In recent years, the use of recycled aggregate concrete (RAC) has become a major concern when promoting sustainable development in construction. However, the design of concrete mixes and the prediction of their compressive strength becomes difficult due to the heterogeneity of recycled aggregates (RA). Artificial-intelligence (AI) approaches for the prediction of RAC compressive strength ${(f}_c)$ need a sizable database to have the ability to generalize models. Additionally, not all AI methods may update input values in the model to improve the performance of the algorithms or to identify some model parameters. To overcome these challenges, this study proposes a new method based on Bayesian Networks (BNs) to predict the $f_c$ of RAC, as well as to identify some parameters of the RAC formulation to achieve a given $f_c$ target. The BN approach utilizes the available data from three input variables: water-to-cement ratio, aggregate-to-cement ratio, and RA replacement ratio to calculate the prior and posterior probability of $f_c$. The outcomes demonstrate how BNs may be used to forecast both forward and backward, related to the $f_c$ of RAC, and the parameters of the concrete formulation.

Performances mécaniques et de durabilité du béton à granulats recyclés : études expérimentales et prédictives: L'utilisation de granulats recyclés (GR) fabriqués à partir de déchets de construction et de démolition (CDW) est une méthode prometteuse pour minimiser l'impact environnemental de l'industrie du béton. Cette approche permet non seulement de préserver les ressources naturelles en réduisant l'extraction de granulats vierges, mais aussi de diminuer de manière significative les déchets mis en décharge et les impacts environnementaux associés. Bien que le béton de granulats recyclés (BGCR) puisse être confronté à certaines limitations techniques telles qu'une qualité variable et une résistance potentiellement inférieure à celle du béton conventionnel, un traitement adéquat, un contrôle de la qualité et des recherches en cours permettent de surmonter ces défis. Par conséquent, cette thèse vise à fournir des résultats expérimentaux et numériques sur les propriétés du béton de granulats recyclés. Tout d'abord, la thèse fournit deux analyses systématiques, y compris des algorithmes d'IA pour prédire les propriétés mécaniques, l'expérimentation et la modélisation de la durabilité du CAR, qui peuvent servir de ressource précieuse pour les ingénieurs et les chercheurs. Deuxièmement, une étude complète sur les expériences et les méthodes de traitement, la prédiction numérique liée aux propriétés de durabilité des CAR et offre de nouvelles perspectives pour améliorer leurs propriétés de durabilité. Sur la base de ces deux revues, les études expérimentales du chapitre 3 permettent d'abord d'élucider les performances des CAR en tenant compte de leur nature. Les résultats montrent que les propriétés des CAR sont affectées par la teneur en RA en raison de leur forte absorption d'eau et de leur porosité. Les résultats ont également fourni des données pour la prédiction numérique des propriétés mécaniques du CAR au chapitre 4 en utilisant un nouveau cadre de réseau bayésien. Un nouveau modèle de prédiction basé sur un réseau bayésien est développé, qui permet une prévision efficace de la résistance à la compression des CAR tout en permettant l'inférence et la mise à jour des probabilités et des moyennes de toutes les variables du problème de prédiction. Les données de l'analyse documentaire précédente et les résultats du chapitre 3 sont combinés pour valider l'efficacité du modèle. Les résultats démontrent que l'approche de réseau bayésien proposée surpasse la précision de prédiction. Les résultats contribuent à faire progresser les pratiques de construction durable en promouvant l'utilisation efficace des matériaux recyclés dans la production de béton. En outre, dans le chapitre suivant, l'étude a exploré l'influence de la teneur en eau initiale de l'ARC sur ses propriétés microstructurales et son comportement de carbonatation. Dans des conditions de carbonatation accélérée (20 % de CO2, 65±5 % d'humidité relative), les chercheurs ont constaté que le prétraitement du CRA par un protocole spécifique de séchage et d'humidification suivi d'une carbonatation conduisait à des améliorations significatives de l'absorption d'eau et de la porosité. Ce processus a également permis d'optimiser le degré de carbonatation (DoC), avec une teneur en eau d'environ 40 % de la capacité d'absorption, ce qui a donné les meilleurs résultats. L'étude a notamment démontré que chaque tonne de CRA pouvait absorber environ 19 kg de CO2 dans ces conditions, soulignant ainsi son potentiel de séquestration du carbone. Ensuite, la recherche a étudié les effets de l'ARC carbonaté sur diverses propriétés des CAR. Les résultats ont montré que l'ARC carbonaté améliorait la résistance à la compression de 3,2 % et 4,2 % à des taux de remplacement de 50 % et 100 %, respectivement. De plus, l'ARC carbonaté a amélioré la résistance du CAR à la pénétration de l'eau et à la diffusion des chlorures, en particulier à des taux de remplacement plus élevés.

This study investigates the carbonation behavior of recycled aggregate concrete (RAC) considering the constituents of coarse aggregate (CA). Coarse natural aggregate (CNA) was replaced with coarse recycled aggregate (CRA) at 0%, 20%, 40%, 60%, 80%, and 100%. The CA constituents such as Rc, Ru, Ra, Rb, and Rg were determined according to NF EN 933–11 by manual sorting before casting. Accelerated carbonation tests were performed to evaluate carbonation depth and rate. Results indicate that the variability in CA composition significantly influences RAC carbonation behavior, with strong correlations (R² > 0.9) observed between Rc and Rb contents and the carbonation performance of RAC.