Conception durable de structures légères au moyen d'apprentissage automatisé.

Environmental design of lightweight structures using machine learning.

• Auteur / Autrice : Sandie Kate Fenton
• Direction : Gabriele Pierluisi, Lars De Laet, Samuel Rufat
• Type : Projet de thèse
• Discipline(s) : Architecture
• Date : Inscription en doctorat le 15/10/2020
• Etablissement(s) : CY Cergy Paris Université en cotutelle avec Vrije Universiteit Brussel
• Ecole(s) doctorale(s) : Arts, Humanité, Sciences Sociales
• Partenaire(s) de recherche : Laboratoire : Laboratoire de recherche de l'Ecole nationale supérieure d'architecture de Versailles

Mots clés

Mots clés libres

Structures légères

Analyse cycle de vie

Machine Learning

Life cycle Analysis

Lightweight structures

Machine Learning

Résumé

L'impact du secteur de la construction sur le changement climatique doit être réduit de toute urgence. En France, en janvier 2021, la réglementation environnementale RE2020 va renforcer les contraintes constructives et imposer des mesures durables. Dans ce contexte, le développement de structures légères, dont la forme résulte d'une optimisation de géométrie et de matériaux, est très prometteur. Cependant, la complexité des technologies requises tant pour leur conception que leur fabrication, complique l'évaluation de leur impact. Afin de permettre aux architectes et ingénieurs de concevoir de telles structures de façon durable, il est essentiel qu'ils aient une compréhension approfondie des paramètres environnementaux et qu'ils maitrisent les outils d'évaluation. L'influence des paramètres environnementaux est mise en évidence à l'aide de méthodes analytiques telles que l'Analyse du Cycle de Vie (ACV), développée en 1990 par l'Agence de Protection de l'Environnement (EPA), qui permet d'estimer l'impact environnemental d'un élément sur l'ensemble de sa vie. Aujourd'hui la réalisation des ACV est facilitée par la numérisation du secteur et la généralisation du Bâti Immobilier Modélisé (BIM), mais entravée par la complexité des données récoltées. Par conséquent, les ACV portent sur des structures ordinaires avec des données homogènes, et s'effectuent rarement sur des structures non conventionnelles, telles les structures légères. Les outils actuels d'évaluation environnementale utilisent les méthodes d'ACV pour effectuer leurs simulations. Bien qu'elles soient approuvées pour leur rigueur et leur cohérence analytique, ces simulations sont encore trop longues. De ce fait, elles sont effectuées à des stades tardifs de la conception, lorsque les données sont fixées, et peu de changements effectifs peuvent être apportés. En outre, elles sont exécutées par des bureaux d'étude environnementaux, ce qui réduit la mainmise et la visibilité des architectes et ingénieurs sur leurs projets. Des outils d'évaluation environnementale pourraient recourir à des algorithmes d'Apprentissage Automatique (AA) pour leurs simulations. L'AA est une méthodologie statistique qui apprend des tendances dans les bases de données, et prédit des résultats sans les calculer. Bien entrainés, les algorithmes rapides d'AA traitent des bases de données larges, hétérogènes et incomplètes, et fournissent des résultats en temps réel. Le potentiel combiné des méthodes d'AA et d'ACV est étudié dans cette recherche, afin de développer une méthodologie prédisant en temps réel l'impact environnemental des structures légères. Le plan d'étude envisagé est divisé en quatre étapes. Premièrement, il consiste à assembler une base de données caractéristique des structures légères. Deuxièmement, il consiste à évaluer l'ACV des structures et à compiler les résultats. Troisièmement, il consiste à entrainer des algorithmes d'AA sur ces résultats, et les utiliser pour prédire l'ACV des structures légères à partir de données éparses. Quatrièmement, il consiste à développer des algorithmes d'optimisation pour générer des concepts de structures légères durables.

The impact of the building sector on climate change and on our environment must be reduced urgently. In France, as of January 2021, the environmental regulation RE2020 will intensify building constrains and impose increasingly sustainable designs. The development of lightweight structures, with a shape resulting from geometrical and material optimization, is highly promising in this context. However, the complexity of the technologies involved for their design and fabrication makes their direct impact hard to evaluate. To enable architects and engineers to achieve an environmentally-informed design, both a comprehensive understanding of influential factors and a mastering of assessment tools are essential. Influential environmental factors can be identified with analytical methods, associating quantitative data to qualitative expert opinion. Life Cycle Analysis (LCA), developed and formalized by the Environmental Protection Agency (EPA) in the 1990s, is a widely recognized methodology to estimate the environmental impact of an item over its entire life. In the building industry, although the application of LCA is facilitated by the digitalization of the sector and the generalisation of Building Information Modelling (BIM), it is still hindered by the complexity of the building data. As a result, LCA is merely performed on regular building structures, with homogeneous datastructures, and rarely addressed to unconventional buildings, such as lightweight structures. Environmental assessment tools use analytical LCA methods to run simulations. In the building industry, although approved for their thoroughness and analytic consistency, the simulations are still highly time-intensive. As a result, they are run at late stages of the design, when data is fixed, and little effective changes can be made. Moreover, simulations are usually run by environmental offices, thus reducing the control and visibility of architects and engineers on their projects. Environmental assessment tools using Machine Learning (ML) algorithms could be a solution to this challenge. ML is a statistical learning methodology used to identify trends in datasets, and later predict results rather than compute them. Trained on sufficient information, they can handle heterogeneous and incomplete data structures, as well as generate results much faster and provide real-time feedback. This research investigate the potential of combining Machine Learning and Life Cycle Analysis to develop a methodology for real-time predictions of the environmental impact of lightweight-structures. The envisioned research plan is split into four steps. First, it consists in building a database characteristic of lightweight structures. Second, it consists in evaluating the LCA of the structures and compiling the results. Third, it consists in training ML algorithms on these results, and later using them to predict the LCA of lightweight structures from sparse data. Fourth, it consists in automatically generating optimized designs for sustainable lightweight structures.