includes 12 soil parameters that represent grain size, plasticity, and compaction characteristics. Five ML models were developed, namely: MLR, MLPNN, RF, GPR, and SVR. The 10-fold cross validation technique was integrated into the five models for optimal data partitioning between training and testing and to avoid overfitting. Additionally, the GPR and SVR models were hybridized with the Bayesian Optimization Algorithm (TPE) to fine-tune the hyperparameters of these two models for better efficiency. The performance of the models is evaluated according to the coefficient of determination (R²) as well as errors (MSE, RMSE, MAE, and MAPE(%)). Furthermore, the use of advanced data selection techniques through the two methods RFE and EFS allowed for reducing the size of the data from 12 inputs to only 7, which also improved the performance of the models. The results of the study provided satisfactory values for both GPR and SVR models, with R² values exceeding the threshold of 95% and low error rates, demonstrating the good responsiveness of both models to optimization techniques in this study. However, through comparison, it has been shown that GPR is more effective and surpasses conventional models, in addition to its superiority over hybrid models (SVR, H-DNN, H-XGB, H-LGB, and H-Ada). The performance results of the hybrid GPR model are : (𝑅²=0.9982/0.9935, 𝑀𝑆𝐸=0.0768/0.2974, 𝑅𝑀𝑆𝐸=0.2771/0.5453, 𝑀𝐴𝐸=0.2107/0.4364 et 𝑀𝐴𝑃𝐸(%)=5.32/13.79). Finally, the application of the SHAP method on the GPR model and Sobol on the SVR model showed that the optimal dry density (MDD) of the samples is the input having the most impact on the CBR output.

تُعدّ نسبة كاليفورنيا لتحمّل التربة (CBR) مؤشرًا أساسيًا لتقييم مقاومة طبقات الرصف. غير أنّ تحديد هذه النسبة يتطلب بذل جهود ميدانية ومخبرية، فضلًا عن استغراق وقت معتبر. لذلك، تمّ اللجوء إلى تقنيات الذكاء الاصطناعي للتنبؤ بقيم CBR. ومن خلال المعاينة والاستبيان على مستوى أرشيف مخبر التربة والمواد التابع لهيئة CTTP، تمّ إنشاء قاعدة بيانات تضمّ 1123 عيّنة من التربة الناعمة المأخوذة من مناطق مختلفة من شمال شرق الجزائر. وتشتمل هذه القاعدة على 12 متغيرًا للتربة تمثّل خصائص التدرّج الحبيبي، واللدونة، والدمك. تمّ تطوير خمسة نماذج للتعلّم الآلي، وهي: الانحدار الخطي المتعدد (MLR)، والشبكة العصبية الاصطناعية متعددة الطبقات (MLPNN)، والغابة العشوائية (RF)، والانحدار بعملية غاوسية (GPR)، والانحدار بالمتجهات الداعمة (SVR). كما تمّ دمج تقنية التحقّق المتقاطع ذي الطيات العشر (10-fold Cross-Validation) ضمن النماذج الخمسة، بهدف تحقيق تقسيم أمثل للبيانات بين مجموعتي التدريب والاختبار، وتجنّب فرط التعلّم. بالإضافة إلى ذلك، تمّ دمج نموذجي GPR وSVR مع خوارزمية التحسين البايزي (TPE)، من أجل ضبط المعلمات الفائقة لهذين النموذجين وتحسين كفاءتهما. تمّ تقييم أداء النماذج اعتمادًا على معامل التحديد (R²)، بالإضافة إلى مؤشرات الخطأ، وهي: متوسط مربع الخطأ (MSE)، والجذر التربيعي لمتوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط نسبة الخطأ المطلق (MAPE%). علاوة على ذلك، أتاح استخدام تقنيات متقدمة لاختيار المتغيرات، من خلال طريقتي الإزالة التكرارية للمتغيرات (RFE) والاختيار الأمثل للخصائص (EFS)، تقليص عدد المدخلات من 12 متغيرًا إلى 7 متغيرات فقط، وهو ما ساهم أيضًا في تحسين أداء النماذج. أظهرت نتائج الدراسة أداءً مُرضيًا لكلّ من نموذجي GPR وSVR، حيث تجاوزت قيم معامل التحديد (R²) نسبة 95%، مع تسجيل معدلات خطأ منخفضة، مما يدلّ على الاستجابة الجيدة لكلا النموذجين لتقنيات التحسين المعتمدة في هذه الدراسة. غير أنّ المقارنة بين النماذج بيّنت أنّ نموذج GPR أكثر فعالية، إذ تفوّق على النماذج التقليدية، فضلًا عن تفوّقه على النماذج الهجينة الأخرى، وهي: SVR وH-DNN وH-XGB وH-LGB وH-Ada. وقد سجّل نموذج GPR الهجين مؤشرات الأداء التالية: (R² = 0.9982/0.9935، وMSE = 0.0768/0.2974، وRMSE = 0.2771/0.5453، وMAE = 0.2107/0.4364، وMAPE (%) = 5.32/13.79). وأخيرًا، أظهر تطبيق طريقة SHAP على نموذج GPR وطريقة مؤشرات سوبول (Sobol) على نموذج SVR أنّ الكثافة الجافة القصوى (MDD) لعيّنات التربة تمثّل المتغير الأكثر تأثيرًا في القيمة المتوقعة لنسبة CBR.