L'utilisation du BIM pour la gestion des maintenances prédictives dans les infrastructures aéroportuaires

The use of BIM for the management of predictive maintenance in airport infrastructure

• Auteur / Autrice : Tarik Lahna
• Direction : Bernard Kamsu-Foguem, Henry Fonbeyin Abanda
• Type : Thèse de doctorat
• Discipline(s) : Informatique et robotique
• Date : Soutenance le 28/11/2023
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Aéronautique-Astronautique (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Chrispin Pettang
• Jury : Examinateurs / Examinatrices : Bernard Kamsu-Foguem, Henry Fonbeyin Abanda, Chrispin Pettang, Patrick Siarry, Marcelline Blanche Manjia, Gayo Diallo, Abderrahman El Mhamedi
• Jury : Rapporteurs / Rapporteuses : Blaise Nsom

Mots clés

Mots clés contrôlés

Avion (avion)

Mots clés libres

BIM

Intelligence artificielle

Fissures

Maintenance prédictive

Infrastructures aéroportuaires

BIM

Artificial intelligence

Cracks

Predictive maintenance

Airport infrastructure

Résumé

La maintenance des infrastructures aéroportuaires (MAI) a séduit les scientifiques et les praticiens du monde entier. Elle s'explique principalement par la fonction critique de maintenance dans ce domaine. Les coûts de maintenance représentent une part importante des coûts d'exploitation des infrastructures aéroportuaires. Par conséquent, les méthodes de gestion de la maintenance deviennent de plus en plus essentielles, sachant que tout dommage peut affecter considérablement les infrastructures aéroportuaires. Pour éviter cela, de nombreux outils liés au BIM vont détecter toutes les pannes possibles et les résoudre avant leur apparition. Ce type de gestion est appelé « maintenance prédictive ». Cependant, travailler sur l'innovation des techniques qui modernisent la maintenance dans les bâtiments aéroportuaires est très difficile en raison des nombreux types d'incidents qui existent. En effet, les incidents peuvent être causés pour différentes raisons (structurelles, électriques, hydrauliques, informatiques, inconnues, etc.). Cette thèse aborde également ce défi en enquêtant et en identifiant les dommages les plus fréquents et leurs origines dans les infrastructures aéroportuaires en effectuant une analyse statistique. Les résultats ont montré que les fissures sont les types de dommages les plus fréquents et que le manque d'entretien est l'origine la plus fréquente des incidents dans les infrastructures aéroportuaires. Ces résultats aident à mieux comprendre le problème et servent de point de départ aux chercheurs qui souhaitent le résoudre. Les fissures étant les dommages les plus fréquents dans les infrastructures aéroportuaires, les modèles CNN sont utilisés pour détecter les fissures des chaussées. Avec l'augmentation du volume de trafic, les fissures sont devenues les plus fréquentes dans les infrastructures aérospatiales. Une donnée de plus de 300 photos a été construite pour prédire les fissures dans les chaussées de l'aéroport. Afin de déterminer l'impact de l'apprentissage par transfert, ces réseaux pré-entraînés ont été exécutés : VGG16, MobileNet, Xception, ResNet 101 et Inception V3. De plus, des évaluations comparatives des résultats de ces réseaux de neurones profonds ont été réalisées en fonction des paramètres suivants : précision, spécificité, score F1, coefficient de corrélation de Matthew et Jaccard. De plus, le risque sismique est l'une des catastrophes naturelles les plus catastrophiques qui affectent l'humanité. En effet, les aléas sismiques causent d'innombrables morts et créent d'énormes dégâts aux bâtiments. De nombreuses enquêtes sur le terrain pour la détection des dommages aux bâtiments après les tremblements de terre ont démontré un besoin de connaissance des fissures structurelles sous chargement sismique. Plus précisément, des dommages aux murs de refend des bâtiments sont fréquemment observés lors d'événements aléas post-sismiques et d'infrastructures aéroportuaires. Par conséquent, la prévision précise de la rigidité des murs RC endommagés à tous les stades de l'endommagement est essentielle pour l'estimation des dommages et des pertes de l'ensemble de la structure.

Maintenance in airport infrastructures (MAI) has tempted scientists and practitioners worldwide. It is explained mainly by the critical maintenance function in this field. Maintenance costs represent a significant part of airport infrastructure operating costs. Therefore, Maintenance management methods are becoming increasingly essential, knowing that any damage can substantially affect airport infrastructures. To avoid this, many tools related to BIM will detect all possible failures and solve them before their appearance. This type of management is called “Predictive maintenance.” However, working on the innovation of techniques that modernize maintenance in airport buildings is very hard due to the many types of cause incidents that exist. In fact, incidents can be caused due to different reasons (Structural, Electrical, Hydraulic, Computing, Unknown, etc.) This thesis also tackles this challenge by investigating and identifying the most frequent damages and their origins of these damages in airport infrastructure by performing a statistical analysis. The results showed that cracks are the most frequent type of damages and that lack of maintenance is the most frequent origin of incidents in airport infrastructure. These findings help in better understanding the problem and serve as the point of departure for researchers who are interested in solving it. Since cracks are the most frequent damages in airport infrastructures, CNN models are used to detect pavement and shear wall cracks. With the increase in traffic volume, cracks became the most frequent in aerospace infrastructures. A data of more than 300 photos was built to predict the cracks in airport pavements. In order to determine the impact of transfer learning, these pretrained networks were performed: VGG16, MobileNet, Xception, ResNet 101 and Inception V3. Also, comparative evaluations of results from these deep neural networks have been performed in terms of these following parameters: accuracy, specificity, F1 score, Matthew’s correlation coefficient and Jaccard. Furthermore, earthquake hazard is one the most catastrophic natural disasters to affect humanity. Indeed, earthquake hazards cause countless dead and create enormous building damage. Many field investigations for building damage detection in post- earthquakes have demonstrated a need for knowledge of structural cracks under seismic loading. More specifically, damages in the shear walls of buildings are frequently observed in post- earthquake hazard events and airport infrastructures. Therefore, accurately predicting the stiffness of damaged RC walls at any damage stages is critical for the damage and loss estimation of the whole structure.