|
Résumé :
|
L’évolution de l’architecture des constructions vers une architecture moderne, comme les gratte-ciels et les infrastructures complexes, révèle les limites des méthodes traditionnelles de suivi géométrique en termes de temps, coût et qualité.Une transition vers des approches et des méthodes automatisées et rapides est donc nécessaire pour garantir la conformité entre les réalisations des ouvrages et le modèle BIM de conception. Ce projet propose une approche novatrice pour automatiser le suivi géométrique 3D des grands chantiers en utilisant BIM,TLS et GeoAI en surmontant les défis liés à la comparaison entre le modèle BIM d’exécution et le nuage de points des ouvrages réalisés , afin d’identifier et de mettre en œuvre les mesures nécessaires pour corriger les écarts et les non conformités. La méthodologie développée comprend plusieurs étapes clés : le géoréférencement de la maquette BIM, l’acquisition et le traitement des données relatives aux auvrages réalisés, la ségmentation sémantique des nuages de points via l’apprentissage profond, et l’automatisation de la génération de rapports détaillant les écarts entre le nuage de points et la maquette BIM d’exécution. Elle précise également l’état des éléments comparés : installés, non installés, incomplets ou absents. Cette approche a été mise en œuvre et évaluée sur le chantier du NHIS, au Maroc. Pour la ségmentation sémantique des nuages de points, le modèle de deep learning KPConv a été utilisé, entraîné sur trois types de données : des données synthétiques extraites du modèle BIM, des données réelles collectées par TLS, et la combinaison des deux. Chaque type de données a été évalué afin de déterminer lequel était le plus efficace, utilisant des métriques telles que le F1-score et IoU. L’analyse a révélé que l’entraînement utilisant uniquement les données réelles surpassait les autres, avec des valeurs d’IoU significatives : 99% pour les dalles, 88% pour les murs, 70% pour les colonnes, 64% pour les poutres, et 47% pour les ouvertures. Les résultats de la ségmentation obtenus ont permis d’identifier les écarts entre la réalisation des ouvrages et la conception originale. Cette analyse a également permis de quantifier l’avancement des travaux par classe, prouvant ainsi l’efficacité de la ségmentation sémantique pour réduire les interventions manuelles et optimiser la mise à jour des maquettes BIM d’exécution vers des maquettes BIM tel que construite.
|
