L’INTELLIGENCE ARTIFICIELLE AU SERVICE DES TUNNELIERS

C’est à 20, 30, voire 50 mètres sous terre que tout se passe. Avec les travaux du Grand Paris, plus de vingt tunneliers seront en activité pour creuser 180 km de tunnels… Il s’agit d’ailleurs du plus grand projet souterrain d’Europe. Mais piloter un tunnelier n’est pas une chose simple. C’est une opération complexe, lente, coûteuse et parfois même dangereuse comprenant des risques d’accidents et d’effondrement (fontis). « Un tunnelier est une machine-outil qui évolue dans un environnement très agressif. Il doit être robuste et son pilotage exige une grande précision », précise Nicolas Nayrand, spécialiste mécanique des sols chez Bureau Veritas Construction qui est amené à examiner les programmes de reconnaissance géotechnique et les conditions d’exécution de ces ouvrages. « Nous nous assurons en particulier que les anneaux, constitués de plusieurs voussoirs en béton armé, puissent supporter la pression du sol et de l’eau mais également celle des vérins du tunnelier qui lui permettent d’avancer », détaille l’expert de Bureau Veritas.  

Chez Bouygues Travaux Publics, on a créé une plateforme digitale pour améliorer la sécurité, l’efficacité et la productivité sur les chantiers, basée sur la plateforme Cloud de Microsoft. Des objectifs de taille rendus possibles grâce à l’exploitation intelligente de la donnée.

Limiter les risques, améliorer la productivité

Les tunneliers connectés ne sont pas en soi une innovation. Cela fait une quinzaine d’années que les tunneliers de Bouygues Travaux Publics enregistrent en permanence les données sur le percement, le chantier, les arrêts, etc.

Mais cette mine d’informations restait jusqu’à présent sous-exploitée faute de puissance de calcul sur les chantiers. D’où le développement d’une plateforme où les données sont rapatriées et hébergées dans le cloud et analysées par les Data scientists de Bouygues Travaux Publics. Le principe étant de créer des modèles d’analyse à partir des données du passé pour créer des systèmes de prédiction et de les transformer en applications dans le futur. Il s’agit donc d’exploiter les difficultés rencontrées lors du creusement d’un tunnel pour prédire les difficultés potentielles lors de la construction de futurs tunnels aux caractéristiques similaires.

Des actions correctrices peuvent par exemple alors être menées comme ajuster les consignes de pilotage et la vitesse de creusement du tunnelier pour éviter les fissures ; optimiser les poses d’anneaux et la progression des tunneliers ; détecter les fontis avant qu’ils n’arrivent, pour être capable d’arrêter la machine et d’injecter de la matière pour empêcher la formation de trous. Ou encore détecter les signaux faibles en maintenance prédictive afin de diminuer les temps d’arrêts et d’améliorer la productivité. Un gain considérable sachant qu’un tunnelier est en maintenance près de 30% du temps. Grace au Machine Learning, Bouygues Travaux Publics espère améliorer significativement la vitesse de creusement aujourd’hui qui dépend de nombreux facteurs (pour atteindre quelques dizaines de mètres par jour). Un enjeu de taille compte tenu des chantiers du grand Paris où les différents acteurs devront creuser plus de 100 Km de tunnels complexes, en milieu fortement urbanisé et dans un délai très court.

Cette technologie en cours de production actuellement sur le chantier Eole sera aussi déployée sur le chantier T2A du Grand Paris.