Utilisation de l'apprentissage automatique pour la planification de projet de construction

L'industrie de la construction ne se repose plus simplement sur un mode de construction pour lequel toutes les activités se déroulent sur le site de construction. Par exemple, la construction modulaire consiste à préparer des morceaux de l'édifice, appelés modules, en usine avant de les transporter sur le site. Ces modes de construction alternatifs commencent à être utilisés de plus en plus et on comprend que les besoins en termes de planification diffèrent de la construction plus classique. Mais le mode de construction est choisi dès les prémices du projet et la décision se concentre sur l'expérience de l'entreprise et non sur des enjeux de planification qui pourrait montrer des avenues intéressantes. Ainsi, l'objectif de ce travail est de proposer un modèle permettant de générer des échéanciers dans le contexte de planification initiale en considérant les modes de construction alternatifs. Afin de remplir cet objectif, on a commencé par définir un cadre de planification adapté à la problématique pour laquelle on a fait une analogie avec la théorie des jeux. Le modèle a ensuite été développé avant de l'expérimenter et le valider grâce à des instances de projet générées spécifiquement dans le cadre de ce travail. Enfin, on le compare à d'autres modèles afin d'en mesurer les performances. Le modèle proposé s'appuie sur la combinaison d'un arbre de recherche de Monte-Carlo et d'un réseau de neurones dans un processus d'apprentissage automatique par renforcement. Ainsi, le modèle apprend et propose une planification de plus en plus performante. En effet, tout comme AlphaGo joue aux échecs en choisissant les pièces à jour, notre modèle identifie itérativement le lot de travail à planifier en s'appuyant sur l'arbre de recherche de Monte-Carlo qui permet de représenter l'ensemble des possibilités à partir d'un état de planification. L'arbre est aidé par le réseau de neurones en calculant les probabilités des lots de travaux ainsi que la valeur des états de planification suivants, afin de faciliter le choix du lot de travail à planifier et en évitant une recherche exhaustive. Le modèle a montré qu'il peut s'améliorer et converger presque systématiquement après plusieurs itérations. Le nombre de simulations de l'arbre de recherche de Monte-Carlo ainsi que le nombre d'exemples à générer au début de chaque itération apparaissent comme des paramètres déterminants afin de garantir un bon apprentissage. Enfin, on a montré que le modèle est plus performant qu'un choix aléatoire, mais connait des difficultés face au modèle choisissant systématiquement le mode de construction classique. L'ensemble de ce travail a été concentré sur la proposition d'un premier modèle, certains éléments comme la structure et la configuration du réseau de neurones n'ont pas été optimisés ce qui constitue des perspectives de recherche intéressantes pour la suite.

Abstract

The construction industry no longer relies simply on a method of construction in which all activities take place at the construction site. For example, modular construction involves preparing pieces of the building, called modules, in a factory before transporting them to the site. These alternative construction methods are beginning to be used more and more and it is understood that the planning requirements are different from more traditional construction mode. But the construction method is chosen at the beginning of the project and the decision is based on the company's expertise and not on planning issues that could show interesting avenues. Thus, the objective of this work is to propose a model to generate schedules in the initial planning context by considering alternative construction modes. In order to achieve this objective, we started by defining a planning framework adapted to the problem for which an analogy with game theory was made. The model was then developed before experimenting and validating it with project instances generated specifically for this work. Finally, we compare it to other models in order to measure its performance. The model is based on the combination of a Monte-Carlo search tree and a neural network in an automatic learning process by reinforcement. Thus, the model learns and generates an increasingly efficient planning. Indeed, just as AlphaGo plays chess by choosing the pieces to be updated, our model iteratively identifies the batch of work to be planned by relying on the Monte-Carlo search tree which allows representing the set of possibilities from a planning state. The tree is helped by the neural network by calculating the probabilities of the work packages as well as the value of the following planning states, in order to facilitate the choice of the work package to be planned and by avoiding an exhaustive search. The model has shown that it can improve and converge almost systematically after several iterations. The number of simulations of the Monte-Carlo search tree as well as the number of examples to be generated at the beginning of each iteration appear to be determining parameters in order to guarantee a good learning. Finally, we have shown that the model performs better than a random choice, but has difficulties in comparison with the model that systematically chooses the classical construction mode. The whole of this work was concentrated on the proposal of a first model, some elements like the structure and the configuration of the neural network were not optimized which constitutes interesting research opportunities for the continuation.