Les modèles existants de calcul des paramètres caractéristiques au pic de la courbe contrainte-déformation en compression uniaxiale du béton contraint par des étriers corrodés présentent généralement un manque d'aptitude à la généralisation entre différents jeux de données, ce qui limite sérieusement leur application en ingénierie pratique. Basé sur les données expérimentales de compression axiale de 112 colonnes en béton à section circulaire contraintes par des étriers corrodés, visant à prédire la contrainte au pic et la déformation au pic de la courbe contrainte-déformation, six algorithmes ont été utilisés pour construire des modèles prédictifs : la régression par vecteurs de support (SVR), les réseaux neuronaux artificiels (ANN), le gradient boosting extrême (XGBoost), les k plus proches voisins (KNN), le boosting catégoriel (CATboost) et les forêts aléatoires (RF), avec une analyse explicative basée sur la méthode SHAP. Les résultats montrent que SVR offre les meilleures performances dans la prédiction de la contrainte et la déformation au pic, avec des coefficients de détermination (R²) de 0,940 et 0,938 respectivement sur l'ensemble de test. L'analyse SHAP révèle que, en tenant compte de la réduction de la section nette et de la limite d'élasticité des barres due à la corrosion, la corrosion des barres longitudinales et des étriers a toujours un impact supplémentaire non négligeable sur la performance axiale du béton contraint par des étriers corrodés. Comparé aux modèles empiriques existants, le modèle établi présente une précision de prédiction supérieure pour les paramètres caractéristiques au pic et montre une bonne capacité de généralisation.

étriers corrodés;béton armé;apprentissage automatique;performance en compression uniaxiale;paramètres caractéristiques au pic;modèle constitutif