Table of Contents
La complexité croissante des données sur les infrastructures
Aujourd'hui, cette demande est amplifiée par le volume, la variété et la vitesse des données qui sont déversées dans les capteurs, les drones, les scanners laser et les documents hérités. La modélisation des données, une fois qu'elle est une tâche back-office, est maintenant au centre du succès du projet. Pourtant, le chemin de la transmission de données brutes à un modèle numérique fiable est éparpillé d'obstacles qui peuvent dérailler les budgets, les calendriers et la sécurité.
Cet article examine les obstacles les plus pressants à la modélisation des données auxquels sont confrontées les équipes de génie civil, explore l'impact des normes de modélisation des informations sur le bâtiment (BIM) et propose des stratégies concrètes pour améliorer la qualité des données, l'intégration et la gouvernance.
Modélisation des données dans le contexte du génie civil
La modélisation des données en génie civil consiste à structurer les informations sur les actifs physiques afin de les stocker, les interroger, les analyser et les visualiser. Un modèle bien construit représente à la fois les composants géométriques (faisceaux, colonnes, tuyaux) et les attributs non géométriques (type de matériau, capacité de charge, date d'installation, historique de maintenance).
Contrairement à la fabrication de produits, où les modèles de données peuvent être hautement normalisés, les modèles d'infrastructure civile doivent tenir compte de conceptions uniques, de conditions de site variables et de durée de vie de longue durée mesurées depuis des décennies. Le modèle n'est pas un document statique; il évolue au fur et à mesure que le projet passe de la conception à la construction à l'exploitation.
Défis critiques liés à la modélisation des données dans les projets d'infrastructure
Intégration des données entre les sources hétérogéniques
Chaque discipline a tendance à utiliser des logiciels spécialisés dans son domaine : Bentley pour la géométrie civile, Autodesk Revit[ pour les modèles de construction, Tekla[ pour les détails en acier, Civil 3D[ pour les corridors routiers, et innombrables autres pour l'analyse des éléments finis, la conception du drainage ou la notation de pont.Ces outils exportent des données sous différents formats (IFC, DWG, DGN, LandXML, Excel). Même lorsque les formats sont nominalement interopérables, les erreurs sémantiques se produisent : une équipe ==2 peut avoir des définitions de propriété différentes de celles d'autres.
Le résultat est un paysage de silos. Le transfert des données d'un système à un autre nécessite souvent une réentrée manuelle ou des scripts personnalisés, à la fois sujets à erreur et chronophages. Une étude réalisée en 2019 par le National Institute of Standards and Technology (NIST) a estimé que l'interopérabilité inadéquate de l'industrie des installations d'immobilisations aux États-Unis coûte 15,8 milliards de dollars par année.
Lire l'analyse des coûts d'interopérabilité du NIST ici.
Précision et exhaustivité des données à la source
Les modèles ne sont que aussi bons que les données qui leur sont transmises. En génie civil, les données proviennent souvent de relevés sur le terrain (stations totales, GPS, LiDAR), de forages géotechniques, de rapports de localisation des services publics et de capteurs de surveillance de l'environnement. Chaque source a son propre budget d'erreur.
Pour compléter ce constat, de nombreux actifs existants manquent de documents précis tels qu'ils ont été construits. La remise en état d'un pont conçu dans les années 1960 signifie souvent travailler à partir de dessins sur papier effacés ou de microfiches incomplètes. Les équipes doivent décider si elles doivent vérifier les dimensions avec une enquête sur le terrain ou accepter l'incertitude.
La meilleure pratique exige un plan de qualité des données qui spécifie des tolérances acceptables par type de données, un flux de travail de validation et un propriétaire clair pour chaque ensemble de données. Les vérifications automatisées – comme la comparaison de la géométrie du modèle avec les nuages pointés – peuvent attraper des écarts avant qu'ils ne se propagent.
Manipulation de volumes de données importants sans compromettre les performances
Les projets d'infrastructure génèrent régulièrement des téraoctets de données. Un projet routier unique peut comprendre des milliers de photos aériennes, des nuages 3D complets, des centaines d'itérations de conception et des flux continus de capteurs IoT pendant la construction.
Les performances deviennent souvent un point de douleur. Les modèles Revit avec des dizaines de fichiers liés peuvent devenir louches. Les fusions de Navisworks peuvent prendre des heures. Si le modèle n'est pas optimisé – en utilisant la représentation de conception uniquement pour l'analyse et le niveau de développement simplifié (niveau de développement) pour la coordination – les équipes perdent du temps à attendre la vue pour se rafraîchir.
Des plateformes basées sur le cloud comme Autodesk BIM 360, Bentley iTwin[ et Trimble Connect[ ont amélioré l'évolutivité en déchargeant le calcul.Mais même dans le cloud, la curation des données est essentielle.
Version et gestion du changement dans un cycle de vie
Les projets de génie civil se déroulent rarement de façon linéaire. La conception change d'un alignement révisé à des profils de drainage, des quantités de terre et des travaux temporaires. Chaque révision crée une nouvelle version. Sans contrôle de version discipliné, il devient impossible de dire si une estimation de coût donnée correspond à la conception actuelle ou remplacée.
Les méthodes traditionnelles basées sur les fichiers (p. ex. -design v12 final reallyfinal.dwg) se décomposent à l'échelle. Les plateformes modernes de modélisation des données soutiennent la fédération des modèles et leur suivi, mais elles exigent toujours une discipline des processus. L'industrie se dirige vers des boucles continues de rétroaction de conception à construction où le modèle est toujours la seule source de vérité, mais seulement si tout le monde s'engage à la mettre à jour après chaque décision, grande ou petite.
Un défi connexe consiste à maintenir le modèle d'exploitation et d'entretien (F&E).Les données nécessaires pour un plan de gestion des actifs de 50 ans diffèrent des données en phase de construction.Les détails de calibration des capteurs, les renseignements sur la garantie et les spécifications du fabricant doivent être joints tôt, souvent aux objets qui seront démolis pendant la construction.
Stratégies pour surmonter les défis de la modélisation des données
Adopter des schémas de données normalisés et des formats ouverts
Pour les données géospatiales, CityGML et LandXML[ jouent des rôles similaires. Bien que tous les outils ne les supportent pas parfaitement, les spécifier dans les contrats obligent les fournisseurs à fournir des convertisseurs. Les propriétaires devraient exiger que tous les produits livrables soient conformes à un schéma de données commun, comme Uniclass[ ou OmniClass[, pour la classification.
Sur les grands projets, un Environnement commun de données (CDE) agit comme un dépôt unique pour tous les modèles, dessins et documents approuvés. La série ISO 19650 (parties 1 et 2) fournit un cadre pour la gestion de l'information tout au long du cycle de vie des actifs.
Pour en savoir plus sur la norme ISO 19650‐1
Mettre en œuvre la validation des données robustes et le contrôle de la qualité
Pour la géométrie, la détection automatique des chocs (p. ex. Navisworks[ ou Solibri[) capture des conflits spatiaux. Pour les attributs, les validateurs basés sur des règles vérifient que les propriétés requises (p. ex., la cote d'incendie pour une colonne) sont peuplées et dans les plages prévues.
Les enquêteurs peuvent utiliser des listes de contrôle et des collecteurs de données de terrain avec une logique intégrée pour signaler les valeurs aberrantes (p. ex., une lecture GPS qui saute à 10 mètres). Des mesures de qualité continue, suivies sur un tableau de bord, donnent une visibilité au leadership du projet en matière de santé des données.
Tirer parti de l'analyse et de l'automatisation avancées
Par exemple, si un nombre limité d'échantillons de barres d'armature ont été inspectés, un modèle peut déduire le risque de corrosion dans toute la structure en fonction de la corrélation spatiale. De même, la classification automatisée du nuage de points (en utilisant l'IA pour séparer le sol de la végétation des éléments de construction) réduit l'effort manuel de création d'un modèle de base.
L'automatisation robotique des processus (RPA) peut gérer les transferts de données de routine entre les systèmes, en tirant les journaux de capteurs d'une plate-forme IoT et en les alignant sur des éléments de modèle.
Favoriser la collaboration entre les disciplines
Les défis de modélisation des données sont souvent les symptômes de silos organisationnels. Un ingénieur structural ne sait peut-être pas quels attributs l'équipe géotechnique a besoin. Un concepteur de route peut supposer que le modèle de drainage sera ajusté plus tard, ce qui entraînera des élévations incompatibles des conduites.
Soutenez-le avec un dictionnaire de données : un document partagé (ou une ressource en ligne) qui définit chaque champ de données, son unité, sa source et qui est responsable de sa mise à jour. En cas de litige, le dictionnaire fournit une référence objective. Les plans d'exécution BIM (BEP) officialisent ces accords avant le début du travail.
Le rôle de la modélisation de l'information (MIF) dans la résolution de ces défis
BIM est plus que géométrie 3D; c'est un modèle de données structuré avec des relations paramétriques. Le même objet qui apparaît dans une vue de section porte également son code de coût, le délai d'exécution du fournisseur, et l'expiration de la garantie.
Dans le domaine de l'infrastructure civile, la maturité du BIM varie. Certains secteurs (par exemple, la route et le rail au Royaume-Uni) ont pour mandat de faire du BIM de niveau 2 selon les normes gouvernementales. D'autres, en particulier les petits projets municipaux, continuent de s'appuyer sur la CAO 2D. L'écart entre les équipes prêtes à --BIM et -BIM crée des frictions lors de l'échange de données.
Explorer la constructionSMART=S IFC 4.3 pour l'infrastructure
Gouvernance des données : le pilier dépassé
Qui peut créer un élément modèle? Qui approuve les changements? Combien de temps les versions historiques sont-elles conservées? Sans réponses, la modélisation des données devient chaotique. Un cadre de gouvernance établit des politiques pour le contrôle de l'accès, la gestion du changement, la conservation des données et les pistes de vérification.
Par exemple, dans un projet de pont, l'équipe de conception pourrait avoir accès par écrit au modèle structurel, tandis que l'entrepreneur a une vue en lecture seule jusqu'à la phase de construction. Les boulons devraient être verrouillés après la remise pour éviter toute modification accidentelle.
Les technologies émergentes façonner l'avenir
Trois technologies sont prêtes à réduire les défis de la modélisation des données dans le génie civil:
- Digital Twins – Synchronisation en temps réel entre l'actif physique et son modèle. Les capteurs permettent de remonter les charges réelles, la température et les vibrations, ce qui permet au modèle de refléter les performances telles qu'elles sont construites.
- – Les algorithmes qui explorent des milliers de solutions de rechange fondées sur des contraintes (p. ex., réduire le coût du matériel tout en restant dans les limites de la déviation).La conception génératrice produit des modèles candidats, mais les données derrière eux—rationale, compromis— doivent être saisies pour les examens de constructibilité.
- Blockchain for Data Provenance – Des journaux immuables de qui a changé quoi et quand peut construire la confiance dans l'authenticité des données, surtout dans les travaux publics multipartites où la responsabilité est une préoccupation.
Conclusion
La modélisation des données dans les projets d'infrastructure de génie civil n'est pas une tâche ponctuelle, mais une discipline continue qui exige des compétences techniques, une rigueur des processus et un engagement organisationnel.Les défis – intégration, précision, volume, version – sont réels et coûteux, mais ils peuvent être gérés par des schémas standardisés, une validation robuste, l'automatisation et un cadre de gouvernance solide.
Pour chaque équipe de projet, la première étape consiste à reconnaître que la modélisation des données est une activité de base du projet, et non une affectation parallèle. Investir dans un dictionnaire de données, faire respecter la qualité à la source et garder l'élément humain au centre : le meilleur modèle est inutile si les gens qui en ont besoin ne peuvent pas lui faire confiance.