Utiliser l’IA pour un béton bas carbone et durcissant plus vite

TL;DR

• Meta met à disposition un flux de travail d’IA open source qui applique l’optimisation bayésienne (BoTorch et Ax) pour concevoir des mélanges de béton allégeant le carbone, accélérant le durcissement et répondant aux besoins des data centers. Meta Engineering Blog
• En collaboration avec Amrize et l’University of Illinois Urbana-Champaign (UIUC), le béton vert conçu par IA a déjà été déployé dans le projet de data center de Meta à Rosemount, MN. Meta Engineering Blog
• Le modèle IA prédit des courbes de résistance à la compression pour diverses mélanges et optimise conjointement la résistance à court et long terme avec une empreinte carbone proxy. Meta Engineering Blog
• La pipeline IA accélère la découverte via des itérations basées sur les données de laboratoire et surpasse des formules industrielles standard de faible carbone en deux itérations avec des ajustements humains mineurs. Meta Engineering Blog
• Meta prévoit d’étendre l’IA open source dans l’industrie du béton, en augmentant les tests avec davantage de partenaires et en publiant des conceptions de référence et des meilleures pratiques via iMasons et l’Open Compute Project. Meta Engineering Blog

Contexte et arrière-plan

Les solutions de béton à faible teneur en carbone sont essentielles pour atteindre les objectifs climatiques en 2030. La production de béton est une source majeure d’émissions de carbone pour les constructions de data centers et représente une part importante des émissions mondiales de CO2, comme le rapportent des organisations majeures. Le design traditionnel du béton optimise la résistance et le coût, mais les constructions modernes exigent aussi durabilité, vitesse de cure, maniabilité et finitions. Le développement de nouvelles formules est complexe en raison des interactions entre de multiples matériaux, de la variabilité des SCM et des délais de validation. Meta Engineering Blog Pour relever ces défis, Meta s’est associée à Amrize, l’un des plus grands fabricants de ciment et fournisseurs de béton au monde, et à l’UIUC pour créer un modèle IA et un flux de travail qui découvrent des mélanges répondant aux exigences de performance traditionnelles et de durabilité. Le travail a conduit à des déploiements pratiques dans le projet Rosemount, MN. Le travail souligne que la conception du béton est un problème multi-objectifs : les optimiseurs doivent équilibrer les types de ciment, les SCM à faible empreinte carbone, les ratios eau-liant, les types d’agrégats et les adjuvants, tout en tenant compte de la variabilité selon l’origine et la saisonnalité des SCM. Meta Engineering Blog Pour les tests, les flux IA doivent gérer des essais qui prennent des jours ou des semaines pour valider de nouvelles mélanges. L’objectif est d’accélérer le processus de conception tout en maintenant une validation rigoureuse. Le projet montre comment l’IA peut générer des données de haute qualité pour entraîner et développer les modèles sur plusieurs itérations. Meta Engineering Blog Les exigences pratiques des dalles de data centers nécessitent des surfaces planes et nivelées, avec une finition lisse et une durabilité pour assurer la maintenance des équipements. Les formulations de béton IA sont ajustées pour les ratios eau/liant et les contraintes matérielles qui améliorent la cure et réduisent l’impact environnemental. Meta Engineering Blog En deux itérations, la pipeline IA a découvert des formules qui dépassent les formules industrielles standard de faible carbone en termes de résistance, de vitesse et de durabilité, avec des ajustements humains mineurs. Cela démontre le potentiel de l’IA pour accélérer la découverte et l’application de matériaux durables à grande échelle. Meta Engineering Blog

Quoi de neuf

Le principal avancement est un modèle d’IA pour le béton durable qui utilise l’optimisation bayésienne multiobjectif, basé sur BoTorch et Ax, afin d’apprendre à partir des données et de proposer de nouvelles mélanges qui équilibrent résistance et durabilité. Le modèle prédit des courbes de résistance à la compression pour une gamme de mélanges et optimise la résistance à court et long terme, accompagnée d’un proxy d’empreinte carbone. Cela permet de découvrir des formules qui équilibrent performance traditionnelle et faible impact environnemental. Éléments clés:

• Boucle d’optimisation multiobjectif visant résistance à 28 jours, résistance à court terme (1, 3 et 5 jours), maniabilité ( slump) et durabilité.
• Données d’entraînement issues de mesures de base et de résultats de laboratoire, affûtées sur plusieurs cycles pour améliorer les prédictions et les politiques.
• Accent sur la variabilité des SCM par origine et par saison, et focalisation sur des matériaux novateurs avec peu ou pas de données disponibles.
• Collaboration avec Amrize pour l’échelle en usine de batching, et validation par des tests de dalle et déploiement sur le site Rosemount, MN.
• Philosophie open source : la solution IA et les données/code associées doivent être largement utilisables pour la production et la R&D. Meta Engineering Blog La première pipeline IA comprend un flux de travail de bout en bout : générer des données de référence, entraîner le modèle d’IA, l’utiliser pour proposer de nouvelles mélanges, valider en laboratoire et affiner pour les itérations suivantes. Les premières itérations ont mis en évidence la capacité à dépasser les formules standard en termes de métriques critiques pour les dalles et les applications non-dalles, guidant le raffinement et l’échelle ultérieurs. Meta Engineering Blog Un exemple concret oppose un mélange à base de ciment Portland pur (violet) à un autre où une partie du ciment est substituée par fly ash (bleu), montrant comment les courbes de résistance évoluent avec différents choix matériels, tout en modifiant l’empreinte carbone. Cette visualisation soutient l’objectif d’optimisation entre résistance et coût environnemental. Meta Engineering Blog En 2024, Amrize a rejoint l’effort pour déployer l’IA à l’échelle de l’industrie du béton. Amrize a fourni des données de performance pour soutenir l’approche open source de Meta et a aidé à étendre la pipeline IA dans une usine de batching près de St. Paul, MN, prolongeant le processus de découverte et de test. Mortensen, entrepreneur général du projet, a évalué l’aptitude au travail et la performance d’aboutement des nouvelles formules, confirmant leur applicabilité pour les dalles. Des tests de dalle réussis ont permis une application à l’échelle sur le projet Rosemount, MN. Meta Engineering Blog

Pourquoi c’est important (impact pour les développeurs/entreprises)

Pour les développeurs, ingénieurs et partenaires de construction, la conception de béton par IA offre une voie pour réduire le carbone incorporé sans compromettre les performances, tout en raccourcissant le cycle de validation des nouvelles mélanges. L’approche open source offre une base pour la production, la personnalisation, les produits commerciaux et la R&D dans l’écosystème de la construction. Meta vise à étendre l’utilisation dans les data centers et à collaborer avec davantage de hyperscalers pour valider et publier des formules guidées par IA et des conceptions de référence via des organisations comme iMasons et l’Open Compute Project. Meta Engineering Blog Pour les développeurs et opérateurs, le flux IA facilite la validation et le déploiement de nouvelles mélanges de béton à faible teneur en carbone tout en garantissant les critères d’esthétique et de fini des surfaces des data centers. L’ouverture du code vise à démocratiser l’accès au design du béton par IA et à encourager les fournisseurs, entrepreneurs, architectes et propriétaires à adopter des exigences basées sur la performance avec un risque réduit. Meta Engineering Blog Meta prévoit également d’étendre la collaboration avec d’autres hyperscalers et de publier des conceptions de référence et des pratiques exemplaires via des organisations industrielles, afin de propager l’adoption de bétons bas carbone. Meta Engineering Blog

Détails techniques ou Mise en œuvre

Le modèle d’IA est basé sur l’optimisation bayésienne multiobjectif, utilisant BoTorch et Ax pour apprendre à partir des données et proposer de nouvelles mélanges équilibrant résistance et durabilité. En pratique :

• Le modèle prévoit des courbes de résistance à la compression pour une gamme de mélanges, intégrant résistance à court et long terme et proxy de l’empreinte carbone (GWP par m3).
• L’espace de conception comprend des choix de type de ciment, SCM à faible carbone, rapport eau/liant, types d’agrégats et adjuvants, en tenant compte de la variabilité d’origine et de la saisonnalité des SCMs.
• La collecte de données implique des essais sur cylindres pour la résistance à différents jours (1, 3, 5 et 28 jours), permettant de construire des courbes de résistance pour chaque mélange.
• Le flux IA itère entre génération de données, entraînement du modèle, formulation d’hypothèses et validation expérimentale, les résultats nourrissant l’entraînement pour améliorer les itérations suivantes.
• Les considérations de dalle prennent en compte les exigences de finition et de travail lorsque les mélanges sont destinés à des surfaces sensibles à l’esthétique et au planéité.

Métriques et comparaisons clés

| Métrique | Ce qu’elle mesure | Pourquoi c’est important |---|---|---| | Résistance à 28 jours | Résistance structurelle à long terme | Garantit la fiabilité du béton en service |Résistance de court terme (1, 3, 5 jours) | Vitesse de cure | Impacte le calendrier du projet |Fluage / trabalhabilité | Etat frais | Influences le placement et la finition |Proxy de durabilité (GWP) | Empreinte carbone par m3 | Objectif ESG central pour le béton bas carbone |Variabilité des SCM par origine/saisonnalité | Consistance des matériaux | Gère les dynamiques réelles de la chaîne d’approvisionnement | Le flux permet aussi de comparer les formules IA avec les formulations industrielles standard de faible carbone et montre des améliorations en résistance, vitesse et durabilité après deux itérations avec des ajustements humains. Meta Engineering Blog Dans la pratique, Amrize a aidé à déployer l’IA dans une usine de batching près de St. Paul, MN, fournissant des données de performance pour alimenter l’entraînement. Mortensen, l’entrepreneur principal du projet, a évalué la maniabilité et l’aspect de finition des nouvelles formules, et les tests de dalle réussis ont permis leur application à Rosemount, MN. Meta Engineering Blog

Pourquoi cela compte (impact pour les développeurs/entreprises)

Pour les développeurs et les partenaires, concevoir le béton avec l’IA offre une voie vers une réduction du carbone sans compromis sur les performances, tout en raccourcissant le cycle de validation des nouvelles formules. L’approche open source permet une base commune pour la production, la personnalisation et la R&D dans l’écosystème de la construction. Meta prévoit d’étendre l’utilisation dans les data centers et de collaborer avec d’autres hyperscalers pour valider et publier des formules guidées par IA et des conceptions de référence via iMasons et l’Open Compute Project. Meta Engineering Blog Pour les opérateurs, le flux IA facilite la validation et le déploiement de nouvelles mélanges de béton bas carbone, tout en garantissant les exigences de finition et de travail sur les surfaces des data centers. L’initiative est conçue comme open source pour permettre une adoption planétaire et une mise en pratique rapide par les acteurs de la chaîne. Meta Engineering Blog Meta prévoit d’étendre la collaboration avec d’autres hyperscalers et de publier des conceptions de référence et des meilleures pratiques via iMasons et l’Open Compute Project, afin de diffuser largement l’utilisation du béton bas carbone. Meta Engineering Blog

Détails techniques ou Mise en œuvre (suite)

Le flux IA utilise l’optimisation bayésienne multiobjectif et s’appuie sur BoTorch et Ax pour apprendre des données et proposer des mélanges équilibrant résistance et durabilité. Le modèle prédit des courbes de résistance pour différentes compositions et optimise la résistance à court et long terme ainsi que le proxy carbone (GWP par m3).

Tableau des métriques clés

| Métrique | Description | Exemple |---|---|---| | Résistance 28 jours | Résistance structurelle à long terme | Indispensable pour la conception |Courbe de résistance à jour | Résistance à 1/3/5 jours | Accélère le calendrier de construction |Densité de travail | Abbouement et consistance | Façonne la pose et la finition |GWP par m3 | Empreinte carbone | Mesure ESG central |Variabilité SCM | Performance selon origine | Gère l’approvisionnement | Outil open source et collaboration avec Amrize pour étendre la pipeline dans une usine near St. Paul, MN, démontrent l’application à l’échelle et les essais sur dalle qui ont informé l’application au Rosemount, MN. Meta Engineering Blog

Points clés

• Conception de béton par IA équilibrant résistance, vitesse de cure et durabilité grâce à l’optimisation bayésienne.
• Collaboration avec Amrize et UIUC démontrant une mise en œuvre pratique sur un projet de data center à Rosemount, MN.
• Flux open source avec potentiel d’échelle et publication de conceptions et pratiques via les organisations industrielles.
• Mise en avant des cibles de résistance à court terme pour accélérer les délais de construction.
• Prise en compte de la variabilité des SCMs et des chaînes d’approvisionnement pour réduire les risques d’adoption.
• Exigences de finition des dalles intégrées pour assurer une applicabilité réelle sur les surfaces des data centers.

Références

• https://engineering.fb.com/2025/07/16/data-center-engineering/ai-make-lower-carbon-faster-curing-concrete