Tokyo, l'une des mégapités les plus densément peuplées du monde, se trouve sur une zone sismique très active où la menace de tremblements de terre majeurs est toujours présent. L'un des aspects les plus destructeurs des événements sismiques à Tokyo est un phénomène géologique connu sous le nom de liquéfaction du sol. Cela se produit lorsque le tremblement intense d'un tremblement de terre provoque la perte temporaire sa force et sa rigidité, ce qui fait que le sol se comporte comme un liquide.
Les effets dévastateurs de la liquéfaction du sol ont été documentés à plusieurs reprises, comme dans le grand tremblement de terre de Hanshin-Awaji de 1995, le tremblement de terre du Grand Japon oriental 2011 et le récent tremblement de terre de la péninsule noto 2024. Malgré cette menace bien connue, les outils existants pour évaluer les risques de liquéfaction du sol ont une place importante à l'amélioration.
Les cartes de danger traditionnelles sont généralement créées en utilisant des méthodes géostatistiques simples et des données limitées de forage, produisant des résultats à basse résolution à des échelles de grille de 500 mètres ou plus. Ce manque de détails est particulièrement problématique dans une ville comme Tokyo, avec ses conditions souterraines complexes, ses vastes terres récupérées et ses dépôts de sols mous. Des techniques plus sophistiquées sont donc nécessaires pour saisir des changements à grande échelle dans les couches du sol et fournir une évaluation précise des risques.
En réponse à ce défi, une équipe de recherche dirigée par le professeur Shinya Inazumi du Shibaura Institute of Technology, au Japon, pionnie une nouvelle méthode pour créer des cartes de risque de liquéfaction 3D à haute résolution. Leur étude, publiée dans la revue Entraîne l'ingénierieDétails Un cadre qui combine des données géotechniques avec des réseaux de neurones artificiels (ANN) – un type d'algorithme d'apprentissage automatique – pour créer un modèle unifié pour la modélisation géologique et l'évaluation des risques de liquéfaction.
Les chercheurs ont utilisé un ensemble de données étendu de 13 926 enregistrements de forage, ce qui en fait l'une des plus grandes applications de l'intelligence artificielle (IA) pour l'évaluation des risques géotechniques au Japon. En formant leur modèle ANN sur ces données, l'équipe a été en mesure de prédire avec précision les propriétés souterraines clés dans des emplacements non échantillonnés sur une grille de 200 mètres. Plus précisément, ils ont cherché à prédire à la fois le type de sol et les valeurs N, qui sont des mesures importantes de la densité et de la force du sol.
Le modèle proposé a atteint une précision de régression élevée pour les valeurs N et la classification des sols, surpassant les méthodes traditionnelles et d'autres cadres d'apprentissage automatique comparables. Cela était en partie dû à la capacité supérieure de l'ANN à capturer des relations complexes et non linéaires dans les données.
En utilisant ces valeurs prévues, l'équipe a ensuite calculé les indices de potentiel de liquéfaction pour quantifier le risque à travers la ville. La carte des risques qui en résulte a présenté un niveau de détail nettement plus élevé que les cartes officielles existantes, délimitant les zones à haut risque dans les zones côtières récupérées et les plaines inondables rivières avec une clarté et une précision sans précédent. Notamment, le modèle pourrait identifier avec succès des zones localisées à haut risque dans des endroits comme Koto Ward, qui sont particulièrement sensibles à la liquéfaction mais peuvent ne pas être décrits en tant que tels sur les cartes conventionnelles.
« Notre étude propose un modèle robuste et évolutif qui améliore non seulement la gestion des risques de tremblement de terre à Tokyo, mais sert également de méthodologie transférable pour d'autres mégapités confrontées à des défis géohazard similaires dans le monde », explique le professeur Inazumi.
Les résultats de ce travail montrent comment l'apprentissage automatique peut être utilisé efficacement dans l'urbanisme et le génie civil, permettant des décisions plus éclairées sur l'endroit où construire, quel type de fondations utiliser et où hiérarchiser les mesures d'amélioration des sols. En outre, l'évolutivité du cadre permet de l'intégrer dans les systèmes d'information géographique pour des visualisations dynamiques et interactives qui peuvent aider à des campagnes de sensibilisation du public et à la prévention des catastrophes.
« En intégrant des techniques d'IA avancées avec des données géotechniques, cette recherche établit une nouvelle norme pour la gestion proactive des risques, soutenant le développement urbain plus sûr et plus durable et aidant à protéger des millions de personnes dans des régions vulnérables », conclut le professeur Inazumi.
