Comment l'apprentissage automatique améliore les calculs de volumes de terrassement à partir des données topographiques

Les calculs de volumes de terrassement ont un secret inavoué : les méthodes standard utilisées par la plupart des entrepreneurs, le quadrillage moyen et l'analyse par coupes transversales, produisent régulièrement des estimations qui s'écartent de 10 à 15 % des volumes réellement déplacés. Sur un lot de travaux de terrassement de 2 millions de dollars, cela représente une exposition potentielle de 200 000 à 300 000 dollars. Les approches par apprentissage automatique réduisent considérablement cet écart.

Pourquoi les méthodes traditionnelles se trompent

La méthode par quadrillage divise un site en carrés, calcule la profondeur moyenne de déblai ou de remblai pour chaque carré, puis additionne les volumes. Le problème est qu'elle lisse les irrégularités du terrain entre les points de la grille. Un ravin de 1,80 mètre de profondeur traversant un carré en diagonale se retrouve moyenné en une pente douce. La méthode par coupes transversales capture mieux les éléments linéaires, mais interpole tout de même entre les sections, généralement espacées de 7,5 à 15 mètres.

Les deux méthodes peinent également avec les limites de site irrégulières, les réseaux existants qui contraignent le nivellement, et les transitions entre zones de déblai et de remblai où la ligne d'équilibre se déplace. Un chef de chantier expérimenté sait que ce sont les zones où les estimations de terrassement déraillent, mais les calculs derrière les méthodes de métré traditionnelles les traitent comme n'importe quelle autre zone du site.

Ce que l'apprentissage automatique fait différemment

Les outils de terrassement basés sur le ML ingèrent l'intégralité du nuage de points issu des relevés par drone ou des scans LiDAR, parfois des millions de points de données par hectare. Au lieu de réduire ces données à une grille ou un ensemble de coupes transversales, ils construisent un modèle de surface continu et calculent les volumes par rapport à la surface de conception à une résolution bien plus élevée.

Plus important encore, les modèles de ML entraînés sur des projets achevés apprennent les schémas qui affectent les écarts entre volumes réels et estimés. Le type de sol influence les coefficients de foisonnement et de tassement. La pente affecte l'ampleur des sur-excavations pendant le nivellement. La proximité de structures existantes contraint l'accès des engins et modifie la façon dont les matériaux sont réellement déplacés. Les modèles intègrent automatiquement ces facteurs une fois entraînés sur suffisamment de données de projets.

Un programme pilote du DOT du Colorado a testé les calculs de volumes par ML contre les méthodes traditionnelles sur 8 projets routiers dont les volumes réels étaient connus. La méthode traditionnelle par coupes transversales présentait un écart moyen de 11,3 % par rapport aux valeurs réelles. L'approche ML affichait un écart moyen de 3,7 %. Sur le plus grand projet, un élargissement routier de 6,4 kilomètres, l'estimation ML était à 2,1 % du volume final mesuré.

Le pipeline de données qui rend tout cela possible

L'amélioration de la précision dépend fortement de la qualité des données d'entrée. Les relevés par drone effectués à 60 mètres d'altitude avec un recouvrement de 75 % produisent des nuages de points avec une précision de 2 à 3 cm, ce qui est suffisant pour la plupart des terrassements commerciaux. Les points de contrôle au sol sont d'une importance capitale. Les projets utilisant 4 GCP ou plus par 4 hectares ont obtenu une précision ML de l'ordre de 3 %. Les projets omettant les GCP ou en utilisant moins que recommandé ont vu leur précision chuter à 7 à 8 %, ce qui est à peine mieux que les méthodes traditionnelles.

Le pipeline du relevé à l'estimation fonctionne généralement ainsi : le vol de drone capture les conditions existantes, le logiciel de photogrammétrie génère le nuage de points, le logiciel ML importe le nuage de points en même temps que la surface de conception issue des plans de génie civil, et le calcul de volume s'exécute en minutes plutôt qu'en heures.

Un sous-traitant en terrassement à Dallas a documenté sa transition. Avant les outils ML, son métreur passait 12 à 16 heures sur les calculs de volumes pour un site commercial typique de 8 hectares. Avec le pipeline ML, le vol de drone prend 45 minutes, le traitement prend 2 heures en grande partie sans surveillance, et le métreur passe 2 heures à examiner et ajuster les résultats. Le temps total du métreur est passé de 14 heures à environ 3 heures, et la précision s'est améliorée, passant d'une moyenne historique de 9 % d'écart à 4 % d'écart.

Gérer les situations complexes

Les réseaux souterrains existants restent un défi. Les modèles ML peuvent tenir compte des corridors de réseaux si les emplacements sont connus et fournis comme contraintes, mais les réseaux inconnus demeurent un risque qu'aucune technologie ne résout entièrement. Les outils ML gèrent toutefois mieux certaines situations que les méthodes traditionnelles. Les sites présentant une quantité importante de roche nécessitant des méthodes d'extraction différentes peuvent être modélisés avec des données de sous-sol issues de sondages géotechniques, et le ML peut estimer séparément les volumes de roche et de sol en se basant sur des schémas d'interpolation appris à partir de conditions géologiques similaires.

Le terrassement par phases, où le nivellement se fait par étapes avec stockage intermédiaire entre les phases, est un autre domaine où le ML améliore la précision. Les modèles peuvent suivre les surfaces intermédiaires entre les phases et tenir compte de la reprise de manutention, du compactage et de la dégradation des matériaux stockés. Les méthodes traditionnelles se contentent généralement de calculer le volume brut et d'appliquer un seul coefficient d'ajustement, ce qui tend à sous-estimer le nombre total d'heures d'engins.

Intégration à la préparation des offres

Les chiffres de volumes alimentent directement la préparation des offres, et c'est là que la précision améliorée démultiplie sa valeur. Des estimations de volumes plus précises signifient des calculs de transport plus serrés, des projections d'heures d'engins plus exactes et de meilleures estimations des coûts de carburant. Un entrepreneur général utilisant des outils d'analyse de construction pilotés par l'IA a rapporté que ses offres de terrassement sont devenues en moyenne 6 % plus compétitives tout en maintenant sa marge cible, simplement parce qu'il soumettait des chiffres plus serrés avec plus de confiance.

L'allocation de la flotte d'engins est particulièrement précieuse. Les estimations traditionnelles conduisent à une planification conservatrice des équipements car l'incertitude est élevée. Avec des volumes dérivés du ML ventilés par zone, type de sol et distance de transport, les entrepreneurs peuvent planifier les déploiements d'engins avec moins de marge de sécurité, ce qui réduit directement les coûts de mobilisation.

Limites pratiques

Les outils de terrassement ML ne constituent pas une solution complète pour toutes les situations. Ils nécessitent de bonnes données topographiques, ce qui implique d'investir dans des capacités de drone ou des sous-traitants en topographie. Ils fonctionnent mieux sur des projets avec des sites relativement dégagés où l'accès des drones est simple. Les projets de densification urbaine avec un accès aérien limité et une infrastructure existante importante bénéficient encore davantage des méthodes traditionnelles de relevé et d'estimation.

Les modèles nécessitent également un calibrage en fonction des conditions locales. Un modèle entraîné principalement sur des sols argileux au Texas ne produira pas la même précision sur du granite décomposé en Arizona sans réentraînement. Les entrepreneurs adoptant ces outils devraient prévoir une période de calibrage de 5 à 10 projets avant que les chiffres de précision ne se stabilisent à leurs meilleurs niveaux.

Ce que les données montrent systématiquement, cependant, c'est que même pendant la période de calibrage, les estimations basées sur le ML surpassent les méthodes traditionnelles par quadrillage et coupes transversales. Le plancher de précision du ML équivaut approximativement au plafond des méthodes traditionnelles, ce qui représente un changement significatif pour une industrie où les dépassements de coûts de terrassement figurent parmi les cinq principaux risques budgétaires de tout projet d'aménagement de site.