L’intelligence artificielle prédit mal les dégâts sismiques en Haïti [Fiche de synthèse]
Bulletin Haiti Recherche
Titre de l’article: Host-to-target region testing of machine learning models for seismic damage prediction in buildings

Résultats
L’évaluation de la vulnérabilité sismique est une étape essentielle pour atténuer les risques dans une région. Traditionnellement, cette évaluation repose sur la modélisation des structures, une approche qui, bien que pertinente, est souvent difficile à mettre en œuvre à grande échelle en raison de la diversité des typologies de bâtiments. Récemment, l’apprentissage automatique a émergé comme une alternative prometteuse, permettant d’évaluer la vulnérabilité sismique plus facilement et à grande échelle. Généralement ces méthodes apprennent des relations complexes entre les variables et utilisent des données pour faire des prédictions sur les dommages potentiels liés aux séismes. En génie parasismique, les modèles d’apprentissage automatique peuvent s’appuyer sur des données d’évaluation post-sismiques, telles que les caractéristiques des bâtiments, les mouvements du sol et les niveaux de dommages observés après un tremblement de terre.
L’article de Ghimire et Guéguen (2024) examine l’utilisation de modèles d’apprentissage automatique pour prédire les dommages sismiques dans les bâtiments, en utilisant des données provenant de quatre pays ayant subi des séismes : Haïti, Népal, Serbie et Italie. Les résultats montrent une faible précision pour la prédiction des dommages en Haïti, avec seulement 46 % de bonnes classifications. En revanche, pour les autres pays, la précision des prédictions varie entre 57 % et 67 %, ce qui témoigne de l’efficacité relative du modèle dans des contextes différents.
Méthodologie
L’étude se concentre sur l’utilisation de l’algorithme de gradient boosting extrême (XGBC) pour classer les bâtiments selon un système de feux de signalisation (vert, jaune, rouge), basé sur des caractéristiques simples telles que le nombre d’étages, l’âge des bâtiments et l’intensité des secousses sismiques. Le modèle est formé en divisant les données en 60 % pour l’entraînement et 40 % pour le test.
L’étude teste également l’agrégation des données de plusieurs tremblements de terre afin de déterminer si cette approche améliore la performance du modèle. Cependant, les résultats pour Haïti demeurent faibles, avec un taux de bonnes prédictions ne dépassant pas 50 %. Enfin, un test de transfert de modèle est réalisé, où le modèle formé sur les données d’une région (la région “hôte”) est testé sur des données d’une autre région (la région “cible”). Les résultats montrent que, lorsque Haïti est la cible du modèle, la précision des prédictions est particulièrement faible, ne dépassant pas 43,39 %. Et lorsque les données d'Haïti sont utilisées pour entraîner le modèle, la précision des prédictions pour les autres régions reste en dessous de 35,07 %.
Enseignements
Ces résultats soulignent les difficultés rencontrées lorsqu’il s’agit de transférer les modèles entre différentes régions ayant des contextes géophysiques et structurels distincts. Ces faibles taux de précision montrent les limites de l’utilisation de l’apprentissage automatique pour évaluer la vulnérabilité sismique à grande échelle, notamment en Haïti. Pour améliorer la performance des modèles, il serait essentiel d’utiliser des paramètres plus détaillés concernant les bâtiments, ce qui permettrait d’obtenir des résultats plus fiables. Bien que les données post-sismiques disponibles en Haïti soient plus complètes, cette recherche a utilisé un nombre limité de paramètres, ce qui rend difficile la transposition des modèles dans d’autres contextes. Néanmoins, l’utilisation de l’apprentissage automatique demeure un sujet crucial à explorer pour tirer parti des données post-sismiques et mieux comprendre la vulnérabilité des bâtiments à grande échelle.