BAROMaL

Les agrégats naturels pour la production de béton sont de moins en moins accessibles en Suisse, car les dépôts deviennent occupés par l'habitat et l'excavation des rivières est fortement régulée. Parallèlement, les déchets de construction et de démolition (DCD) - qui comprennent de grandes quantités de déchets minéraux granulaires (béton, briques, et autres matériaux céramiques concassés) - constituent le flux de déchets le plus important.

L'utilisation des DCD minéraux comme agrégats recyclés pour le béton (RC) a un grand potentiel écologique et économique. Mais les approches actuelles de définition et d'optimisation des recettes RC sont empiriques, par défaut, et nécessitent des travaux coûteux et fastidieux car l'impact des agrégats recyclés sur les performances du RC est un phénomène multifactoriel complexe. Ainsi, les résultats d'un développement empirique traditionnel sont spécifiques au stock de DCD utilisé et ne peuvent à priori pas être transposés à d'autres sources.

L'objectif de ce projet est de contribuer au développement d'un nouvel outil adaptatif de formulation de recettes pour RC capable de traiter efficacement la grande variabilité des agrégats recyclés fins. Pour ce faire, nous proposons d'appliquer à des images des agrégats recyclés, des techniques d'apprentissage automatique (Machine Learning, ML) pour la prédiction de la performance physique du RC, et d’évaluer l’impact des modifications de la recette sur performances mécaniques, économique et environnementale du RC.

Ce projet complète l'exploration méthodologique initiée dans le projet ORCADEMO.