Les projets de construction de tunnels doivent tenir compte de la géologie imprévisible, de la fiabilité de l'équipement, de la logistique interconnectée et de contraintes strictes en matière de sécurité. Les méthodes traditionnelles de planification, souvent tributaires de la méthode statique de la trajectoire critique (PCM) ou des ajustements manuels, doivent s'adapter en temps réel aux conditions dynamiques du travail souterrain. L'IA introduit un nouveau paradigme : un calendrier dynamique, axé sur les données, qui apprend continuellement à partir des données du projet, prévoit les risques et optimise l'allocation des ressources.

Cet article explore comment l'IA est appliquée pour optimiser les horaires de construction des tunnels, de l'analyse prédictive des conditions de terrain à l'entretien intelligent des machines de forage des tunnels (TMM). Nous examinerons les études de cas dans le monde réel, les mécanismes techniques derrière l'élaboration des horaires des tunnels, et les défis qui subsistent.

Comprendre les défis de la construction des tunnels

La construction de tunnels est par nature risquée en raison de la nature cachée et variable des environnements souterrains. Contrairement à la construction en surface, les conditions de terrain imprévues telles que les zones de faille, la pression d'eau élevée ou les rafales de roche peuvent arrêter le travail immédiatement et nécessiter des mois de remaniement.

Incertitude géologique

Les conditions de terrain ne sont jamais pleinement connues avant l'excavation. Les trous de bourre et les levés sismiques ne fournissent que des échantillons clairs. Dans les roches ou les sols hétérogènes, les conditions peuvent changer de compteur en mètre. Cette incertitude force des mesures d'échéanciers et d'urgence prudentes, souvent gonfler les délais de 30 % ou plus.

Rendement et fiabilité des TBm

Les machines à perçage en tunnel sont des systèmes massifs et sur mesure qui doivent fonctionner en continu pendant des mois ou des années. Leur performance dépend de la conception de la tête de coupe, de la force de poussée, du couple et de la nature abrasive du sol. L'usure inattendue de la coupe, les défaillances de joints ou les blocages peuvent arrêter le TBM pendant des semaines.

Complexité logistique

Un projet de tunnel exige une coordination précise des segments de béton, des systèmes de sauvegarde, de la ventilation, de l'enlèvement des rondelles et des déplacements de la main-d'oeuvre. Des retards dans une zone s'accumulent rapidement. Par exemple, une livraison tardive des anneaux de segment peut faire tourner le TBM.

Risques pour la sécurité et obstacles réglementaires

La sécurité est primordiale dans le tunnelage. Le méthane, les entrées d'eau et l'effondrement du sol peuvent causer des décès et des retards importants dans les projets.Les inspections réglementaires nécessitent souvent des pauses, mais l'IA peut aider à planifier les activités à haut risque pendant les périodes d'exposition faible du personnel et optimiser les vérifications de sécurité, en les intégrant dans le calendrier de base plutôt que de les traiter comme des interruptions.

Comment l'IA optimise les horaires de construction

L'établissement de calendriers axés sur l'IA ne se contente pas d'automatiser les méthodes existantes. Il intègre plusieurs sources de données et applique l'apprentissage automatique pour produire des calendriers probabilistes qui s'adaptent en temps réel.

Analyse des données et modélisation prédictive

Les projets de tunnel modernes génèrent d'énormes quantités de données provenant de capteurs sur les TBM (thrust, couple, taux de pénétration), les instruments géotechniques, le balayage laser et le suivi des tâches. Les algorithmes d'IA – particulièrement l'apprentissage profond et le dynamisation des gradients – peuvent identifier des modèles complexes qui influent sur les performances du programme. Par exemple, un réseau neuronal peut apprendre qu'une combinaison de couple élevé et de faible taux d'avance dans un type de roche spécifique augmente la probabilité d'un bloc de tête de coupe.

Les tableaux de bord en temps réel permettent désormais aux gestionnaires de projet de voir non seulement les progrès actuels, mais la date d'achèvement la plus probable étant donné les conditions actuelles. Si le modèle prévoit une probabilité de 70 % de manquer un jalon, le système peut automatiquement suggérer des actions de récupération telles que l'ajout d'un deuxième décalage ou l'accélération de la livraison du segment.

Entretien prédictif

La maintenance prédictive axée sur l'IA utilise les données de capteur (vibration, température, pression hydraulique) pour estimer la durée de vie utile restante des composants critiques. Cela permet de planifier la maintenance pendant les changements de poste prévus ou lorsque le TBM est au ralenti pour d'autres raisons, plutôt que d'attendre une défaillance. Par exemple, la société indienne de tunnelage Afcons Infrastructure a intégré l'IA à son parc de TBM et réduit les temps d'arrêt non programmés de 30 %, accélérant directement le calendrier.

Plus profondément, l'IA peut optimiser l'ensemble du cycle de maintenance : elle prévoit quand un changement de coupe sera nécessaire, commande automatiquement les coupes, planifie la fenêtre d'intervention et alerte l'équipage, sans intervention manuelle.

Attribution des ressources et optimisation des flux de travail

La construction d'un tunnel implique des dizaines d'activités interdépendantes : excavation, construction de anneaux, coulis, logistique, revêtement. L'IA optimise la séquence et l'allocation des ressources (cranes, locos, bétonniers, ouvriers) en utilisant des techniques telles que l'apprentissage du renforcement et les algorithmes génétiques.

Une application pratique est la planification dynamique des déplacements[. Le système AI ajuste les temps de début et de rupture des déplacements en fonction de la progression réelle du TBM. Si la machine avance plus rapidement que prévu, le système peut accélérer la chaîne logistique.

Gestion des risques et planification des éventualités

L'IA remplace cette dernière par une analyse probabiliste des risques. Une simulation Monte Carlo alimentée par l'apprentissage automatique peut exécuter des milliers de scénarios d'échéancier, chacun avec des conditions géologiques aléatoires différentes, des défaillances d'équipement et des retards d'approvisionnement. Le résultat est une distribution probable des dates d'achèvement. Les gestionnaires de projet peuvent alors choisir une durée d'échéancier avec un niveau de confiance souhaité (p. ex. P80). De plus, l'IA identifie les risques spécifiques qui affectent le plus l'échéancier et suggère des mesures d'atténuation, comme la précommande des pièces de rechange pour le mode de défaillance le plus probable.

Ces calendriers de sensibilisation aux risques sont beaucoup plus fiables que ceux déterministes. Barcelona , métro ligne 9 a utilisé l'évaluation des risques basés sur l'IA et réduit les dépassements de calendrier de 40 % par rapport aux phases précédentes.

Applications et avantages du monde réel

Les avantages théoriques de l'établissement de calendriers axés sur l'IA sont maintenant réalisés dans le cadre de grands projets de tunnel dans le monde entier.

Tunnel de base du Gothard (Suisse)

Bien que les enseignements tirés n'aient pas été un projet AI dans sa construction originale (finis en 2016), les enseignements tirés ont été utilisés pour construire des modèles AI pour les tunnels alpins suivants.

Tunnel routier côtier de Mumbai (Inde)

Les deux tunnels sous la côte occupée de Mumbai sont construits avec des TBM équipés d'une surveillance à l'IA. Le système prévoit une utilisation de 85 % de l'appareil de coupe de disque, permettant des remplacements proactifs qui ont réduit les temps d'arrêt imprévus de 60 %. Le moteur de planification ré-optimise également le plan logistique à chaque changement, en maintenant le projet sur la bonne voie malgré les perturbations de la mousson.

Tunnel ferroviaire à grande vitesse Lyon-Turin (France-Italie)

Ce tunnel de 57 km est un banc d'essai pour la programmation de l'IA. Un jumeau numérique de l'opération TBM alimente les données en temps réel dans un modèle d'apprentissage automatique qui prévoit des taux d'avance par zone géologique. Le calendrier est mis à jour quotidiennement, et le système émet des alertes si le projet risque de tomber en retard.

Avantages liés aux données

Dans l'ensemble des projets qui ont adopté la programmation de l'IA, nous constatons des améliorations communes :

  • 30–50 % de réduction des temps d'arrêt imprévus[ par un entretien prédictif.
  • 15 à 25 % de taux d'avance moyens plus rapides[ dans un terrain difficile en raison de l'optimisation des paramètres en temps réel.
  • 20–40 % de réduction du dépassement du calendrier par rapport aux valeurs de référence historiques.
  • Mieux mesurer la sécurité[ parce que l'IA peut prédire les conditions dangereuses et planifier les activités dangereuses dans les fenêtres à faible risque.

Outre le calendrier, l'IA contribue à économies de coûts[. Un projet typique de grand tunnel peut économiser des millions de dollars par kilomètre en réduisant les retards et en optimisant la main-d'oeuvre. Par exemple, une réduction de 10 % de la durée du projet pour un tunnel d'un milliard de dollars permet d'économiser environ 100 millions de dollars en coûts liés au temps (financement, frais généraux, pénalités).

Difficultés et considérations liées à la mise en œuvre

Malgré la promesse, l'intégration de l'IA dans le calendrier des tunnels n'est pas sans obstacles.

Qualité et disponibilité des données

Les modèles d'IA exigent des données historiques de haute qualité et étiquetées provenant de plusieurs projets. De nombreux entrepreneurs ne collectent pas systématiquement des données ou ont des données dans des formats incompatibles. Sans données propres, la précision du modèle en souffre.

Intégration avec les systèmes hérités

La plupart des entreprises de construction utilisent des logiciels de planification (p. ex. Primavera P6, Microsoft Project) qui n'ont pas été conçus pour l'IA. La connexion en temps réel des recommandations d'IA à ces systèmes nécessite souvent des API personnalisées ou des middlewares.

Résistance culturelle

Les directeurs de projet et les ingénieurs sont habitués à leur propre jugement et heuristique. Faire confiance à une recommandation de l'AI de changer un plan de changement ou de commander des pièces de rechange peut être difficile, surtout lorsque le raisonnement du modèle est une boîte noire.

Coût de la mise en œuvre

Pour les petits projets, le coût initial peut l'emporter sur les économies potentielles. Cependant, la tendance est vers l'IA-as-a-service, où les fournisseurs spécialisés offrent l'optimisation de la programmation comme abonnement, réduisant la barrière.

Perspectives d'avenir

Le rôle de l'IA dans la planification de la construction de tunnels ne s'approfondira qu'à mesure que la technologie arrivera à maturité.

Jumelles numériques et optimisation continue

Des jumeaux numériques complets de projets de tunnel — intégrant des données BIM, des capteurs en temps réel et des programmes d'IA — permettront de réaliser des simulations -quoi-si-quoi en continu. Lorsqu'un retard est détecté, le jumeau recalcule instantanément le calendrier optimal et l'allocation des ressources.

Opération autonome TBM

Les chercheurs de l'EPFL ont démontré un agent d'apprentissage en renforcement profond qui peut ajuster la poussée, le couple et la vitesse de TBM pour maintenir un taux d'avance optimal tout en minimisant l'usure. Les futurs TBM peuvent fonctionner de façon autonome pour de longs tronçons, les humains ne surveillant que des transitions complexes.

Intégration avec l'IA Generative

Des modèles de langages de grande envergure (comme GPT-4) sont à l'étude pour générer des calendriers de construction optimisés à partir de descriptions de la portée du projet en langage naturel.

Partage de données au niveau de l'industrie

Pour que l'IA atteigne son plein potentiel, l'industrie du tunneling a besoin de dépôts de données partagés. Des initiatives telles que la base de données de projet de l'Association internationale des tunnels (ITA) visent à mettre en commun des données anonymes provenant de centaines de tunnels.

En conclusion, l'IA n'est pas un concept futuriste pour la planification des tunnels, elle produit déjà des résultats tangibles dans les projets à travers le monde. En adoptant la maintenance prédictive, la modélisation probabiliste des risques et l'optimisation dynamique des ressources, les propriétaires de tunnels peuvent améliorer considérablement la fiabilité des plans et les résultats des projets.Les défis de la qualité des données et du changement culturel sont réels, mais l'avantage concurrentiel de la construction axée sur l'IA devient trop grand pour être ignoré.

Pour de plus amples informations sur l'IA dans la construction, voir Bentley , Digital Twin for Construction, et pour des études de cas spécifiques à un tunnel, consultez le Tunnel Online magazine[. La recherche sur l'entretien prédictif de TBM se trouve dans le ASCE Journal of Tunnel Engineering.