Organisation automatique des bâtiments en urbanisme avec DQN

Pourquoi des implantations de bâtiments plus intelligentes comptent

À mesure que les villes grandissent en hauteur et en densité, il devient plus difficile de garantir que les fenêtres des appartements reçoivent encore le soleil et que les tours soient suffisamment espacées pour des raisons de sécurité. Les concepteurs urbains gèrent habituellement ces contraintes manuellement, en lançant des simulations informatiques lentes et en retouchant les plans encore et encore. Cette étude présente un système d’intelligence artificielle (IA) capable d’organiser automatiquement des immeubles de grande hauteur sur une parcelle afin que les logements bénéficient d’un ensoleillement hivernal suffisant et que les tours respectent des distances de sécurité, économisant potentiellement un temps considérable aux planificateurs tout en améliorant le confort dans des villes denses.

La croissance urbaine et la compression de l’ensoleillement

L’urbanisation rapide, en particulier dans des mégapoles comme Pékin et Shanghai, pousse les bâtiments à se rapprocher et à s’élever davantage. Pourtant, les règles nationales en Chine exigent que les logements reçoivent un minimum d’ensoleillement pendant les journées de mi‑hiver et que les immeubles de grande hauteur soient séparés par des distances de sécurité précises. Aujourd’hui, les architectes utilisent des logiciels professionnels pour respecter ces règles : ils dessinent les empreintes des bâtiments, lancent des simulations détaillées d’ensoleillement et déplacent les tours jusqu’à ce que les contraintes d’ensoleillement et d’espacement soient satisfaites. Ce processus repose fortement sur l’expérience des experts et de nombreux essais‑erreurs, ce qui le rend lent et difficile à étendre lorsque de nombreuses parcelles et alternatives de conception doivent être testées.

Apprendre à un réseau de neurones à prédire l’ensoleillement

Un obstacle majeur à l’automatisation de ce travail est que la simulation précise de l’ensoleillement est coûteuse en calcul. Pour y remédier, les chercheurs ont d’abord entraîné un type spécial de réseau neuronal, appelé auto‑encodeur convolutionnel, pour servir de « remplaçant » rapide à l’outil de simulation. Ils ont généré plus d’un millier d’implantations exemples dans Autodesk Revit pour les conditions de mi‑hiver de Pékin et ont enregistré, pour chaque point de la parcelle, le nombre de minutes d’ensoleillement reçues au cours de la journée. Ces cartes d’ensoleillement ont été converties en images en niveaux de gris et associées à de simples images représentant les hauteurs et les empreintes des bâtiments. L’IA a appris à traduire une image de disposition des bâtiments en son image d’ensoleillement correspondante, atteignant des erreurs moyennes inférieures à trois minutes d’ensoleillement par point tout en s’exécutant environ cent fois plus vite que la simulation d’origine.

Laisser un agent IA placer les bâtiments étape par étape

Avec un prédicteur d’ensoleillement rapide, l’équipe s’est attaquée au problème plus difficile : décider automatiquement où placer chaque bâtiment. Ils ont formalisé cela comme un jeu étape par étape pour un agent apprenant. À partir d’une parcelle vide, l’agent place un bâtiment à la fois et peut le pousser vers le haut, le bas, la gauche ou la droite sur une grille. Après chaque mouvement, le réseau neuronal rapide estime l’ensoleillement, et le système calcule la proximité du bâtiment par rapport à ses voisins et aux limites de la parcelle. L’agent reçoit une récompense lorsqu’il trouve une position qui satisfait à la fois l’exigence minimale d’ensoleillement des fenêtres exposées au sud et l’exigence minimale de distance entre bâtiments, et il est pénalisé pour les chevauchements ou un espacement trop réduit. Au fil de nombreuses tentatives simulées, un Deep Q‑Network — une méthode courante d’apprentissage par renforcement — apprend une stratégie qui conduit de façon régulière à des implantations valides et efficaces.

Performance du système par rapport à d’autres méthodes

Les chercheurs ont testé leur approche sur des dizaines de parcelles différentes contenant entre cinq et douze bâtiments et l’ont comparée à trois méthodes de référence : placement aléatoire, stratégie gloutonne simple et algorithme génétique. Le placement aléatoire produisait rarement des plans exploitables, et même l’heuristique sur mesure et la recherche évolutive restaient en retrait par rapport à l’agent apprenant. Le système IA a atteint un taux de réussite de 100 % pour générer des implantations respectant à la fois les règles d’ensoleillement et d’espacement, nécessitant moins de déplacements par bâtiment et organisant les tours de façon plus compacte sans sacrifier l’accès à la lumière. En moyenne, ses plans offraient des durées d’ensoleillement plus longues aux fenêtres du rez‑de‑chaussée que les alternatives, et une disposition complète pour une parcelle pouvait être générée en quelques secondes seulement, rendant l’exploration à grande échelle d’options faisable pour les tâches de planification quotidiennes.

Ce que cela signifie pour la conception urbaine future

En substance, l’étude montre que combiner un modèle appris rapide de l’ensoleillement avec un décideur fondé sur l’apprentissage permet de disposer de façon fiable des bâtiments qui respectent des contraintes réglementaires strictes tout en utilisant le foncier efficacement. Bien que l’outil actuel se concentre uniquement sur le soleil d’hiver et les distances de sécurité — et soit paramétré pour le climat de Pékin — il sert déjà de prototype puissant : les planificateurs peuvent fournir un ensemble de bâtiments candidats et obtenir presque instantanément plusieurs propositions d’implantation conformes. Les versions futures pourraient étendre la même idée pour inclure le vent, les vues, le bruit ou des règles locales d’autres villes, transformant l’agencement des bâtiments d’un métier manuel et lent en un partenariat interactif entre concepteurs humains et assistants IA.

Citation: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

Mots-clés: IA en urbanisme, implantation des bâtiments, optimisation de l’ensoleillement, apprentissage par renforcement, modèles génératifs