Résumé

Résumé

Le secteur du bâtiment représente près de 43 % des consommations énergétiques en France et fait face à une pression réglementaire croissante en faveur de la décarbonation (RE2020, Stratégie Nationale Bas-Carbone). Les bétons biosourcés, à base de chanvre, de lin ou de bois, constituent des alternatives bas-carbone prometteuses, reconnues pour leur capacité de régulation hygrothermique naturelle et leur faible empreinte carbone. Pourtant, un verrou majeur freine leur déploiement : le séchage post-fabrication est lent, coûteux et mal maîtrisé, et ses effets sur les propriétés hygrothermiques finales du matériau restent insuffisamment compris.

Le projet doctoral BBC-DROP s’attaque à ce verrou par une approche combinée expérimentale et numérique basée sur l’optimisation assistée par l’IA, en s’appuyant sur les expertises complémentaires du CEREMA Strasbourg et du CESI LINEACT. Il vise à optimiser les protocoles de séchage des bétons biosourcés et à évaluer leur impact sur les performances mécaniques et hygrothermiques de ces derniers. Le projet construit d’abord une base de données à partir des résultats disponibles dans la littérature sur les propriétés des bétons biosourcés en fonction de la formulation et des conditions de séchage. Cette base de données est ensuite enrichie par des campagnes expérimentales ciblées au CEREMA Strasbourg, où des protocoles de séchage contrôlés sont appliqués à des éprouvettes de bétons de chanvre et de lin. Des modèles prédictifs basés sur l’IA sont ensuite entraînés sur cette base consolidée, reliant paramètres de formulation et conditions de séchage aux propriétés hygrothermiques résultantes. Ces modèles alimentent des algorithmes d’optimisation multi-objectif permettant d’identifier les protocoles de séchage et les formulations optimaux vis-à-vis de cibles de performances mécaniques et hygrothermiques définies. L’approche de validation proposée sera ensuite validée via une campagne expérimentale permettant de confronter les valeurs cibles avec les résultats expérimentaux. BBC-DROP est un projet pluridisciplinaire, à l’interface entre science des matériaux, physique du bâtiment et sciences numériques, visant à produire des connaissances inédites et des outils d’aide à la décision exploitables par les acteurs de la construction durable.

Mots clés : Béton biosourcé, Séchage, Propriétés hygrothermiques, Propriétés mécaniques, Machine Learning, Optimisation multi-objectif

Travaux de recherche

Contexte scientifique

Les bétons biosourcés associent un liant minéral à des granulats végétaux tels que la chènevotte de chanvre, les anas de lin ou les particules de bois. Ils sont de plus en plus reconnus comme des matériaux stratégiques pour la décarbonation du secteur du bâtiment. Leur capacité naturelle de régulation

hygrothermique, leur faible énergie grise et leur aptitude à stocker du carbone biogénique répondent directement aux objectifs de la RE2020 et de la Stratégie Nationale Bas-Carbone. Malgré un intérêt scientifique et industriel croissant, un verrou majeur subsiste : le séchage post-fabrication est lent, énergivore et mal maîtrisé.

Les granulats végétaux, fortement poreux et hydrophiles, interagissent de manière complexe avec le liant au cours de l’hydratation. Les conditions ambiantes de séchage (température, humidité relative, durée et ventilation) influencent directement la cinétique d’hydratation du liant et la microstructure du composite, et gouvernent par conséquent les propriétés hygrothermiques finales du matériau durci [1,2]. Cette dépendance a été partiellement documentée dans la littérature [3–5], mais les données existantes demeurent dispersées, obtenues selon des protocoles hétérogènes et rarement compilées dans un cadre unifié. À notre connaissance, il n’existe aujourd’hui aucune approche systématique et prédictive reliant les conditions de séchage, la formulation et les performances hygrothermiques mesurées. Le projet BBC-DROP s’attaque directement à ce manque et vise à développer une approche d’optimisation assistée par IA des protocoles de séchage des bétons biosourcés. Il combine trois leviers méthodologiques : (i) la modélisation prédictive par des modèles d’IA, (ii) l’optimisation multi-objectif et (iii) le développement et la validation expérimentale.

Sujet de thèse

Les bétons biosourcés associent un liant minéral à des granulats végétaux tels que la chènevotte de chanvre, les anas de lin ou les particules de bois. Ils sont de plus en plus reconnus comme des matériaux stratégiques pour la décarbonation du secteur du bâtiment. Leur capacité naturelle de régulation hygrothermique, leur faible énergie grise et leur aptitude à stocker du carbone biogénique répondent directement aux objectifs de la RE2020 et de la Stratégie Nationale Bas-Carbone. Malgré un intérêt scientifique et industriel croissant, un verrou majeur subsiste : le séchage post-fabrication est lent, énergivore et mal maîtrisé.

Les granulats végétaux, fortement poreux et hydrophiles, interagissent de manière complexe avec le liant au cours de l’hydratation. Les conditions ambiantes de séchage (température, humidité relative, durée et ventilation) influencent directement la cinétique d’hydratation du liant et la microstructure du composite, et gouvernent par conséquent les propriétés hygrothermiques finales du matériau durci [1,2]. Cette dépendance a été partiellement documentée dans la littérature [3–5], mais les données existantes demeurent dispersées, obtenues selon des protocoles hétérogènes et rarement compilées dans un cadre unifié. À notre connaissance, il n’existe aujourd’hui aucune approche systématique et prédictive reliant les conditions de séchage, la formulation et les performances hygrothermiques mesurées. Le projet BBC-DROP s’attaque directement à ce manque et vise à développer une approche d’optimisation assistée par IA des protocoles de séchage des bétons biosourcés. Il combine trois leviers

méthodologiques : (i) la modélisation prédictive par des modèles d’IA, (ii) l’optimisation multi-objectif et (iii) le développement et la validation expérimentale.

BBC-DROP est structuré autour de quatre axes complémentaires et progressifs, tous réalisables dans le cadre d’une thèse de 3 ans (voir Fig.1).

Axe 1 : Constitution de la base de données et enrichissement expérimental

La première étape de cet axe consiste en une revue systématique et critique de la littérature sur les propriétés des bétons biosourcés. La revue se concentre sur l’influence de la formulation et des conditions de séchage sur les performances mécaniques et hygrothermiques. Les données extraites des publications couvrent la masse volumique, la résistance à la compression, la porosité, la conductivité thermique, la chaleur spécifique, la perméabilité à la vapeur, les isothermes de sorption et l’absorption capillaire. Elles sont structurées et harmonisées dans une base de données centralisée, qui constitue le fondement principal pour l’entraînement des modèles IA. Dans un second temps, des campagnes expérimentales ciblées sont menées au CEREMA sous la supervision de l’équipe encadrante, spécialiste dans le comportement des matériaux biosourcés. Ces campagnes ciblent spécifiquement les configurations sous-représentées ou absentes dans la littérature. Des éprouvettes de bétons de chanvre et de lin sont soumises à des protocoles de séchage contrôlés en enceintes climatiques. Les conditions varient en température (20°C à 60°C), humidité relative (30 % à 80 %) et durée (7 à 90 jours). La base est ainsi enrichie avec des données originales de haute qualité couvrant un domaine large et représentatif.

Axe 2 : Modélisation prédictive basée sur l’IA

Des modèles d’apprentissage automatique sont entraînés sur la base consolidée pour prédire les propriétés hygrothermiques. Les entrées sont les paramètres de formulation (propriétés de granulats végétaux, propriétés de liants, propriétés de mélange) et les conditions de séchage (Température, Humidité relative, durée de ventilation). Les sorties sont les propriétés mécaniques et hygrothermiques résultantes (Résistance à la compression, conductivité thermique, perméabilité à la vapeur, porosité…). Les algorithmes envisagés incluent les réseaux de neurones, le gradient boosting ou encore des modèles couplés. L’utilisation des techniques de Transfer Learning est aussi envisageable à cette étape du projet afin de pallier le potentiel manque de data. Une attention particulière est portée à l’interprétabilité des modèles via les valeurs SHAP et les analyses de sensibilité. Ces outils identifient les variables les plus influentes et apportent un éclairage physique sur les tendances observées.

Axe 3 : Optimisation multi-objectif

Les modèles IA validés servent de fonctions-objectif dans un cadre d’optimisation multi-objectif en utilisant l’algorithme NSGA-II. Pour un ensemble donné de cibles de propriétés mécaniques et hygrothermiques, l’algorithme identifie les combinaisons optimales de protocole de séchage et de formulation. Le résultat est un ensemble de fronts de Pareto reliant conditions de séchage, formulation et performances. Ces cartographies sont directement utilisables comme outils d’aide à la décision dans le cadre des travaux menés par les équipes du CEREMA sur les bétons biosourcés.

Axe 4 : Validation expérimentale des configurations optimisées (CEREMA Strasbourg).

Les configurations identifiées comme optimales à l’issue de l’Axe 3 sont fabriquées, séchées selon les protocoles optimaux et caractérisées au sein CEREMA Strasbourg. Une campagne expérimentale visant à caractériser ces bétons, fabriqués et séchés en conditions contrôlées, est envisagée au cours de cette phase du projet. Après séchage, la caractérisation des bétons fabriqués porte sur propriétés mécaniques et hygrothermiques ainsi que microstructurales. Les résultats obtenus à l’issue de la campagne de caractérisation seront ensuite confrontés aux prédictions des modèles et aux cibles de performances initialement définies. Cette étape vise donc à évaluer la fiabilité et la capacité de généralisation de la démarche d’optimisation développée. La boucle de fermeture entre optimisation numérique et confirmation expérimentale est un élément clé et distinctif du projet BBC-DROP.

Figure 1. Vue d’ensemble du sujet de thèse.

Programme de travail

Le programme de travail de BBC-DROP se déroule sur 36 mois et s’organise en six lots progressifs et interdépendants, dont l’enchaînement temporel, les durées et les jalons sont détaillés dans le diagramme de Gantt prévisionnel (Fig. 2). Le découpage trimestriel (T1 à T12) assure un séquencement structuré des activités, de la constitution de la base de données jusqu’à la validation expérimentale finale, la valorisation et la soutenance.

Lot de travail 1 : État de l’art et constitution de la base de données (T1–T2).

Lot de travail 2 : Campagnes expérimentales et finalisation de la base de données (T3–T4).

Lot de travail 3 : Modélisation prédictive par IA (T5–T6).

Lot de travail 4 : Optimisation multi-objectif et préparation de la validation (T7–T8).

Lot de travail 5 : Validation expérimentale (T9–T11).

Lot de travail 6 : Synthèse, valorisation et soutenance (T8–T12).

Figure 2. Diagramme de Gantt prévisionnel du projet BBC-DROP

Présentation du laboratoire : CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

• L’équipe 1 ''Apprendre et Innover'' relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.
• L’équipe 2 ''Ingénierie et Outils Numériques'' relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.