Dans l'industrie chimique, de nombreux clients sollicitent Akkodis pour moderniser leurs installations vieillissantes. La première étape consiste à créer un modèle numérique précis de l'usine as-built. Cependant, ces infrastructures reposent encore sur des plans papier obsolètes, ne reflétant plus l'état réel du site. Le scan LiDAR des installations existantes permet de générer une maquette numérique essentielle pour toute modernisation.

Traitement des nuages de points : du LiDAR aux modèles CAO

Le LiDAR est une technologie éprouvée permettant de mesurer les distances grâce à un laser rotatif. Il est couramment utilisé pour cartographier en 3D les terrains et les bâtiments et constitue un capteur clé dans les systèmes d’assistance à la conduite des véhicules.

L’un des défis majeurs de la création d’une image 3D d’un site de production chimique à partir de données LiDAR réside dans la conversion des vastes nuages de points en plans CAO. Grâce à des algorithmes avancés et à l’automatisation des modèles CAO, ces mises à jour peuvent être réalisées plus rapidement et plus efficacement. Les nuages de points LiDAR correspondent à des ensembles de données collectés pour une zone géographique, un terrain, un bâtiment ou un espace donné.

Une analogie peut être faite avec le langage : un même mot peut avoir un sens différent selon son contexte d'utilisation. Il en va de même pour les modèles 3D d'usine : un algorithme sophistiqué peut identifier un regroupement de points comme un cylindre (syntaxe), mais un ingénieur en procédés pourrait l'interpréter comme un tuyau, une bride ou une cuve sous pression (sémantique). Aujourd'hui, même avec des algorithmes avancés, cette interprétation repose encore sur l'humain.

L’équipe d’ingénierie des procédés s’est interrogée sur la possibilité de créer un assistant numérique capable d’identifier automatiquement ou semi-automatiquement les composants d’une ligne de production, tels que les vannes, les brides et les moteurs. Un outil de reconnaissance des éléments clés permettrait à l’entreprise de proposer à ses clients une solution plus compétitive pour leurs projets de modernisation.

Avec l'aide d'Akkodis Research, une équipe de R&D s'est penchée sur la mise en place d'un pipeline de traitement des scans 3D, visant à extraire et analyser automatiquement les informations essentielles pour la modernisation des usines.

Exploitation des données LiDAR dans une usine chimique

L'équipe travaille sur un ensemble de 160 scans LiDAR réalisés dans une usine chimique en Allemagne spécialisée dans la fabrication de cire de Montan, un produit de base utilisé pour la production de vernis, de peintures et de lubrifiants. Chaque scan comprend 44 millions de points, soit un total de près de 7 milliards de points de données à traiter.

Manuel Reis Monteiro indique que l'équipe de recherche est bientôt prête à transmettre cet outil aux ingénieurs en procédés pour tests et retour d'expérience.

Si les algorithmes actuels reconnaissent des formes géométriques de base, Akkodis vise une identification plus précise des composants industriels. L'objectif est d'affiner ces formes primitives pour en faire de véritables éléments d'ingénierie : vannes, brides, tuyaux et moteurs, etc. L'idée est d'obtenir un système capable de générer automatiquement un modèle CAO complet à partir des scans LiDAR.

« En Europe, de nombreuses usines chimiques anciennes, construites il y a plusieurs décennies, ne disposent que de plans papier de leurs lignes de production, explique Angela Marin-Betancourt. Il existe un véritable potentiel commercial dans la fourniture de solutions plus économiques pour recréer des modèles as-built à partir de scans LiDAR, allant au-delà de la simple reconstruction CAO. »

Monteiro reconnaît que ce projet représente un défi de taille pour l’équipe de recherche d’Akkodis, composée d’experts issus de plusieurs domaines. Le défi est d’autant plus grand que la recherche académique commence à peine à explorer l’intégration des nuages de points avec l’IA générative (GenAI). L’enjeu est d’aligner ces données 3D avec une IA générative capable d’en comprendre la structure spatiale.

« Les algorithmes conventionnels permettent d’identifier des formes géométriques de base comme un cylindre, un plan ou un tore. Actuellement, dans l’industrie, la reconstruction des modèles CAO à partir de ces formes repose encore sur l’intervention humaine », précise Monteiro.

« Nous voulons aller plus loin. Nous souhaitons enrichir cette approche avec l’IA et l’expertise en ingénierie. L’objectif est d’affiner ces formes géométriques primitives pour en faire de véritables composants d’ingénierie. Ainsi, le logiciel pourra reconnaître des éléments comme des brides avec boulons et écrous, des soudures, des sections de tuyauterie droites et coudées, et bien d’autres. L’ambition est de développer un système capable de générer automatiquement un modèle CAO à partir des scans LiDAR, en identifiant tous les composants clés d’une ligne de production. »

L'IA au service de la reconnaissance des composants industriels

Le projet présente un défi de taille, notamment en raison de l'exploration récente du couplage entre nuages de points et IA générative dans la recherche académique. L'enjeu est d'aligner ces données 3D avec une intelligence artificielle dotée d'une compréhension spatiale.

Si les algorithmes actuels reconnaissent des formes géométriques de base, Akkodis vise une identification plus précise des composants industriels. L'objectif est d'affiner ces formes primitives pour en faire de véritables éléments d'ingénierie : brides avec boulons, soudures, sections de tuyaux droites et courbées, etc. L'idée est d'obtenir un système capable de générer automatiquement un modèle CAO complet à partir des scans LiDAR.

Une approche heuristique pour une mise en œuvre rapide

Contrairement aux modèles d'apprentissage profond nécessitant de vastes ensembles de données, l’équipe Akkodis a misé sur une « IA heuristique », méthode éprouvée dans la conduite autonome. « Cette approche ne requiert pas d'entraînement préalable, ce qui permet un développement et une mise en œuvre rapides », explique Monteiro. « Nous avons ainsi pu extraire toutes les géométries de base des nuages de points et nous concentrer sur des fonctionnalités avancées, comme la reconnaissance des formes complexes. »

ChatGPT et RAG pour une analyse industrielle approfondie

L'équipe explore également l'utilisation de ChatGPT associé à un système RAG (Retrieval Augmented Generation) pour enrichir l'analyse des installations industrielles. L'objectif est d'adapter l'IA aux spécificités de chaque usine en intégrant des données précises, comme les matières premières et les procédés chimiques.

Un système RAG permet d'intégrer des informations spécifiques, telles que les matières premières et procédés chimiques associés à la production de cire de Montan. En fournissant une description textuelle de l'état « as-built » de l'usine, l'IA peut améliorer la classification et l'identification des objets.

Angela Marin-Betancourt conclut : « Imaginez un assistant capable de reconnaître les composants d'une ligne de production et de les étiqueter automatiquement. Bien sûr, un ingénieur restera indispensable pour vérifier la qualité du modèle CAO, mais le gain de temps sera considérable par rapport à une reconstruction manuelle. »