La densité sèche des sols est un paramètre clé en géotechnique, souvent négligé dans la constitution des modèles de sol. Cependant, sa détermination en laboratoire reste limitée par des contraintes de temps, de coût et de faisabilité (échantillon intact), conduisant souvent à des choix basés sur l'expérience des ingénieurs ou sur l'analyse d'un faible nombre de valeurs par horizons géotechniques. Pour objectiver cette estimation, ce travail propose une méthodologie combinant statistiques et apprentissage automatique.

Une base de données de plus de 1 000 échantillons, issus de campagnes de mesure dans le Bassin parisien, a été constituée. Elle intègre des résultats d'essais pressiométriques, de valeurs au bleu et d'analyses granulométriques, spécifiques aux sols inorganiques. Une analyse en composantes principales (ACP) a d'abord permis d'identifier les tendances et corrélations significatives entre les paramètres mesurés et la densité sèche. Cette étape a confirmé l'existence de relations robustes, justifiant le développement de modèles prédictifs.

Sur cette base, une approche par apprentissage automatique a été mise en œuvre, exploitant les paramètres principaux identifiés par l'ACP. Plusieurs modèles, supervisés et non supervisés, ont été testés pour évaluer leur capacité à prédire la densité sèche. Les résultats obtenus montrent une amélioration significative pour la prédiction de ce paramètre.

L'outil développé vise à fournir aux ingénieurs une aide décisionnelle objective, intégrant l'apprentissage automatique dans les pratiques de dimensionnement géotechnique. Il permet de réduire l'incertitude liée à l'estimation de la densité sèche, tout en optimisant les coûts et les délais des études.