S’appuyer sur une cartographie numérique des matériaux du bâti ancien pour réhabiliter autrement

Samuel Dubois, Expert R&D chez Buildwise, a ouvert cette conférence sur la cartographie numérique des matériaux du bâti ancien en vue de sa réhabilitation en soulignant l'accélération fulgurante de l'adoption des nouvelles technologies, notamment l'intelligence artificielle, qui oblige les centres de recherche et les universités à une adaptation constante. Il a illustré ce propos par le réalisme croissant des modèles de génération d'images et la capacité surprenante des modèles de langage à identifier des matériaux spécifiques tels que la pierre de Gobertange.

L'enjeu actuel pour le secteur de la construction réside dans l'applicabilité concrète de ces outils numériques pour cartographier les matériaux et les pathologies du bâtiment, en passant d'une logique de création de modèles complexes à un peaufinage de bases existantes déjà performantes. Samuel Dubois a ensuite détaillé les techniques de la numérisation 3D, citant la photogrammétrie pour son haut niveau de détail et l'émergence du Gaussian Splatting, une technologie permettant d'obtenir des modèles 3D plus légers, réalistes et facilement échangeables via le web. Il a également mentionné l'usage de drones équipés de caméras infrarouges pour détecter les déperditions thermiques et les défauts d'exécution lors de rénovations, offrant ainsi un outil précieux pour l'archéologie du bâti et le contrôle qualité.

Malgré cette profusion de données, Samuel Dubois a insisté sur la nécessité de structurer ces informations pour les rendre exploitables, d'autant plus que les matériaux belges et leurs pathologies présentent des spécificités régionales complexes. Il a décrit un processus allant de la collecte automatisée par drone à l'extraction d'informations utiles, comme l'inventaire des menuiseries ou la détection de briques remplacées, tout en prônant une approche où l'IA assiste l'humain dans les tâches pénibles sans le remplacer.

Prenant la suite, Pierre Hallot, Professeur à l'Université de Liège, a contextualisé le projet de recherche URMIBALI sur le gisement urbain, une initiative visant à répondre aux directives européennes imposant des bâtiments à zéro carbone et zéro énergie d'ici 2028 et 2040. Il a expliqué que la réutilisation des matériaux existants est désormais un levier essentiel pour assurer cette transition environnementale, nécessitant une quantification précise des ressources disponibles dans le parc bâti. Pierre Hallot a précisé que l'étude s'est concentrée sur certains quartiers de Liège dont la typologie et l'histoire sont bien documentées, afin de valider une méthodologie capable de passer de la reconnaissance de la « peau » du bâtiment à une évaluation volumétrique réelle des matériaux, concept qu'il définit comme l'urban mining. L'objectif est de transformer une simple image de façade en une donnée exploitable permettant de projeter, par exemple, la profondeur d'un parement en briques pour en compter précisément les unités.

Ophélie Noël, Assistante à l'ULiège, a ensuite détaillé les objectifs méthodologiques du projet, qui s'articulent autour du développement d'une méthode d'acquisition rapide de données fines pour inventorier le gisement de matières et produire une comptabilité des flux de déchets générés par les scénarios de démolition ou de réhabilitation. Elle a exposé les cinq étapes de cette recherche, allant de l'analyse typologique des bâtiments anciens à la comptabilité théorique des flux à l'échelle de la ville. L'étude s'est particulièrement penchée sur la maison bourgeoise du XIXe siècle, qui représente environ 50 % du parc bâti liégeois de cette époque. Par une décomposition minutieuse en parois, l'équipe a pu établir une répartition globale des matériaux en kilos et en mètres cubes.

Simon Boutet, Doctorant et Attaché de Recherche au Laboratoire DIVA, a approfondi l'aspect technique du projet en expliquant l'usage de la vision par ordinateur pour automatiser cette reconnaissance matérielle. Pour entraîner leur modèle d'intelligence artificielle, l'équipe a
capturé et annoté manuellement plus de 450 images de façades dans les quartiers d'Outremeuse et de Saint-Léonard. Simon Boutet a détaillé la classification adoptée, incluant la brique, la pierre de taille, le moellon, le bois des corniches et les baies vitrées. En utilisant la plateforme Google Colab et le modèle DeepLab V3+, ils ont obtenu des résultats prometteurs avec un score moyen de précision de 80%, bien que des difficultés persistent pour la détection du bois et des moellons, moins représentés dans le jeu de données. Il a souligné les limites actuelles du système, telles que les reflets sur les vitres qui peuvent induire l'IA en erreur ou la présence de végétation masquant les façades.

Pour conclure sur les applications pratiques, Ophélie Noël est revenue sur la création de trois scénarios de rénovation (légère, intermédiaire et lourde) appliqués à des bâtiments classés et non classés. Cette analyse permet d'estimer non seulement les flux de matériaux entrants et sortants, mais aussi l'impact logistique concret, comme le nombre de trajets de camions nécessaires pour évacuer les déchets ou acheminer les nouveaux composants.

Pierre Hallot a terminé en insistant sur le fait que la qualité du jeu d'entraînement est fondamentale et que le partage des données entre acteurs sera le véritable défi de demain, bien plus que le développement algorithmique. Il projette l'évolution future du projet vers une densification de la résolution des images et une sectorisation des prédictions par étage pour affiner davantage l'identification matérielle et transformer ces surfaces 2D en volumes 3D précis.