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.