Stratégies et Technologies Innovantes de Gestion des Bâtiments (StigBât)

Innovative Strategies and Technologies for Building Management (StigBât)

• Auteur / Autrice : Inès Aridhi
• Direction : Stephane Gibout
• Type : Projet de thèse
• Discipline(s) : Énergétique
• Date : Inscription en doctorat le 15/10/2025
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : Sciences Exactes et leurs Applications
• Partenaire(s) de recherche : Laboratoire : Laboratoire de thermique energétique et procédés

Mots clés

Mots clés libres

Gestion énergétique des bâtiments

Apprentissage automatique

Performance énergétique

Bâtiment intelligent

Développement durable

Rénovation énergétique

Building Energy Management

Machine Learning

Energy Performance

Smart Building

Sustainable Development

Energy Renovation

Résumé

Le secteur du bâtiment représente en France près de 45 % de la consommation finale d'énergie et 20 % des émissions de gaz à effet de serre. Face à ces enjeux, il est nécessaire de repenser les stratégies de gestion énergétique afin de concilier performance, intégration des énergies renouvelables et confort des usagers. Les solutions actuelles, centrées sur l'amélioration des enveloppes ou des systèmes, restent coûteuses et parfois difficiles à déployer. La transition énergétique appelle donc à des approches innovantes, flexibles et adaptées à la diversité des bâtiments existants. Ce projet de thèse, intitulé Stratégies et Technologies Innovantes de Gestion des Bâtiments (StigBât), s'inscrit dans cette dynamique. L'objectif principal est de concevoir, déployer et évaluer un ensemble d'outils d'aide au diagnostic et au pilotage des bâtiments, intégrant des techniques d'apprentissage machine et des modèles énergétiques. L'originalité réside dans le développement d'une méthodologie globale, permettant d'adapter la solution aux caractéristiques de chaque site (métrologie existante, contraintes de pilotage, finalités spécifiques), tout en assurant une prise en compte du ressenti des utilisateurs. La méthodologie suivie combinera une revue de littérature approfondie sur les systèmes de gestion énergétique des bâtiments (BEMS), la modélisation du comportement énergétique du bâtiment et de ses sous-systèmes (sources renouvelables, stockage, convertisseurs), ainsi que l'implémentation de techniques d'apprentissage machine pour l'optimisation et le diagnostic. Des briques logicielles seront développées en Python et intégrées aux plateformes logicielles déjà en cours d'élaboration dans les laboratoires partenaires. Le projet sera mené au sein du laboratoire LaTEP (Thermique, Énergétique et Procédés) de l'Université de Pau et des Pays de l'Adour, en collaboration étroite avec le laboratoire SIAME et les services centraux de l'Université. Le dispositif sera testé et validé sur plusieurs sites pilotes internes à l'Université, puis étendu à des bâtiments externes, afin d'évaluer sa pertinence dans des contextes variés. Une attention particulière sera portée à l'appropriation de la solution par les usagers et à la valorisation des résultats à travers des publications scientifiques. Cette thèse vise ainsi à apporter une contribution scientifique et technologique à la transition énergétique du secteur du bâtiment. En associant modélisation, intelligence artificielle et retours d'expérience concrets, elle ambitionne de proposer une solution innovante, reproductible et facilement déployable, permettant d'améliorer la performance énergétique réelle des bâtiments tout en intégrant la dimension humaine.

The building sector in France accounts for nearly 45% of final energy consumption and 20% of greenhouse gas emissions. In this context, there is a strong need to rethink energy management strategies to combine performance, integration of renewable energy, and user comfort. Current solutions, focused on improving building envelopes or systems, remain costly and sometimes difficult to implement. The energy transition therefore calls for innovative, flexible approaches adapted to the diversity of existing buildings. This PhD project, titled Innovative Strategies and Technologies for Building Management (StigBât), aims to design, deploy, and evaluate a set of tools for building diagnostics and control, integrating machine learning techniques and energy modeling. The originality lies in developing a global methodology that adapts the solution to each site's characteristics (existing metrology, control constraints, specific objectives), while considering user experience. The methodology combines an in-depth literature review on Building Energy Management Systems (BEMS), modeling of the building's energy behavior and its subsystems (renewable sources, storage, converters), and the implementation of machine learning techniques for optimization and diagnostics. Software modules will be developed in Python and integrated into platforms currently under development in the partner laboratories. The project will be conducted at the LaTEP laboratory (Thermal, Energy, and Process Laboratory) at the University of Pau and the Adour Countries, in close collaboration with the SIAME laboratory and the University's central services. The system will be tested on several internal pilot sites and then extended to external buildings to assess its relevance in different contexts. Special attention will be given to user adoption and the dissemination of results through scientific publications. This PhD aims to contribute scientifically and technologically to the energy transition in the building sector. By combining modeling, artificial intelligence, and practical feedback, it seeks to provide an innovative, reproducible, and easily deployable solution to improve the actual energy performance of buildings while integrating the human dimension.