Podcast « Combiner les réseaux neuronaux profonds et les processus gaussiens pour mieux comprendre la rhéologie de l’asphalte »

Le podcast de 8 minutes traite du « Combiner les réseaux neuronaux profonds et les processus gaussiens pour mieux comprendre la rhéologie de l’asphalte » et se base sur une étude au pays-bas publiée en 2025. Elle présente un nouveau modèle hybride qui combine les réseaux neuronaux profonds (DNN) et la régression par processus gaussien (GPR) afin de prédire les propriétés rhéologiques des liants bitumineux et du mastic.

« RecoRoute – Science » publie des podcasts en français sur des études scientifiques publiées. Celles-ci ont souvent été rédigées en anglais. Nous voulons rendre les connaissances qui en découlent disponibles en français dans un langage compréhensible pour un groupe cible plus large.

L’étude a été publiée 6 juin 2025 sous https://doi.org/10.1016/j.rineng.2025.105629

Les auteurs sont: Mahmoud Khadijeh, Cor Kasbergen, Sandra Erkens, Aikaterini Varveri

Bienvenue à cette exploration ciblée. Aujourd’hui, on s’attaque à un matériau qu’on utilise tous les jours, mais auquel on ne pense pas forcément. L’asphalte. Nos routes, quoi. Pourquoi c’est important d’en parler ? Parce que mieux comprendre comment ils fonctionnent, ces propriétés, c’est vraiment la clé si on veut des routes plus solides, plus durables. Alors, on va s’appuyer sur une étude assez pointue, publiée en 2025 dans Results in Engineering. C’est Mahmoud Khadijé et son équipe, à Delft. Leur but ? Utiliser l’intelligence artificielle. Plus précisément, une combinaison de réseaux de neurones profonds, les DNN, et de processus gaussiens, GPR. L’idée, c’est de prédire comment les liens bitumineux et les mastiques, vous savez, le mélange liant plus fileurs, vont se comporter. Et ils regardent deux trucs essentiels. Le module complexe, G étoile, qui dit si c’est résistant à la déformation, et l’angle de phase, delta, qui indique si c’est plutôt élastique, comme un solide, ou visqueux, comme un liquide. Allez, on creuse ça. D’abord, pourquoi ces G étoiles et delta sont-ils si importants pour une route ? Absolument. Le bitume dans l’asphalte, en fait, c’est comme une colle un peu spéciale. On dit viscoélastique. G étoile, ça mesure sa rigidité globale quand on applique une force. Et delta, ça mesure le décalage de temps. Entre la force appliquée et la déformation du matériau. Si delta est petit, le comportement est plutôt élastique, comme un solide. S’il est grand, c’est plus visqueux, genre liquide épais. On mesure ça en labo avec un appareil spécial, un réomètre, le DSR. Et ces valeurs G étoile et delta, elles déterminent directement comment la route va tenir, face aux fissures quand il fait froid, ou à la formation d’ornières quand il fait chaud et qu’il y a du trafic. D’accord. En fait, la multitude, elle propose cette méthode hybride DNN-GPR. Qu’est-ce qu’elle a de spéciale, cette combinaison ? Pourquoi c’est intéressant ? Ah, c’est là que c’est assez malin, je trouve. Les DNN, donc les réseaux de neurones, ils sont très forts pour trouver des liens compliqués, non linéaires, dans plein de données. Là, ils avaient 11 paramètres pour le lion, 13 pour le mastic. Ça a inclus la chimie, la physique, comment ça vieillit en simulation, les tests RTF-OT, PAV, ce genre de choses. Et bien sûr, la mécanique. Et bien sûr, la mécanique. Et bien sûr, la mécanique. Et bien sûr, la mécanique. Et bien sûr, la mécanique. On a confiance à une prédiction, n’est-ce pas ? Je vois. C’est combiner la puissance de calcul du DNN avec la prudence statistique du JPR, si on veut. Et ça marche à feu. Ça améliore vraiment les prédictions. Ah oui. Les résultats sont assez nets. Ils ont des coefficients de détermination, les R-Card, très très hauts. 0,997 pour Gédu-Liant, 0,993 pour le mastic. Pour Delta, c’est un peu moins, mais quand même très bon. 0,947. 0,977 et 0,972. Mais pour être plus concret, prenons un exemple. L’erreur de prédiction pour Gé sur un lien frais, non vieilli. Avec un DNN tout seul, l’erreur était de 22,7%. Ouais. Avec le modèle hybride DNN-JPR, elle tombe à 0,031%. Attendez. De 22,7% à 0,03%. C’est énorme comme gain de précision. C’est courant ce genre de résultat avec ces méthodes hybrides ? C’est une amélioration. C’est une amélioration très très significative, oui. Ça montre vraiment le potentiel de marier ces approches pour dépasser les limites de chaque modèle pris séparément. Surtout quand on veut gérer l’incertitude avec des données parfois pas parfaites. C’est un défi classique en sciences des matériaux, quand on utilise l’IA. D’accord. Bon, le modèle est précis, c’est entendu. Mais qu’est-ce qui influence le plus ces fameux G et Delta-J ? Quels sont les facteurs les plus importants d’après l’IA ? Alors, ils ont utilisé des outils pour faire des données. Pour interpréter le modèle d’IA, comme CHAP, ça permet de voir quelles données d’entrée ont le plus d’impact sur le résultat. Et ça confirme en les quantifiant ce que les experts savent un peu intuitivement. Sans surprise, la température de test, c’est le facteur numéro un. Ensuite, le vieillissement simulé, surtout le vieillissement long terme, le PAV. Et aussi la pénétration, qui est une mesure classique de la dureté du liant. Ces trois-là dominent pour G et Delta. Et pour les mastiques, il y a un autre facteur qui devient très important, c’est le temps. C’est le temps de la vieillissement. C’est le temps de la vieillissement. C’est le temps de la vieillissement. La rigidité des fines particules minérales qu’on ajoute, les fileurs. D’accord. Et pour ces mastiques, il me semble qu’il y avait une histoire de manque de données, c’est ça ? Comment ils ont fait ? Exactement. Trouver des jeux de données expérimentales vraiment complets sur les mastiques, c’est compliqué. Du coup, les chercheurs ont utilisé la modélisation par éléments finis, la FEM. En gros, c’est une simulation numérique très poussée. Ça leur a permis de créer un jeu de données synthétiques assez conséquent, 5000 points de données. Ils ont simulé le comportement viscoélastique du mastique. Pour ça, ils ont utilisé les propriétés connues du liant. Et ils ont fait varier les caractéristiques des fileurs. Le pourcentage, la rigidité. C’était une étape essentielle pour pouvoir entraîner le modèle IA sur les mastiques de manière fiable. Je comprends. C’est astucieux. Alors concrètement, pour les ingénieurs qui construisent nos routes, quel est l’apport principal de tout ça ? Ça leur donne potentiellement un outil. Un outil de prédiction plus précis et surtout plus fiable. Parce qu’ils comprennent que les mastiques sont plus efficaces. Et ils ont fait un travail de plus en plus efficace. Et ils ont fait un travail de plus en plus efficace. Parce qu’ils quantifient l’incertitude. Savoir la marge d’erreur, c’est clé. Si on peut mieux anticiper comment G et delta vont évoluer selon la température, le vieillissement, la composition du mélange, eh bien on peut mieux choisir les matériaux. On peut concevoir des enrobés bitumineux plus performants, qui dureront plus longtemps. Peut-être même mieux utiliser des matériaux recyclés ou innovants. Donc, si je résume, cette combinaison des NNGPR, c’est une avancée intéressante pour prédire le comportement de l’asphalte. Plus précis. Et plus honnête sur ses limites que juste un DNN classique. C’est exactement ça. La précision est meilleure. Et cette quantification de l’incertitude, c’est vraiment un plus. Même si, logiquement, l’incertitude reste un peu plus grande pour l’angle de phase delta. Surtout quand on manque un peu de données au départ. Et ça confirme bien l’importance majeure de la température et du vieillissement. C’est très clair. Est-ce qu’il y a une dernière pensée, une question à laisser aux personnes qui nous écoutent ? Oui, peut-être une chose. L’étude est très solide. Mais elle repose sur des tests en laboratoire, dans des conditions bien contrôlées, et sur des simulations. La grande question maintenant, c’est comment ce modèle, même très performant en labo, va se comporter face à la complexité du monde réel. Je pense aux UV du soleil, à l’humidité, aux cycles de gel et dégel. Et puis, bien sûr, aux charges réelles du trafic sur une vraie route, année après année. La validation sur le terrain, ça sera vraiment l’étape d’après. C’est ça qui dira si cet outil peut vraiment être utilisé au quotidien par les ingénieurs routiers.