Articles
Utilisation de l'IA dans la conception architecturale selon les dernières recherches
Product
Career
Traduction automatique du texte original en japonais
Introduction
Ces dernières années, l'adoption de la technologie de l'IA progresse dans la conception architecturale, l'urbanisme et le secteur de la construction. Cependant, il existe peu de littérature systématiquement organisée sur la façon dont l'IA peut être utile et exploitée pour résoudre les défis architecturaux contemporains (performance énergétique, optimisation de l'espace, etc.).
De plus, depuis 2022, l'IA générative (Generative AI) comme ChatGPT et Midjourney, ainsi que les grands modèles de langage (LLM), se sont propagés rapidement, entraînant une transition de l'IA symbolique traditionnelle (basée sur des règles) vers les réseaux de neurones et l'IA générative. Par conséquent, une réévaluation basée sur les dernières tendances technologiques (comme GPT-5) est jugée nécessaire.
Ici, nous organisons systématiquement les cas depuis 2010, quand la recherche fondamentale sur l'apprentissage profond s'est généralisée, en nous concentrant sur les opérations de conception architecturale.
Classification des cas d'utilisation de l'IA dans la conception architecturale
Cette section décrit comment l'IA est utilisée dans la conception architecturale. Le processus de conception architecturale est divisé en six catégories : le processus de planification et de programmation, le processus de conception préliminaire, le processus de conception détaillée, le processus de conception structurelle et des installations, le processus de simulation de conception environnementale, et le processus de conservation et de rénovation.
Processus de planification et de programmation
Conception
Dans l'optimisation de la forme des fermes de toit, l'optimisation par modèle d'IA incluant les préférences de l'utilisateur est réalisée en plus de la minimisation du poids et de la déflexion (Bailey Breanna & Raich Anne M., 2012)
En utilisant des outils d'IA générative tels que Midjourney, DALL-E 2 et Stable Diffusion, les conceptions de perspectives architecturales, d'intérieurs et de façades sont générées en quelques secondes à partir d'invites en langage naturel (instructions). Cela accélère le brainstorming initial et le partage d'images avec les clients (Enjellina et al., 2023; Li et al., 2025b; Ploennigs & Berger, 2023; Sourek, 2024)
Établissement des exigences du projet
En écoutant les demandes et exigences ambiguës du client, les LLM les combinent avec les données de projets antérieurs pour créer des cahiers des charges de projet réalistes et créatifs (Memon et al., 2025; Onatayo et al., 2024)
Processus de conception préliminaire
Génération automatique de plans d'étage
Les plans d'étage d'appartements et autres sont générés en utilisant des GAN et des ANN (Huang & Zheng, 2018; Krausková & Pifko, 2021; Liu et al., 2017; Tamke et al., 2018)
Optimisation de la planification urbaine et du site
L'IA propose des configurations de bâtiments qui maximisent le potentiel du site en tenant compte de la topographie, du vent, de l'ensoleillement, du transport, du zonage et d'autres conditions (Sourek, 2024)
Processus de conception détaillée
Intégration de BIM et de l'IA
En utilisant l'IA pour la modélisation de formes et la reconnaissance d'objets, le processus de création de modèles BIM à partir de données de scanners laser est automatisé (Tang et al., 2010)
Les journaux BIM sont analysés par l'IA pour analyser les mesures d'amélioration de la productivité du processus de conception (Pan & Zhang, 2020)
Analyse de l'accumulation et des changements de données dans la conception BIM (Al Hattab & Hamzeh, 2018)
Des systèmes interactifs sont en cours de recherche pour modifier les attributs de murs ou de pièces dans les modèles BIM ou ajouter une isolation thermique en fonction d'instructions textuelles en langage naturel (Kampelopoulos et al., 2025)
L'IA interprète les réglementations telles que le code du bâtiment et vérifie automatiquement que le modèle BIM est conforme aux normes (Kampelopoulos et al., 2025; Li et al., 2025b)
Façade adaptative
L'IA est utilisée pour contrôler les façades qui s'ouvrent et se ferment ou assurent l'occultation automatiquement en fonction des conditions climatiques et du confort des utilisateurs (Li et al., 2025a)
Processus de conception structurelle et des installations
Conception structurelle
La prédiction et l'évaluation des performances structurales, et la simulation de l'état structural sont possibles (Sun et al., 2021; Talebian et al., 2025)
Quand les expériences sont difficiles, l'IA est utilisée pour déterminer les paramètres de conception structurale, réduisant le temps personnel et les efforts consacrés aux expériences (Salehi & Burgueño, 2018)
En utilisant des modèles prédictifs tels que les forêts aléatoires, l'état de sécurité structurelle des bâtiments endommagés par les tremblements de terre est simulé (Y. Zhang et al., 2018)
Processus de simulation de conception environnementale
Consommation d'énergie
Prédiction de la consommation d'énergie des bâtiments (Himeur et al., 2021; Mazlina Zaira & Hadikusumo, 2017; Wang & Srinivasan, 2017; H.-X. Zhao & Magoulès, 2012)
Détection et évaluation des défauts et des dommages (fissures, écaillage, corrosion, trous, dommages des joints, etc.) qui surviennent dans diverses infrastructures sociales telles que les bâtiments, les ponts, les tunnels, les routes et les conduites d'égout, et vérification de la sécurité et de la durabilité des systèmes structuraux (C. Zhang et al., 2020)
Prévision de la charge électrique envisagée pour les applications aux réseaux intelligents (Raza & Khosravi, 2015)
L'IA est utilisée pour les équipements de climatisation, la détection et le diagnostic des défaillances système, la prédiction de charge sur le système, l'estimation de la consommation d'énergie, la prédiction d'utilisation, et la simulation des comportements des occupants et des tendances de consommation d'énergie (Hong et al., 2020)
L'IA est utilisée pour prédire la quantité de lumière naturelle dans un espace et les réductions correspondantes de la consommation d'énergie (Lorenz et al., 2018)
Processus de conservation et de rénovation
Diagnostic de détection de défaillances (FDD)
L'IA détecte et diagnostique les défaillances des équipements des bâtiments tels que les systèmes de climatisation (Y. Zhao et al., 2019)
Détection et évaluation des défauts et des dommages (fissures, écaillage, corrosion, trous, dommages des joints, etc.) qui surviennent dans diverses infrastructures telles que les bâtiments, les ponts, les tunnels, les routes et les conduites d'égout, et vérification de la sécurité et de la durabilité des systèmes structuraux (C. Zhang et al., 2020)
En utilisant l'apprentissage profond et l'exploration de texte, les modèles de risques et l'évolution des risques d'accidents au fil du temps sont analysés (Zhong et al., 2020)
Rétrofit de bâtiment
Utilisant la détection et télémétrie par lumière (LiDAR), l'âge du bâtiment est prédit par des forêts aléatoires (Tooke et al., 2014)
Le type de bâtiment est prédit à partir de la forme du bâtiment en deux dimensions telle que l'emprise au sol et la hauteur (Henn et al., 2012)
Conclusion
En organisant les cas, on peut réellement ressentir le changement de paradigme technologique.
De la généralisation de l'apprentissage profond depuis les années 2010 à la propagation de l'IA générative et des grands modèles de langage (LLM) depuis 2022, l'IA en architecture évolue d'une forme traditionnelle où les gens utilisent l'IA de manière générale vers une forme d'utilisation interactive.
L'application de l'IA dans la conception architecturale évolue rapidement d'un simple outil d'optimisation des processus vers un partenaire essentiel pour améliorer la qualité et la créativité de la conception.
Références
Al Hattab, M., & Hamzeh, F. (2018). Simulating the dynamics of social agents and information flows in BIM-based design. Automation in Construction, 92, 1–22.
Bailey Breanna, & Raich Anne M. (2012). Modeling of User Design Preferences in Multiobjective Optimization of Roof Trusses. Journal of Computing in Civil Engineering, 26(5), 584–596.
Enjellina, Beyan, E. V. P., & Rossy, A. G. C. (2023). Review of AI Image Generator: Influences, challenges, and future prospects for architectural field. Journal of Artificial Intelligence in Architecture, 2(1), 53–65.
Henn, A., Römer, C., Gröger, G., & Plümer, L. (2012). Automatic classification of building types in 3D city models. GeoInformatica, 16(2), 281–306.
Himeur, Y., Ghanem, K., Alsalemi, A., Bensaali, F., & Amira, A. (2021). Artificial intelligence based anomaly detection of energy consumption in buildings: A review, current trends and new perspectives. Applied Energy, 287, 116601.
Hong, T., Wang, Z., Luo, X., & Zhang, W. (2020). State-of-the-art on research and applications of machine learning in the building life cycle. Energy and Buildings, 212, 109831.
Huang, W., & Zheng, H. (2018). Architectural drawings recognition and generation through machine learning. Of the 38th Annual Conference of the …. http://papers.cumincad.org/data/works/att/acadia18_156
Kampelopoulos, D., Tsanousa, A., Vrochidis, S., & Kompatsiaris, I. (2025). A review of LLMs and their applications in the architecture, engineering and construction industry. Artificial Intelligence Review, 58(8). https://doi.org/10.1007/s10462-025-11241-7
Krausková, V., & Pifko, H. (2021). Use of artificial intelligence in the field of sustainable architecture: Current knowledge. Architecture Papers of the Faculty of Architecture and Design STU, 26(1), 20–29.
Liu, C., Wu, J., Kohli, P., & Furukawa, Y. (2017). Raster-to-vector: Revisiting floorplan transformation. 2017 IEEE International Conference on Computer Vision (ICCV), 2195–2203.
Li, Y., Chen, H., Yu, P., & Yang, L. (2025a). A review of artificial intelligence applications in architectural design: Energy-saving renovations and adaptive building envelopes. Energies, 18(4), 918.
Li, Y., Chen, H., Yu, P., & Yang, L. (2025b). A review of Artificial Intelligence in enhancing architectural design efficiency. Applied Sciences (Basel, Switzerland), 15(3), 1476.
Lorenz, C.-L., Packianather, M., Spaeth, A., & Bleil De Souza, C. (2018). Artificial neural network-based modelling for daylight evaluations. SimAUD 2018, Delft, The Netherlands. https://orca.cardiff.ac.uk/id/eprint/112040/
Mazlina Zaira, M., & Hadikusumo, B. H. W. (2017). Structural equation model of integrated safety intervention practices affecting the safety behaviour of workers in the construction industry. Safety Science, 98, 124–135.
Memon, S. A., Shehata, W., Rowlinson, S., & Sunindijo, R. Y. (2025). Generative artificial intelligence in architecture, engineering, construction, and operations: A systematic review. Buildings, 15(13), 2270.
Onatayo, D., Onososen, A., Oyediran, A. O., Oyediran, H., Arowoiya, V., & Onatayo, E. (2024). Generative AI applications in architecture, engineering, and construction: Trends, implications for practice, education & imperatives for upskilling—A review. Architecture, 4(4), 877–902.
Pan, Y., & Zhang, L. (2020). BIM log mining: Exploring design productivity characteristics. Automation in Construction, 109, 102997.
Ploennigs, J., & Berger, M. (2023). AI art in architecture. AI in Civil Engineering, 2(1). https://doi.org/10.1007/s43503-023-00018-y
Raza, M. Q., & Khosravi, A. (2015). A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings. Renewable and Sustainable Energy Reviews, 50, 1352–1372.
Salehi, H., & Burgueño, R. (2018). Emerging artificial intelligence methods in structural engineering. Engineering Structures, 171, 170–189.
Sourek, M. (2024). Artificial intelligence in architecture and built environment development 2024: A critical review and outlook. https://www.wemakespaces.archi/uploads/Artificial-Intelligence-in-Architecture-and-Built-Environment-Development.pdf
Sun, H., Burton, H. V., & Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering, 33, 101816.
Talebian, S., Golkarieh, A., Eshraghi, S., Naseri, M., & Naseri, S. (2025). Artificial intelligence impacts on architecture and smart built environments: A comprehensive review. Advances in Civil Engineering and Environmental Science, 2(1), 45–56.
Tamke, M., Nicholas, P., & Zwierzycki, M. (2018). Machine learning for architectural design: Practices and infrastructure. International Journal of Architectural Computing, 16(2), 123–143.
Tang, P., Huber, D., Akinci, B., Lipman, R., & Lytle, A. (2010). Automatic reconstruction of as-built building information models from laser-scanned point clouds: A review of related techniques. Automation in Construction, 19(7), 829–843.
Tooke, T. R., Coops, N. C., & Webster, J. (2014). Predicting building ages from LiDAR data with random forests for building energy modeling. Energy and Buildings, 68, 603–610.
Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796–808.
Zhang, C., Chang, C.-C., & Jamshidi, M. (2020). Concrete bridge surface damage detection using a single‐stage detector. Computer-Aided Civil and Infrastructure Engineering, 35(4), 389–409.
Zhang, Y., Burton, H. V., Sun, H., & Shokrabadi, M. (2018). A machine learning framework for assessing post-earthquake structural safety. Structural Safety, 72, 1–16.
Zhao, H.-X., & Magoulès, F. (2012). A review on the prediction of building energy consumption. Renewable and Sustainable Energy Reviews, 16(6), 3586–3592.
Zhao, Y., Li, T., Zhang, X., & Zhang, C. (2019). Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future. Renewable and Sustainable Energy Reviews, 109, 85–101.
Zhong, B., Pan, X., Love, P. E. D., Sun, J., & Tao, C. (2020). Hazard analysis: A deep learning and text mining framework for accident prevention. Advanced Engineering Informatics, 46, 101152.