Modélisation et optimisation multicritère des fondations sur sols renforcés par réseaux de neurones artificiels : validation, robustesse et compromis coût–performance géotechnique

Abstract

Cette étude développe une démarche de modélisation et d’optimisation multicritère des fondations sur sols renforcés à l’aide de réseaux de neurones artificiels, en intégrant simultanément les performances géotechniques, la robustesse prédictive et le coût relatif. L’analyse considère la largeur de fondation B, la profondeur relative de renforcement u/B, la pression appliquée et plusieurs paramètres mécaniques du sol. Le modèle de démonstration présente une forte concordance entre valeurs observées et prédites, avec R² = 0,970, RMSE = 0,141 et MAE = 0,112, tandis que le biais moyen des résidus reste proche de -0,006. L’importance relative atteint 23 % pour B, 20 % pour u/B et 18 % pour la pression appliquée. La validation croisée sur dix plis fournit un R² moyen de 0,931, avec des coefficients de variation de 2,3 % pour R², 8,6 % pour le RMSE et 10,1 % pour le MAE. L’analyse multicritère identifie un compromis autour de B = 1,39 m et u/B = 0,35, correspondant à un tassement voisin de 1,2 cm pour un indice de coût proche de 2,1. Ces résultats illustrent l’intérêt du RNA pour rechercher des solutions conciliant portance, maîtrise des tassements, stabilité prédictive et économie.