Tokyo, l'une des villes les plus denses au monde, se situe dans une zone sismique très active, où le risque de séismes majeurs est constant. L’un des phénomènes les plus destructeurs lors de ces événements est la liquéfaction des sols, qui se produit lorsque les secousses intenses d’un tremblement de terre provoquent une perte temporaire de résistance dans les sols saturés et peu compactés, faisant ainsi céder le sol comme s’il était liquide. Des catastrophes liées à ce phénomène ont été observées lors du séisme de Kobe en 1995, du grand séisme du Japon oriental en 2011, et plus récemment lors du séisme de la péninsule de Noto en 2024. Malgré la gravité de ce risque, les cartes d’alerte existantes, basées sur des méthodes géostatistiques simples et des données limitées provenant de forages, offrent une résolution insuffisante — souvent supérieure à 500 mètres de grille — ce qui est insuffisant pour une ville aussi complexe que Tokyo, avec ses zones de terrains artificialisés, ses sols meubles et ses conditions subsurface variées. Face à ce défi, une équipe dirigée par le professeur Shinya Inazumi de l’Institut de technologie Shibaura au Japon a développé une méthode révolutionnaire pour produire des cartes de risque de liquéfaction en 3D à très haute résolution. Publiée dans la revue Results in Engineering, leur étude présente un cadre intégré combinant des données géotechniques et des réseaux de neurones artificiels (RNA), une forme d’intelligence artificielle. L’équipe a utilisé un ensemble de données exceptionnellement vaste : 13 926 profils de forages, l’un des plus grands enregistrements utilisés à ce jour pour une application d’IA en géotechnique au Japon. En entraînant leur modèle RNA sur ces données, les chercheurs ont pu prédire avec précision, à une grille de 200 mètres, à la fois le type de sol et les valeurs N (mesure de densité et de résistance du sol) aux emplacements non échantillonnés. Le modèle a surpassé les méthodes traditionnelles ainsi que d’autres approches d’apprentissage automatique, grâce à sa capacité à capturer des relations complexes et non linéaires dans les données. À partir de ces prédictions, les chercheurs ont calculé un indice de potentiel de liquéfaction pour chaque zone, produisant une carte de risque d’une précision inégalée. Elle met en évidence clairement les zones à haut risque, notamment dans les zones côtières réaménagées et les plaines inondables, avec une finesse inédite. Des localités comme le quartier de Koto, particulièrement vulnérables, sont désormais identifiées avec une précision qui échappe aux cartes officielles traditionnelles. Selon le professeur Inazumi, cette méthode offre un modèle robuste, évolutif et transférable à d’autres mégapoles confrontées à des risques géologiques similaires. Elle peut être intégrée dans des systèmes d’information géographique (SIG) pour des visualisations dynamiques, facilitant la planification urbaine, le choix des fondations, la priorisation des mesures d’amélioration du sol et les campagnes de sensibilisation. Cette recherche illustre ainsi le potentiel transformateur de l’intelligence artificielle dans la gestion des risques sismiques, permettant une urbanisation plus sûre et durable, et protégeant des millions de personnes vivant dans des zones vulnérables. Source : Yuxin Cong et al., 3D geological and liquefaction hazard mapping for Tokyo at 200-m grid scale using artificial neural networks, Results in Engineering (2025). DOI : 10.1016/j.rineng.2025.107262