9 CNIA - 2022 Leclercq Magnaval
9 CNIA - 2022 Leclercq Magnaval
9 CNIA - 2022 Leclercq Magnaval
L’IA est également utile pour optimiser la maintenance des 4 Défis à relever dans le futur pour une
ouvrages à travers la maintenance prédictive ou prescriptive.
Ces développements peuvent se faire à l’échelle d’un
adoption massive de l’IA
Si les perspectives d'innovation dans le domaine des
ouvrage ou celle d’un parc. Hamida et al. [19] ont développé
technologies de la construction sont prometteuses, il reste des
une méthode pour définir une politique de maintenance à
défis à relever. Un des problèmes majeurs évoqué au
l’échelle de 7000 ponts au Québec. Dans cette étude, des
paragraphe 2.4 révèle que la représentation de l'information
modèles d’espace-état (SSM) sont implémentés pour
est encore inadéquate. D'importants défis fondamentaux
modéliser la détérioration du parc de ponts à partir des notes
doivent encore être résolus avant que les innovations
d’inspections visuelles. Les estimations de la détérioration
technologiques puissent commencer à incorporer largement
des ponts peuvent aider à examiner l'efficacité des
les techniques d'IA dans les outils logiciels en production.
interventions précédentes et la tendance à long terme de l'état
Parmi les principaux défis, on citera le développement des
du réseau ainsi que de jeter les bases de la planification des
jeux de données, l’explicabilité et l’acculturation.
futures actions d'entretien.
4.1 Développement des jeux de données
Avec près de 45% des consommations énergétiques en Pour s’améliorer, l’IA nécessite des jeux de données fiables
France [20], l’optimisation de l’énergie en exploitation est un et qualifiés. Or, le Génie Civil pêche dans la gouvernance des
enjeu majeur pour le secteur du bâtiment. Bien que les données. Cela s’explique par plusieurs éléments, à la fois
méthodes physiques visant à calculer le comportement de culturels et techniques. Premièrement, l’utilisation du papier
consommation d'énergie d'un bâtiment soient précises, elles est encore d’actualité aujourd’hui. Il n’est pas rare qu’un
ne sont pas pratiques dans certaines applications en raison de ouvrier ou un inspecteur transmettent des informations sous
la nécessité d'inspecter et de recueillir en permanence des ce format plutôt que via un formulaire numérisé. Un travail
données pour tous les paramètres d'entrée. Chokor et al. [21] de structuration et de développement d’outils logiciels est en
ont proposé un nouveau système d'évaluation du rendement cours dans la filière.
du système Leadership in Energy and Environmental Design Deuxièmement, les structurations de données sont
(LEED) basé sur l'étude d'un modèle de prédiction généralement spécifiques à une discipline, représentant les
personnalisé. Ce modèle est piloté par l'énergie réellement bâtiments avec la sémantique d'une seule vision
consommée des bâtiments. Les résultats montrent que le professionnelle (comme l'architecture, l'ingénierie
modèle de régression par gradient boosting est supérieur aux structurelle ou les systèmes de fluides). En tant que telle, la
autres modèles de régression, ce qui aide les énergéticiens à collaboration pluridisciplinaire à l'aide de modèles est
faire de meilleurs choix tout au long du cycle de vie du difficile. La plupart des équipes utilisent des types de
projet. modèles distincts. Troisièmement, la sélection des données
suivies n’est pas faite selon le paradigme d’une exploitation
3.4 Démolition et revalorisation de l’actif par l’IA par la suite. Dès lors, de nombreuses relations et
Lorsque l’ouvrage ne répond plus aux critères suffisants
propriétés d'objets sont encore implicites dans les modèles de
d’opérabilité et/ou de sécurité, les deux choix évidents qui
données, laissées à l'interprétation intelligente de leurs
utilisateurs humains. De même, les spécifications de les biais potentiels liés aux données, il est essentiel que les
conception et les codes de construction définissent praticiens de la construction comprennent comment le
généralement des paramètres qui sont des compilations système prend ses décisions. Il est donc nécessaire d'utiliser
complexes de contraintes géométriques qui sont très difficiles l'IA explicable (XAI) pour produire des modèles explicables
à exprimer à l'aide d'ensembles de règles "si-alors". et permettre aux humains de comprendre, de faire confiance
Un travail de long terme est à conduire pour que des jeux de et de gérer les systèmes. Cette explicabilité est d’autant plus
données massifs soient exploitables pour l’IA. importante que la conception des bâtiments et infrastructures
En parallèle des efforts à consentir pour développer des bases peut mettre en péril des vies humaines.
de données à grande échelle, l’IA pour le Génie Civil
s’inscrit aujourd’hui dans la mouvance du small data. Les 4.3 Culture et gestion des talents
données à dispositions sont faibles en nombre mais résultent Il est connu que le secteur de la construction est l'un des
d’un processus intellectuel. C’est le cas notamment des secteurs les moins numérisés et qu'il est lent à adopter les
mesures de capteurs structurels. Il n’est pas possible nouvelles technologies. Cela s’explique par la nature risquée
d’équiper densément les ouvrages : l’emplacement des et coûteuse de la plupart des processus de construction, où les
capteurs est choisi aux points critiques. Ce choix résulte petites erreurs peuvent entraîner des conséquences énormes.
souvent d’une analyse complexe du type modèle aux Contrairement à des secteurs comme l'industrie
éléments finis. Un autre élément explicatif du small data en manufacturière, les sites de construction sont pour la plupart
génie civil est l’unicité des chantiers et des structures. En uniques et différents, ce qui nécessite une IA capable
effet, contrairement aux usines, chaque environnement est d'apprendre et de s'adapter rapidement dans des
différent. Cela pose les questions de représentativité et de environnements changeants. Dès lors, les technologies d'IA à
transfert de connaissance entre les projets. déployer dans le secteur de la construction doivent être
utilisables dans différents projets ou sites de construction et
En phase de construction, un verrou supplémentaire est la testées de manière approfondie pour convaincre les
connectivité Internet. En effet, l’ensemble des zones ne sont entrepreneurs et les entreprises de construction de les utiliser.
pas bien couvertes et sont sujettes à des coupures de courant Il peut s'agir de tirer parti d'autres technologies numériques
[24]. Par exemple, les capteurs et les actionneurs comme la blockchain pour améliorer la confiance et la
communiquent des informations qui doivent être calculées en transparence.
temps réel pendant la construction. Il est pertinent de Sur le marché mondial, il y a une pénurie de talents formés à
chercher des moyens de résoudre ce problème de manière l’IA. Il est encore plus difficile de trouver les profils AI+X
efficace et effective. L'utilisation des technologies de ayant une expérience dans la construction pour construire des
communication 4G (LTE/max) a permis de résoudre ce solutions personnalisées visant à résoudre les nombreux
problème dans une large mesure. L'émergence de la 5G offre problèmes du secteur. Or, contrairement à d’autres domaines,
une fiabilité encore plus grande pour les chantiers de la connaissance du secteur est un atout majeur, à la fois pour
construction grâce à son débit de données élevé, la réduction la gestion du changement mais aussi pour la compréhension
de la latence, les économies d'énergie, la réduction des coûts, du problème. En effet, poser le problème d’optimisation sur
la plus grande capacité du système et la connectivité massive une problématique de maintenance prédictive d’un pont du
des appareils. XIXe siècle est plus complexe que sur l’optimisation de
publicités en ligne.
4.2 Interprétabilité et Explicabilité Pour favoriser l’adoption de l’IA dans ce secteur au cœur des
Le domaine du Génie Civil vise à construire les enjeux climatiques et d’une importance économique majeure,
infrastructures les plus pérennes en garantissant la sécurité les investissements publics et privés pour acculturer et
des utilisateurs. Cela soulève des enjeux de compréhension former les professionnels de la construction est nécessaire.
des décisions et d’arbitrages pris lors de chaque étape du
cycle de vie. Ce point renvoie aux notions d’interprétabilité 5 Conclusion
et d’explicabilité qu’il convient de définir. Cet article présente les enjeux et cas d’usages de
l’Intelligence Artificielle (IA) tout au long du cycle de vie
Selon Doshi-Velez et Kim [25], l’interprétabilité désigne « la des bâtiments et infrastructures.
capacité d'expliquer ou de présenter en termes L’Intelligence Artificielle n’en est qu’à ses débuts dans le
compréhensibles pour un humain ». Quant à elle, domaine du Génie Civil. Pour autant, les cabinets de conseils
l'explicabilité est associée à la logique et à la mécanique comme Deloitte, McKinsey et PwC prédisent tous une
internes d'un système d'apprentissage automatique. Plus un accélération forte des investissements dans ces technologies.
modèle est explicable, plus la compréhension que les Depuis une dizaine d’années, des chercheurs ont ouverts la
humains en ont est profonde. voie en mettant en application des solutions d’IA. Ces cas
d’usages sont des preuves de concept qui démontrent que les
Si, en pratique, les ingénieurs Génie Civil peuvent percevoir retours sur investissement d’autres domaines sont possibles
les modèles numériques aux éléments finis comme des dans le secteur de la construction.
boites-noires, des experts sont capables d’expliquer les lois Pour autant, l’adoption massive se fera en considérant les
sous-jacentes des simulations, même les plus complexes. défis du secteur : la structuration de jeux de données
Pour instaurer la confiance dans les systèmes d’IA et éviter interopérables et fiables, l’explicabilité des modèles et la
gestion du changement. for multivariate geotechnical problems with big data.
Geotechnical and Geological Engineering, 2016, vol. 34, no 1,
Par ailleurs, la pertinence de l’IA est encore renforcée par p. 193-204.
d'autres tendances émergentes telles que le BIM et l'IoT.
[15] DING, Lieyun, FANG, Weili, LUO, Hanbin, et al. A
Avec l'augmentation des données générées tout au long du
deep hybrid learning model to detect unsafe behavior:
cycle de vie des bâtiments et l'émergence d'autres
Integrating convolution neural networks and long short-term
technologies numériques, l'IA a la capacité d'exploiter ces
données et de tirer parti des capacités des autres technologies memory. Automation in construction, 2018, vol. 86, p. 118-
pour améliorer les processus de conception, de construction, 124.
d’exploitation et de démolition. [16] GARCÍA FAURA, Álvaro, ŠTEPEC, Dejan, CANKAR,
Matija, et al. Application of Unsupervised Anomaly Detection
6 Références Techniques to Moisture Content Data from Wood
[1] AGENDA, Industry. Shaping the future of construction a Constructions. Forests, 2021, vol. 12, no 2, p. 194.
breakthrough in mindset and technology. WEF, Geneva, 2016. [17] WANG, Mudan, WANG, Cynthia Changxin,
[2] YOUNG, Damali, PANTHI, Kamalesh, et NOOR, Omar. SEPASGOZAR, Samad, et al. A systematic review of digital
Challenges Involved in Adopting BIM on the Construction technology adoption in off-site construction: Current status
Jobsite. EPiC Series in Built Environment, 2021, vol. 2, p. 302- and future direction towards industry 4.0. Buildings, 2020,
310. vol. 10, no 11, p. 204.
[3] ABIOYE, Sofiat O., OYEDELE, Lukumon O., AKANBI, [18] REZAIE, Amir, ACHANTA, Radhakrishna, GODIO,
Lukman, et al. Artificial intelligence in the construction Michele, et al. Comparison of crack segmentation using digital
industry: A review of present status, opportunities and future image correlation measurements and deep learning.
challenges. Journal of Building Engineering, 2021, vol. 44, p. Construction and Building Materials, 2020, vol. 261, p.
103299. 120474.
[4] RAVAL, Chintan, How Artificial Intelligence is [19] HAMIDA, Zachary et GOULET, James‐A. A stochastic
transforming the Aerospace Industry, eInfochips, model for estimating the network‐scale deterioration and
https://www.einfochips.com/blog/how-artificial-intelligence-is- effect of interventions on bridges. Structural Control and
transforming-the-aerospace-industry/, 2021. Health Monitoring, 2021, p. e2916.
[5] GOULET, James-A. Probabilistic machine learning for [20] Ministère de la transition écologique, Energie dans les
civil engineers. MIT Press, 2020. bâtiments, Ecologie.gouv,
[6] SVEIKAUSKAS, Leo, ROWE, Samuel, https://www.ecologie.gouv.fr/energie-dans-
MILDENBERGER, James, et al. Productivity growth in batiments#:~:text=Le%20secteur%20du%20b%C3%A2timent%
construction. Journal of Construction Engineering and 20repr%C3%A9sente,climatique%20et%20la%20transition%20
Management, 2016, vol. 142, no 10, p. 04016045. %C3%A9nerg%C3%A9tique, 2021.
[7] RICAUD, Yan, Innovation et BTP : la transformation du [21] CHOKOR, Abbas et EL ASMAR, Mounir. Data-driven
secteurest en marche, PwC, 2018. approach to investigate the energy consumption of LEED-
[8] ALVAREZ, Laureano, DE REYNA, Galo, Construction certified research buildings in climate zone 2B. Journal of
Predictions, Deloitte, 2020. Energy Engineering, 2017, vol. 143, no 2, p. 05016006.
[9] STOWE, Ken, LÉPINOY, Olivier, et KHANZODE, Atul. [22] KURITCYN, Petr, ANDING, Katharina, LINß, Elske, et al.
Innovation in the construction project delivery networks in Increasing the safety in recycling of construction and
Construction 4.0. In : Construction 4.0. Routledge, 2020. p. 62- demolition waste by using supervised machine learning. In :
88. Journal of Physics: Conference Series. IOP Publishing, 2015. p.
[10] MORENILLAS, Noémie, SKENARD, Gabriel, Les 012035.
Entreprises en France, INSEE, 2019. [23] QUACH, Alyssa Ngu-Oanh, TABOR, Lucie, DUMONT, Dany,
[11] ARMSTRONG, Geno, GILGE, Clay, Global Construction et al. A machine learning approach for characterizing soil
Survey 2019, KPMG, 2019. contamination in the presence of physical site discontinuities
and aggregated samples. Advanced Engineering Informatics,
[12] COMMITTE, NIMBS. National Building Information
2017, vol. 33, p. 60-67.
Modeling Standard. 2010.
[24] LOUIS, Joseph et DUNSTON, Phillip S. Integrating IoT into
[13] TSERANIDIS, Stavros, BROWN, Nathan C., et
operational workflows for real-time and automated decision-
MUELLER, Caitlin T. Data-driven approximation algorithms
for rapid performance evaluation and optimization of civil making in repetitive construction operations. Automation in
structures. Automation in Construction, 2016, vol. 72, p. 279- Construction, 2018, vol. 94, p. 317-327.
293. [25] DOSHI-VELEZ, Finale et KIM, Been. Towards a rigorous
[14] ZHANG, Wengang, GOH, Anthony TC, et ZHANG, science of interpretable machine learning. arXiv preprint
Yanmei. Multivariate adaptive regression splines application arXiv:1702.08608, 2017.