Les infrastructures ferroviaires font face à des risques croissants de dégradation dus à l'intensification des charges opérationnelles et au changement climatique, nécessitant un changement de paradigme des réparations réactives vers la maintenance prédictive numérisée. Cette étude explore la convergence synergique de l'Intelligence Artificielle (IA), du Building Information Modeling (BIM) et des Jumeaux Numériques (DT) pour optimiser la gestion des actifs. Une revue systématique de la littérature a été conduite, en respectant les directives PRISMA et en sélectionnant et analysant strictement 73 articles évalués par des pairs provenant de Web of Science et Scopus (2015–2026). Les résultats révèlent que si l'apprentissage supervisé reste le paradigme dominant pour la détection des défauts, l'apprentissage par renforcement émerge comme un outil clé pour la planification de la maintenance. Cependant, une « lacune du jumeau numérique » critique a été identifiée, où la plupart des systèmes fonctionnent uniquement comme des représentations numériques unidirectionnelles plutôt que comme des jumeaux bidirectionnels et auto-correctifs. De plus, malgré des revendications fréquentes en matière de durabilité, il y a une absence marquée de mesures environnementales quantifiées dans les recherches actuelles. Par conséquent, cet article conclut que les avancées futures doivent donner la priorité au développement de « vrais jumeaux numériques » avec actionnement autonome, garantir l'interopérabilité via les Industry Foundation Classes (IFC) et intégrer des « indicateurs clés de performance verts » explicites pour valider objectivement les bénéfices environnementaux des stratégies de maintenance numérisées.
Mutlu et al. (Sun,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: