Le béton demeure le matériau de construction le plus utilisé au monde, en raison de sa facilité de mise en œuvre, de sa disponibilité et de son faible coût. Sa résistance à la compression constitue sa propriété mécanique essentielle et le principal critère de performance pour le dimensionnement des structures. Une base de données expérimentale a été exploitée pour comparer les performances de plusieurs techniques d'apprentissage automatique : régression Lasso, régression polynomiale quadratique, arbres de décision, machines à vecteurs de support, réseaux de neurones artificiels, forêts aléatoires, bagging, gradient boosting et processus gaussiens. Quatre fonctions de covariance ont été considérées pour le modèle GPR. Une optimisation systématique des hyperparamètres a été appliquée à chaque algorithme. Une analyse comparative fondée sur des indicateurs statistiques et des outils graphiques a été réalisée. Une analyse de sensibilité met en évidence l'influence relative des paramètres de formulation, soulignant notamment le rôle déterminant de la teneur en ciment. Enfin, une analyse de propagation de l'incertitude révèle une dispersion non négligeable des prédictions.
