Thermographie des bâtiments repensée : l'IA révèle les défauts des bâtiments

Si, en matière de thermographie des bâtiments, vous en restez encore à l'idée des images thermiques classiques, il est temps de vous mettre à jour. Avec l'avènement de l'intelligence artificielle et la généralisation des capteurs intelligents, la thermographie des bâtiments devient un outil de diagnostic précieux dans la gestion technique des bâtiments. 

Les bâtiments existants révèlent leurs points faibles de manière subtile et souvent bien avant que l'œil humain ne les remarque : la chaleur s'échappe au niveau des raccords de façade, l'humidité modifie la température des éléments de construction et les composants électriques chauffent sous l'effet de la charge. Pour nous, les humains, beaucoup de choses restent invisibles. Une caméra thermique rend ces traces thermiques visibles et fournit ainsi une base de données qui prend de plus en plus d'importance dans la gestion des installations. 

Grâce à l’IA, les possibilités d’application de la thermographie des bâtiments s’élargissent. À partir d’images thermiques individuelles, on obtient des modèles exploitables, des anomalies identifiables et des indications documentables pour l’exploitation, la maintenance et la planification des rénovations. Les responsables immobiliers et les équipes de gestion des installations bénéficient ainsi d’une vue d’ensemble complète du bien immobilier. 

Découvrez dans cet article comment l’IA a déjà transformé le domaine de la thermographie des bâtiments et comment la gestion des installations axée sur les données va, à l’avenir, poursuivre la numérisation de l’exploitation d’un bien immobilier. 

L'IA évalue les profils thermiques par rapport à l'état normal attendu

Une IA considère les données d'imagerie thermique comme un « espace de modèles ». Il est alors important de déterminer si la répartition des températures mesurée correspond à la structure visible du bâtiment, à l'élément de construction et au comportement thermique attendu. Une zone attire l'attention lorsque la répartition réelle de la chaleur s'écarte nettement d'une référence plausible.

Cette approche est particulièrement intéressante pour les parcs immobiliers, car la plupart des défauts ne constituent pas des cas isolés. Les ponts thermiques, les infiltrations d’humidité, les raccords non étanches ou les modules photovoltaïques présentant des anomalies thermiques suivent des schémas récurrents. Une IA spécialisée peut identifier plus rapidement ces schémas dans de grands volumes de données et les trier au préalable pour les experts. La cause reste l’objet d’une évaluation technique, mais la présélection devient plus facile, plus intuitive à comprendre et nettement plus évolutive. 

Les modèles sans marquage réduisent l'effort nécessaire à la détection des défauts

Une approche récente de la recherche en IA dans le domaine de la thermographie des bâtiments fonctionne sans marquage. Cela signifie que le modèle ne dépend pas du fait que chaque type de défaut envisageable ait été préalablement marqué manuellement et enregistré comme exemple d'apprentissage. Cela est pertinent dans le cas des défauts de construction, car les défauts thermiques peuvent varier considérablement. Les matériaux, les conditions météorologiques, la structure des éléments de construction, l'âge, l'humidité et les conditions de prise de vue modifient considérablement l'aspect des défauts. 

Les méthodes sans marquage apprennent donc davantage à reconnaître à quoi ressemble un état normal plausible. Les écarts par rapport à cette structure attendue sont signalés comme des anomalies potentielles. Cela permet de réduire la charge de travail manuel pour les inspections de routine, les grandes enveloppes de bâtiments ou les analyses récurrentes de portefeuille. Même avec le recours à l’IA, les experts ne reçoivent pas de recommandation de rénovation toute faite, mais une base nettement plus structurée pour la suite de l’examen technique.

Color-to-Thermal associe la structure visible d'un bâtiment à sa signature thermique

L'approche « Color-to-Thermal » présente un intérêt technique particulier. Dans ce cadre, un modèle d'IA traite une image RVB visible d'une façade et génère à partir de celle-ci une représentation thermique attendue. Cette structure thermique calculée est ensuite comparée à l'image thermographique réelle. L'anomalie résulte de la différence entre la répartition thermique attendue et celle mesurée. 

Dans le cadre de ce projet de recherche, on utilise des méthodes image à image telles que pix2pix et des architectures GAN. En termes simples, le modèle apprend quelle signature thermique devrait correspondre à une structure visible donnée du bâtiment. Si l'image thermique réelle s'écarte de cette signature, une carte des anomalies est générée. Cette carte met en évidence les zones qui méritent une attention particulière lors de l'analyse technique.

De la mesure ponctuelle à la surveillance continue de l'état

Jusqu’à présent, la thermographie des bâtiments consistait généralement en un instantané ponctuel : un expert inspectait manuellement le bâtiment à un moment donné et en documentait l’état. Les tendances actuelles en matière de gestion des installations s’orientent toutefois vers une surveillance continue de l’état des bâtiments, assistée par l’intelligence artificielle : les capteurs fournissent en continu des données thermiques qu’il serait pratiquement impossible d’analyser manuellement. 

Ce sont les modèles d'IA qui permettent d'exploiter ce flux de données, de détecter les écarts quasi en temps réel et de les intégrer directement dans les systèmes de maintenance ou les plateformes de jumeaux numériques. À chaque série de mesures, le système apprend à mieux cerner l’état normal spécifique au bâtiment, ce qui rend la détection des anomalies plus précise. Pour les grands portefeuilles immobiliers, l’accent passe ainsi d’un contrôle réactif au cas par cas à une maintenance prédictive.

L'IA fait certes passer la thermographie des bâtiments à un niveau supérieur, mais elle ne peut pas transformer des données de mesure de mauvaise qualité en ensembles de données exploitables. La résolution thermique, le NETD, l'étalonnage, la mise au point, la distance de mesure, l'émissivité et les conditions de prise de vue continueront à déterminer la qualité de l'analyse ultérieure. 

La fiabilité de ces mesures dépend en grande partie de la technologie de mesure utilisée et de la méthode de mesure choisie. Un modèle peut réduire le bruit, ajuster dynamiquement les seuils et détecter plus rapidement les motifs récurrents. Il reste toutefois tributaire d'une entrée de données propre, d'un contexte correct et d'une validation vérifiable.

En Suisse, la thermographie des bâtiments s'applique à un parc immobilier qui représente un défi majeur en matière de politique énergétique. Selon l'Office fédéral de l'énergie, le parc immobilier actuel consomme environ 81 TWh, soit 41,8 % des besoins finaux en énergie de la Suisse, et génère 22 % des émissions nationales de CO₂. 

Pour les exploitants, les administrations, les conseillers en énergie et les équipes de gestion des installations, le diagnostic thermique constitue une base de données pour les tâches de maintenance, les priorités de rénovation et la documentation technique. Dans le cas de portefeuilles importants, l'IA peut mettre en évidence des points faibles récurrents sur plusieurs biens immobiliers, par exemple lorsque certaines zones de façade, certains détails de raccordement ou certaines parties de toiture présentent régulièrement des anomalies thermiques similaires sur différents sites. 

La thermographie des bâtiments assistée par IA ne fonctionne qu’avec des données de mesure correctement collectées, des informations contextuelles complémentaires et une documentation numérique. Pour cela, le Facility Management a surtout besoin de l'équipement suivant : 

Suivez-nous sur LinkedIn.
Saisissez cette opportunité pour obtenir des connaissances plus pointues, des faits passionnants et ne manquer aucune nouveauté.