Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Cette étude présente un cadre d'intelligence artificielle explicable qui utilise une simulation calibrée par la littérature de 1 200 archétypes de bâtiments pour prédire avec précision les déchets de construction et l'intensité du carbone incorporé grâce à des algorithmes de régression avancés et une analyse de caractéristiques basée sur SHAP, démontrant comment l'intégration de données matérielles améliore la précision prédictive pour l'aide à la décision en phase amont.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque fois qu'un bâtiment s'élève du sol, il laisse derrière lui une trace composée de deux empreintes distinctes mais profondément liées. L'une est l'amas de briques restantes, de tuyaux coupés et d'emballages qui finit dans une décharge ; l'autre est le nuage invisible de gaz à effet de serre libérés pour la fabrication de l'acier, du béton et du verre qui forment les murs. Pendant des décennies, les ingénieurs et les architectes ont traité ces deux résultats comme des problèmes séparés. Ils peuvent calculer la quantité de déchets qu'un projet générera tout en utilisant un ensemble d'outils complètement différent pour estimer ses émissions de carbone. Pourtant, les choix qui créent des déchets — commander trop de matériaux, mal les découper ou modifier la conception tardivement — sont les mêmes choix qui déterminent la quantité de pollution emprisonnée dans la structure. Pour véritablement construire pour l'avenir, l'industrie a besoin d'un moyen de voir les deux empreintes simultanément, dès les premières esquisses, avant que la première pelle ne touche la terre.
Une équipe de chercheurs de l'Inde a développé une nouvelle façon de faire exactement cela. Ils ont créé un cadre numérique qui utilise l'intelligence artificielle pour prédire simultanément les déchets de construction et les émissions de carbone des matériaux d'un bâtiment. Le défi auquel ils ont été confrontés était le manque de données réelles. Dans la réalité désordonnée des chantiers de construction, les registres indiquant précisément la quantité de déchets générés et le coût carbone exact de chaque matériau sont rarement tenus d'une manière qui puisse être facilement comparée. Comme aucune base de données publique n'existait avec ces informations spécifiques et alignées, les chercheurs n'ont pas tenté de deviner ou de fabriquer des registres. Au lieu de cela, ils ont construit une simulation informatique transparente. Ils ont créé 1 200 projets de bâtiments virtuels, allant de petits bureaux à de grands hôpitaux, et leur ont assigné des caractéristiques réalistes telles que des systèmes structurels, des zones climatiques et des méthodes de construction. Pour chaque projet virtuel, ils ont utilisé des formules scientifiques établies pour calculer exactement la quantité de déchets et de carbone qui seraient produits, créant ainsi une « vérité terrain » parfaite qu'ils pouvaient ensuite utiliser pour tester leurs prédictions.
Les chercheurs ont entraîné six types différents d'algorithmes d'apprentissage automatique pour examiner les détails de base d'un projet — tels que sa taille, le nombre d'étages, le type de structure et le climat local — et deviner les résultats en termes de déchets et de carbone. Ils ont testé ces algorithmes dans deux scénarios différents. Dans le premier scénario, l'ordinateur ne connaissait que les détails de la conception initiale, similaires à ce qu'un client sait lorsqu'il engage un architecte pour la première fois. Dans le second scénque, l'ordinateur bénéficiait de l'avantage de connaître les quantités spécifiques de matériaux, comme le poids exact de l'acier ou du béton requis. Les résultats ont montré que même avec seulement les détails de conception initiaux, l'intelligence artificielle pouvait faire des prédictions étonnamment précises. Pour les déchets de construction, le meilleur modèle pouvait prédire la quantité de détritus avec une marge d'erreur de moins de 12 %. Cependant, prédire les émissions de carbone était plus difficile sans connaître les quantités spécifiques de matériaux. Lorsque l'ordinateur a reçu l'information supplémentaire sur les quantités de matériaux, sa capacité à prédire les émissions de carbone s'est considérablement améliorée, réduisant la marge d'erreur de moitié.
Ce qui rend ce travail particulièrement précieux, c'est que les chercheurs n'ont pas seulement construit une « boîte noire » qui recrache un chiffre. Ils ont doté leur système d'une fonctionnalité qui explique pourquoi il a fait une prédiction spécifique. En analysant les données, le système a identifié les facteurs les plus importants derrière les chiffres des déchets et du carbone. Il a découvert que le type de système structurel — que le bâtiment soit fait de béton armé, d'acier ou de bois — était le facteur le plus important. Le nombre d'étages, la quantité de matériaux recyclés utilisés et le rapport entre la surface des fenêtres et celle des murs jouaient également des rôles majeurs. Par exemple, la simulation a confirmé que l'utilisation de davantage de pièces préfabriquées, qui sont fabriquées dans des usines contrôlées, entraîne généralement moins de déchets sur le chantier de construction. Ces explications permettent aux architectes et aux ingénieurs de comprendre les leviers qu'ils peuvent actionner. Ils peuvent voir que choisir un système structurel différent ou augmenter l'utilisation de contenu recyclé modifiera directement les résultats prédits.
L'étude a également révélé une nuance cruciale sur la manière dont ces outils devraient être utilisés. Les chercheurs ont découvert que les algorithmes les plus complexes et les plus puissants n'étaient pas toujours les meilleurs choix. Pour prédire les émissions de carbone, un modèle mathématique plus simple et plus direct a obtenu des résultats tout aussi bons que les modèles complexes une fois que les quantités de matériaux étaient connues. Cela suggère que dans le monde réel, le meilleur outil dépend des informations disponibles. Si une équipe est aux étapes très initiales de la conception, un modèle sophistiqué capable de trouver des motifs cachés dans les détails généraux d'un projet est utile. Mais une fois que les quantités de matériaux sont connues, un modèle plus simple et transparent peut être tout aussi précis et plus facile à faire confiance. Les chercheurs soulignent que leurs résultats sont basés sur une simulation contrôlée, et non sur une ville ou un marché spécifique, donc les chiffres exacts ne doivent pas être pris comme une garantie pour tout futur bâtiment. Cependant, le cadre lui-même prouve qu'il est possible de combiner la prédiction des déchets et du carbone en un seul système explicable. Cette approche offre une voie de passage à l'industrie de la construction pour prendre des décisions plus intelligentes et plus durables plus tôt dans le processus, garantissant que les bâtiments de demain soient non seulement efficaces, mais aussi plus propres et moins gaspilleurs dès la première ligne tracée sur un plan.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.