Un jumeau numérique pour surveiller le pergélisol arctique sous les routes

Le pergélisol, sol gelé en permanence présent dans les régions arctiques, joue un rôle crucial dans la stabilité des infrastructures locales. Pourtant, son réchauffement progressif et son instabilité croissante posent un défi majeur pour les routes et autres constructions dans le Grand Nord. Une nouvelle étude publiée dans le Journal of Geophysical Research: Earth Surface propose une solution innovante pour mieux comprendre et anticiper ces changements.

Un modèle hybride pour des prédictions précises

Les méthodes traditionnelles de modélisation du pergélisol se heurtent à des obstacles majeurs : les conditions souterraines varient fortement sur de courtes distances, les données disponibles sont limitées, et les modèles physiques classiques peinent à intégrer de nouvelles observations en temps réel. Pour surmonter ces limites, des chercheurs ont développé un jumeau numérique intégrant à la fois des mesures de température par fibre optique et un cadre d'apprentissage automatique guidé par la physique.

Cette approche, testée sur une route de 100 mètres à Utqiaġvik (Alaska), combine un réseau de neurones avec un solveur de transfert thermique. Le modèle conserve les principes physiques fondamentaux tout en s'adaptant aux nouvelles données, permettant ainsi une mise à jour continue des propriétés incertaines du sol.

Des résultats plus fiables et interprétables

Contrairement aux modèles « boîtes noires » traditionnels, ce jumeau numérique offre une solution transparente et évolutive. Il permet de :

• Reconstruire les champs de température souterrains avec précision ;
• Estimer des propriétés thermodynamiques comme la teneur en eau non gelée ou la conductivité thermique ;
• Valider ces estimations à l'aide de données indépendantes, telles que des mesures par DAS (Distributed Acoustic Sensing), des températures de forage ou des essais en laboratoire.

Cette méthode dépasse le cadre d'une simple étude de modélisation locale. Elle ouvre la voie à des prédictions en temps quasi réel du pergélisol et à une surveillance renforcée des infrastructures dans un Arctique en rapide mutation.

Fonctionnement du modèle

Le cadre proposé repose sur un réseau de neurones (NN) qui prend en entrée les températures du sol à différentes positions latérales et génère six paramètres inconnus, variables selon la distance. Ces paramètres sont ensuite intégrés dans l'équation de transfert thermique via des relations constitutives, et le système est résolu à l'aide d'une méthode de différences finies (FDM).

La différence entre les températures prédites et observées est calculée et définie comme une « perte ». Les gradients de cette perte sont ensuite rétropropagés pour ajuster les paramètres du réseau de neurones, améliorant ainsi la précision du modèle au fil du temps.

« Cette étude marque une avancée significative en combinant physique et intelligence artificielle pour modéliser le pergélisol. Elle offre non seulement des prédictions plus fiables, mais aussi une compréhension approfondie des processus souterrains. »
— Xiang Huang, Rédacteur associé, JGR: Earth Surface

Perspectives pour l'Arctique

Avec le réchauffement climatique, la dégradation du pergélisol s'accélère, menaçant la stabilité des routes, des pipelines et des bâtiments dans les régions polaires. Ce modèle innovant pourrait devenir un outil essentiel pour les ingénieurs et les décideurs, leur permettant d'anticiper les risques et d'adapter les infrastructures en conséquence.

Les auteurs soulignent que cette approche est transférable à d'autres sites arctiques, offrant ainsi une solution scalable pour une surveillance à grande échelle du pergélisol.

Référence de l'étude

Gou, L., Xiao, M., Zhu, T., Martin, E. R., Wang, Z., Rocha dos Santos, G., et al. (2026). Physics-informed digital twin for predicting permafrost thermodynamic characteristics under an embankment road in Utqiaġvik, Alaska. Journal of Geophysical Research: Earth Surface, 131, e2025JF008787. https://doi.org/10.1029/2025JF008787