Jumeau numérique des LGV : la maquette virtuelle à l’épreuve des coûts et des données

Le jumeau numérique revient régulièrement dans les présentations comme la prochaine étape naturelle de la numérisation ferroviaire. L’idée est simple à énoncer : construire une réplique virtuelle d’une ligne à grande vitesse, alimentée par les données réelles d’exploitation, pour simuler un incident, tester un scénario de maintenance ou anticiper une saturation de capacité. La réalité l’est moins. Derrière la maquette se cache un projet industriel classique, avec des coûts d’intégration, des questions de propriété des données et une exigence de validation que les démonstrateurs commerciaux passent souvent sous silence.

Du démonstrateur à l’outil d’exploitation : ce qui tient déjà debout

Une partie des briques existe. Les gestionnaires d’infrastructure disposent de mesures de géométrie de voie, de surveillance de la caténaire, de données de signalisation et, sur certains corridors, d’informations de position des trains en temps quasi réel. Des plateformes savent agréger ces flux dans des environnements 3D et restituer l’état d’une portion de ligne. À l’automne 2026, plusieurs projets européens présentent ainsi des jumeaux numériques capables de rejouer un incident, de comparer un plan de maintenance théorique à l’historique observé ou d’évaluer l’effet d’une limitation temporaire de vitesse.

Mais il faut distinguer trois niveaux. Le premier est la visualisation : une maquette utile pour comprendre, pas encore pour décider. Le deuxième est la simulation déterministe : un modèle calé sur des données réelles, utilisé pour tester des hypothèses bornées. Le troisième est la prédiction en boucle fermée, où le jumeau recommande une action et où l’exploitant l’applique. C’est ce troisième niveau que vendent certains discours, alors que la majorité des réalisations se situent encore entre le premier et le deuxième. Un jumeau numérique n’est pas un objet fini : c’est un modèle vivant, dont la valeur dépend de sa mise à jour et de sa confrontation permanente au terrain.

Le vrai coût n’est pas la licence logicielle

Les directions financières retiennent souvent le prix de la plateforme. Or l’essentiel de la dépense se trouve ailleurs : instrumentation complémentaire, réseaux de communication, stockage, traitement des données, intégration aux systèmes existants et, surtout, temps d’ingénierie pour calibrer les modèles. Sur une ligne ancienne, comme les premières sections de la LGV Sud-Est mises en service à partir de 1981, l’hétérogénéité des équipements impose un travail de normalisation considérable. Sur une ligne récente, les capteurs sont plus nombreux, mais les formats et les responsabilités de maintenance restent fragmentés.

Il faut donc raisonner en coût total de possession. Un jumeau numérique qui simule mal coûte plus cher qu’un simple tableau de bord, parce qu’il produit des recommandations fausses avec une apparence de rigueur. La comparaison avec les outils de maintenance prédictive est éclairante : leur retour sur investissement se mesure en immobilisations évitées et en disponibilité gagnée, pas en nombre de capteurs installés. Pour les LGV, l’enjeu est de cibler des cas d’usage à fort impact — zones de transition, appareils de voie, points singuliers du réseau électrique — plutôt que de vouloir modéliser une ligne entière dès le premier jour.

Gouvernance des données : le point de blocage

Un jumeau numérique de ligne à grande vitesse agrège des données appartenant à plusieurs acteurs : gestionnaire d’infrastructure, entreprises ferroviaires, mainteneurs, fournisseurs d’équipements, parfois autorités organisatrices. Qui peut consulter quoi, pendant combien de temps et à quelles fins ? La question n’est pas juridique par coquetterie : elle détermine la qualité du modèle. Sans accès à des historiques de maintenance fiables et à des données d’incidents correctement documentées, le jumeau reste une belle surface de visualisation.

La cybersécurité ajoute une contrainte spécifique. Une maquette détaillée d’une infrastructure critique constitue elle-même une information sensible. Les clauses contractuelles doivent préciser l’hébergement, les niveaux d’accès, la réversibilité et les modalités d’audit. Trop de projets traitent encore ces points en annexe, après avoir choisi la technologie. C’est une erreur de séquencement : dans le ferroviaire, la gouvernance des données conditionne l’architecture technique, et non l’inverse.

Compétences : le chaînon manquant

Les gestionnaires d’infrastructure savent recruter des ingénieurs ferroviaires. Ils savent aussi attirer des profils de data science. Le point difficile est la jonction entre les deux : des équipes capables de dire qu’un modèle de dégradation de la voie est plausible au regard des contraintes mécaniques, ou qu’une simulation de trafic respecte bien les règles de cantonnement. Cette compétence hybride est rare, et elle ne s’achète pas entièrement auprès d’un intégrateur.

Le risque de dépendance au fournisseur est réel. Un jumeau numérique doit pouvoir être audité, corrigé et repris par l’exploitant. Cela suppose des formats ouverts, une documentation des hypothèses et une validation contradictoire sur des cas réels. La formation interne n’est pas un coût accessoire : c’est la condition pour que la maquette devienne un instrument de décision maîtrisé, et non une boîte noire supplémentaire.

Ce qu’il faut exiger avant de signer

Trois exigences devraient figurer dans tout cahier des charges. D’abord, un périmètre de simulation borné et comparé à des mesures de terrain, avec des indicateurs d’erreur explicites. Ensuite, une propriété claire des données et des modèles, assortie d’une clause de réversibilité. Enfin, un plan de montée en compétences des équipes internes, distinct de la simple formation à l’interface logicielle.

Le congrès UIC de 2015 avait placé l’innovation au cœur des débats sur la grande vitesse. Plus d’une décennie plus tard, le jumeau numérique mérite le même traitement : moins de démonstration, plus d’évaluation. En 2026, la maquette virtuelle des LGV n’est pas une révolution en soi. C’est un outil dont la valeur se prouvera par les décisions qu’il améliore et par les coûts qu’il évite réellement.