Evaluation de la performance énergétique du parc bâti à fine échelle dans une optique de massification des travaux et d'atteinte des objectifs nationaux

Assessing the energy performance of the building stock at a fine scale so as to scale up renovation works and reach national targets

• Auteur / Autrice : Marc Grossouvre
• Direction : Didier Rulliere
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Génie de l'environnement
• Date : Soutenance le 08/10/2024
• Etablissement(s) : Saint-Etienne, EMSE
• Ecole(s) doctorale(s) : École doctorale Sciences Ingénierie Santé (Saint-Etienne)
• Partenaire(s) de recherche : Laboratoire : Institut Henri Fayol / FAYOL-ENSMSE
• Jury : Président / Présidente : Natacha Gondran
• Jury : Examinateurs / Examinatrices : Didier Rulliere, Natacha Gondran, Elena Di Bernardino, Robin Girard, Gaël Poëtte, Simon Rouchier, Jonathan Villot
• Jury : Rapporteurs / Rapporteuses : Elena Di Bernardino, Robin Girard

Mots clés

Mots clés contrôlés

Durée de vie (ingénierie)

Minerais -- Échantillonnage et estimation

Constructions

Économies d'énergie

Mots clés libres

Efficacité énergétique

Bâtiments

Data fusion

Krigeage

Classification floue

Durabilité

Energy efficiency

Buildings

Data fusion

Kriging

Fuzzy classification

Sustainability

Résumé

Cette thèse développe un modèle prédictif explicable pour estimer l'efficacité énergétique de chaque bâtiment en utilisant les DPE (Diagnostic de Performance Énergétique) observés et géolocalisés. Le processus de fusion des données sur les logements dans une base de données unique est décrit. Un modèle régressif de prédiction qui prend en compte l'incertitude des emplacements des bâtiments est proposé. Ce modèle, Mixture Kriging, met en œuvre un Krigeage de distributions de mélange. Le modèle est bon localement mais d'une trop grande complexité pour passer à l'échelle du pays. Une approche de classification contrainte est ensuitE�� proposée. Le modèle Joint Kriging réalise une classification floue sous la prescription de la moyenne de toutes les prédictions.Ce modèle fournit efficacement des prédictions précises à grande échelle. Enfin, est réalisée une comparaison de Joint Kriging, FKNN (Fuzzy k-Nearest Neighbours) et Random Forest. Et les résultats sont prometteurs. On montre que prédire l'efficacité énergétique des bâtiments est possible par la géostatistique. Les DPE peuvent être considérés comme des données géolocalisées. Ce travail propose des modèles explicables et adaptés à une mise en œuvre dans le logiciel ONB (Observatoire National des Bâtiments) d'U.R.B.S. Les modèles prédictifs aident à identifier les passoires énergétiques sans inspections physiques. Cette thèse contribue à la fois aux sciences environnementales et aux mathématiques appliquées. Les modèles développés sont destinés à aider les décideurs à prendre des décisions éclairées pour atteindre les objectifs d'efficacité énergétique et de durabilité.

This thesis develops an explainable predictive model to assess the energy efficiency of each building using observed and geolocated EPCs (Energy Performance Certificates). The process of merging data informing about dwellings into a single database is described. A regression-based prediction model that accounts for the uncertainty of building locations is proposed. This model, Mixture Kriging, implements Kriging of mixture distributions. The model performs well locally but is too complex to scale to a national level. A constrained classification approach is then proposed. The Joint Kriging model performs fuzzy classification under the prescription of the average of all predictions. This model effectively provides accurate large-scale predictions. Finally, a comparison of Joint Kriging, FKNN (Fuzzy k-Nearest Neighbours), and Random Forest is conducted, and the results are promising. lt is shown that predicting the energy efficiency of buildings is possible through geostatistics. DPEs can be considered as geolocated data. This work proposes explainable models that are suitable for implementation in the ONB (Observatoire National des Bâtiments - National Buildings Observatory) software by U.R.B.S. The predictive models help identify energy inefficiency without physical inspections. This thesis contributes to both environmental sciences and applied mathematics. The developed models aim to assist decision-makers in making informed choices to achieve energy efficiency and sustainability goals.