Niveau : Ph.D.

Jumelage numérique alimenté par l’IA pour l’environnement bâti

Abstract

Le paysage contemporain de la modélisation des données du bâtiment (BIM) a subi une transformation substantielle, incarnant désormais un vaste référentiel de données contextuelles et opérationnelles pertinentes pour le cycle de vie des actifs construits. Ce spectre de données étendu et complexe représente un défi pour l’assimilation d’informations multisources cloisonnées et l’extraction d’informations exploitables. Ma recherche doctorale aborde cette complexité en proposant un nouveau cadre qui met en synergie les graphes de connaissances (en tant que colonne vertébrale pour l’intégration des données), la réalité virtuelle (RV) et les interfaces pilotées par l’intelligence artificielle (IA). Cette approche intégrative vise à révolutionner l’interaction de l’utilisateur avec les jumeaux numériques, en facilitant un engagement plus intuitif et immersif avec les représentations virtuelles des environnements construits.

Résultats du projet

Dans le but de faire progresser l’interactivité dans le domaine des modèles d’information du bâtiment (BIM), l’un des principaux résultats de ma recherche doctorale a été le développement d’un prototype d’outil de réalité virtuelle (VR) basé sur le BIM. Cet outil intègre des flux en direct de données de capteurs provenant de bâtiments et les restitue dans un environnement virtuel. Cette fonction est essentielle pour les professionnels qui planifient des scénarios de simulation, car elle fournit une interface dynamique et réactive qui simule les modifications potentielles dans le monde réel et leurs impacts. La capacité de visualiser et de manipuler les données d’un bâtiment en temps réel dans un espace de RV marque un saut significatif dans l’analyse de scénarios et les processus de prise de décision dans la gestion des bâtiments. Du point de vue de l’intégration des données et de l’analyse, la recherche a exploré le domaine de l’apprentissage non supervisé pour faciliter la compréhension par la machine des données relatives au cycle de vie des actifs bâtis au moyen de graphes de connaissances. En s’appuyant sur des algorithmes d’apprentissage non supervisé, le système peut interpréter de manière autonome des représentations graphiques complexes de données relatives à l’environnement bâti, en découvrant des schémas et des associations sans surveillance humaine.
Cette méthode permet de réduire considérablement le temps et les ressources nécessaires à l’analyse des données dans le cadre de la BIM, et donc de rationaliser la gestion et l’exploitation des actifs bâtis. L’aboutissement de ces efforts se traduit par le développement d’une interface alimentée par l’IA qui permet des interactions intuitives avec les jumeaux numériques ou les modèles BIM. Cette interface exploite le potentiel des normes BIM ouvertes, ce qui permet une large compatibilité avec divers logiciels BIM et formats de données. En outre, grâce à l’intégration de techniques avancées de traitement du langage naturel (NLP), les utilisateurs peuvent interagir avec les données BIM par le biais d’un langage conversationnel, ce qui rend le système plus accessible et plus convivial pour les professionnels, quel que soit leur niveau d’expertise technique. Cette interface pilotée par l’IA agit comme un pont, traduisant des données BIM complexes en informations exploitables grâce à une expérience utilisateur plus naturelle et intuitive.

Contributions du projet

Du point de vue de la recherche, l’exploration de l’apprentissage non supervisé pour interpréter les graphes de connaissances dans le contexte des actifs construits améliore la compréhension de l’analyse des données dans le cadre de la BIM et ouvre des voies pour la recherche future dans la reconnaissance autonome des modèles de données. En outre, la recherche apporte une contribution académique substantielle en fusionnant le traitement du langage naturel (NLP) et la BIM. Elle offre une perspective perspicace sur l’harmonisation des techniques informatiques avancées avec les contraintes pragmatiques de l’industrie de la construction, telles que la rentabilité et la réactivité du système. D’un point de vue pratique, l’outil de RV développé dans le cadre de cette recherche offre aux professionnels de l’industrie de puissantes capacités de prise de décision, en visualisant les données des capteurs et les changements potentiels dans un environnement virtuel. L’interface alimentée par l’IA créée dans le cadre de cette recherche rend les modèles BIM plus accessibles à un plus grand nombre de professionnels. En utilisant le NLP et les normes BIM ouvertes, la barrière à l’entrée pour interagir avec des données BIM complexes est abaissée, ce qui permet une adoption plus large des technologies BIM dans l’ensemble de l’industrie.

Publications

Les publications de ce projet sont disponibles ci-dessous :

Shahinmoghadam, M., Natephra, W., & Motamedi, A. (2021). BIM-and IoT-based virtual reality tool for real-time thermal comfort assessment in building enclosures. Building and Environment, 199, 107905.

Shahinmoghadam, M., Motamedi, A., & Soltani, M. M. (2022). Enabling downstream machine learning over the textual information contained in building knowledge graphs. Proceedings of the  2022 European Conference on Computing in Construction.

Équipe de recherche

L’équipe chargée de ce projet :

No data was found
Partenaires : BESLOGIC.
Équipe

L’équipe chargée de ce projet

Partenaires

Ce projet a été supporté par :

Recherches similaires

Explorez plus en profondeur notre recherche en explorant ces études et ressources connexes :

Scroll to Top