Modélisation et segmentation pour la gestion et rénovation des parcs de bâtiments

par Yunseok Lee

Projet de thèse en Sciences de l'ingénieur

Sous la direction de Olivier Baverel.

Thèses en préparation à Paris Est , dans le cadre de SIE - Sciences, Ingénierie et Environnement , en partenariat avec NAVIER (laboratoire) depuis le 02-11-2015 .


  • Résumé

    La rénovation du parc existant représente le principal gisement d'économies d'énergie du secteur du bâtiment, en France. A l'échelle d'un parc, l'élaboration de stratégies de réhabilitation énergétique nécessite de modéliser l'ensemble des bâtiments, étant donnée l'information disponible. Les approches de modélisation recourent alors traditionnellement à des typologies, régulièrement fondées sur les caractéristiques constructives connues ou observables des bâtiments (période de construction, morphologie, taille…). Or, les études statistiques soulignent la difficulté à établir des corrélations simples entre les performances énergétiques et ces typologies traditionnelles. L'objectif de cette contribution vise à développer une approche de segmentation du parc, suivant la nature des solutions de rénovation admissibles et les niveaux de performance pouvant être atteints. L'identification de groupes de bâtiments « similaires » est alors fondée sur des techniques de clustering, ce qui permet de limiter ensuite les investigations (réduction de la taille du problème) à des bâtiments types représentatifs de chaque segment. L'état de l'art sur les techniques d'apprentissage automatique (clustering) souligne la diversité des approches algorithmiques envisageables pour segmenter un parc de bâtiments selon des caractéristiques descriptives mais aussi selon des critères performantiels (consommations d'énergie ou économies d'énergie, émissions de CO2, couts d'investissement…). Il s'agit donc d'étudier ces techniques et de les adapter à la problématique de la rénovation énergétique des bâtiments. Les résultats de l'application de plusieurs algorithmes de clustering sur un parc de logements français seront présentés. Une analyse comparative de différentes techniques et de leur paramétrage sera réalisée et permettra de juger de la pertinence de cette approche pour la segmentation de parcs de bâtiments. Les problématiques de prétraitement des données et d'estimation de la performance des algorithmes seront aussi examinées.

  • Titre traduit

    Modelling and segmentation for the management and renovation of building stocks


  • Résumé

    The development of energy renovation strategies at the scale of an existing stock requires to model all buildings, taking into account the available information. Modeling approaches traditionally employ typologies regularly based on observable or known construction characteristics of buildings. But it is difficult to establish correlations between energy performance and these descriptive typologies. The aim of this contribution is to develop a building stock segmentation approach based on machine learning techniques. Different clustering algorithms have been applied to a real database of French homes. Their parameterization and the selection of the number of clusters were studied in order to assess the relevance of this approach. This first application gives encouraging results to segment a building stock according to descriptive but also performance criteria (such as energy consumption, energy savings and investment costs related to refurbishment scenarios).