Prédire les charges éoliennes sur les gratte-ciels à l’aide de l’IA

Sommaire

Cette étude porte sur une architecture d'intelligence artificielle (IA) permettant de reconstituer l'historique des charges éoliennes sur les immeubles de grande hauteur, ou gratte-ciel, au moyen d’un petit nombre de capteurs. Ici, au lieu d'utiliser des centaines de capteurs, nous appliquons des techniques hybrides avancées d’IA. Nous pouvons ainsi collecter les données d'un réseau clairsemé de capteurs de pression et prédire l'historique des charges éoliennes sur la façade de l'immeuble. Les données chronologiques du vent provenant du petit nombre de capteurs (principal système de détection) installés sur la façade du bâtiment permettent de traduire leurs signaux en une carte détaillée des charges éoliennes au fil du temps, sur toutes les faces du bâtiment. Le but est de réduire les coûts et la complexité, tout en fournissant les informations détaillées nécessaires à un concept structurel sûr et efficace, et à une surveillance en temps réel de l'état de la structure.

De capteurs multiples à capteurs intelligents

L’architecture proposée, illustrée à la figure 1, relie les mesures clairsemées sur la façade d'un immeuble à une distribution complète et variable dans le temps des charges éoliennes, et ce, d’une manière qui pourra servir aux ingénieurs praticiens. Tout commence par l’installation de quelques capteurs sur la façade de l'immeuble. Cinq capteurs suffisent. Dans cette étude, on utilise des capteurs qui mesurent la pression du vent sur les façades des bâtiments. La pression du vent multipliée par la surface indique les charges de vent. Les signaux enregistrés par ces capteurs peuvent fournir l'historique complet des pressions éoliennes et, par conséquent, des charges dues au vent pour l'ensemble du bâtiment.

Afin de rendre le système plus efficace et plus fiable, nous avons appliqué des techniques de réduction de dimensionnalité. Au lieu d’apprendre le modèle sur tout l'espace de haute dimension, le système IA utilise des modèles avancés d'apprentissage profond pour assimiler une dynamique réduite des charges éoliennes sur le bâtiment. Ainsi, le résultat peut être rapide tout en étant fiable.

Cependant, installer un réseau clairsemé de capteurs sur une façade comporte des contraintes dont il faut tenir compte. Par exemple, dans certains endroits, on ne peut pas installer de capteurs pour des raisons architecturales ou esthétiques, ou encore parce qu'il n'y a pas d'accès. Mais à d'autres endroits, en raison de leur importance ou de leur priorité, les capteurs peuvent être nécessaires. De plus, le nombre de capteurs peut devoir être limité pour des raisons budgétaires. Toutes ces contraintes sont prises en compte dans l’architecture proposée.

Le système est entraîné à l'aide d'une base de données issue d'essais en soufflerie. À partir de cette référence, le modèle apprend ensuite comment les pressions locales (et les charges correspondantes) à ces emplacements stratégiques évoluent et comment elles sont liées aux tendances dominantes sur l'ensemble de la façade. Cette relation est captée par des réseaux neuronaux récurrents avancés (réseaux avancés à mémoire à court et long terme), un modèle d'apprentissage machine conçu pour traiter les séries chronologiques. Les données d'entrée proviennent de l'historique enregistré par les capteurs sélectionnés et des informations de base comme la direction du vent. Le résultat est l'intensité de chaque tendance spatiale à chaque instant. La recomposition de ces tendances permet au système de construire une carte détaillée des charges induites par le vent sur toute la façade pendant toute la durée de l'événement éolien.

Étude de cas et résultats 

L’architecture est démontrée à l'aide d'une base de données expérimentale bien connue portant sur un immeuble de grande hauteur de l'Université polytechnique de Tokyo. Dans l'étude originale en soufflerie, nous avons installé des centaines de capteurs sur les façades et enregistré les pressions du vent de plusieurs directions. Ce grand ensemble de données sert de vérité terrain pour les charges éoliennes sur les façades, par rapport auxquelles l’architecture IA est évaluée, de la même manière qu'un test de référence est utilisé pour vérifier une méthode de conception simplifiée.

Plusieurs contraintes liées aux capteurs sont évaluées, allant de configurations pratiques avec des dizaines de capteurs à un cas extrême avec seulement cinq capteurs sur une façade. Pour chaque contrainte, le modèle ne reçoit que les signaux qui seraient mesurés aux emplacements sélectionnés et tente de reconstruire le champ de charge complet dans l'espace et dans le temps, à partir des données de pression sous-jacentes.

Les charges reconstituées sont comparées aux résultats originaux des capteurs à l'aide de mesures d'erreur avancées, d'une inspection visuelle des mesures de charge (illustrée à la figure 2) et des historiques à des points sélectionnés. Nous avons procédé ainsi pour toutes les façades de bâtiment, soit celles directement exposées au vent, à l'arrière du bâtiment et latérales. Dans l'ensemble, le système permet de récupérer avec succès les principales tendances de charge à partir de données succinctes.

Application pratique

L’architecture proposée cible les situations où il faut obtenir des informations détaillées relatives aux charges éoliennes sur les façades de bâtiments, mais où il est difficile d’installer une instrumentation dense, un scénario courant dans de nombreux domaines d'ingénierie. Les essais en soufflerie permettent, en outre, de réduire le nombre de mesures de pression pour produire les cartes de charge sur toute la façade, ce qui contribue à réduire les coûts. Les laboratoires peuvent ainsi mener des études plus complexes ou personnalisées dans le respect de budgets et de délais réalistes.

Dans les immeubles existants, la même approche peut être intégrée à des plateformes de jumeaux numériques ou de surveillance de l'état des bâtiments. Un nombre limité de capteurs permanents, installés à des endroits stratégiques, peut fournir les données nécessaires à l’architecture IA pour estimer les charges de vent sur l'ensemble de la façade pendant les tempêtes. Ces informations peuvent servir à évaluer les performances des revêtements, à guider les inspections après des événements extrêmes et à faciliter l'étalonnage des modèles numériques utilisés par les bureaux d'études.

Ce système est également pertinent pour les études de modernisation et de conception. Les ingénieurs peuvent tester virtuellement différentes dispositions de capteurs, identifier les configurations les plus utiles et les utiliser pour surveiller des structures critiques comme des tours emblématiques, des stades ou des toits de grandes dimensions. Bien que le modèle nécessite un ensemble de données de référence initiales de haute qualité pour chaque type de bâtiment, il ouvre la voie à une ingénierie éolienne plus intelligente axée sur les données, où les mesures, les simulations et l'IA forment un ensemble pour améliorer la sécurité, l'entretien et la rentabilité dans la pratique courante de conception.

Information supplémentaire

Pour plus d'informations sur cette recherche, veuillez consulter l'article suivant : Nav, F. M., Mirfakhar, S. F., & Snaiki, R. (2025). A hybrid machine learning framework for wind pressure prediction on buildings with constrained sensor networks. Computer-Aided Civil and Infrastructure Engineering, 40, 2816–2832.