Plus de 40 % de toute la consommation d'énergie et des émissions de gaz à effet de serre aux États-Unis sont associées au secteur du bâtiment. Une étude menée par des chercheurs de Florida Tech cherche à savoir si l'apprentissage automatique peut aider à réduire cet impact environnemental.

La recherche a été présentée dans un article publié dans l'édition de janvier de la revue Énergies intitulé "Une nouvelle approche pour optimiser les modèles énergétiques des bâtiments à l'aide d'algorithmes d'apprentissage automatique". Rédigée par Hamidreza Najafi, professeur agrégé de mécanique et d'ingénierie, et Benjamin Kubwimana, diplômé d'une maîtrise en génie mécanique, tous deux de Florida Tech, l'étude utilise une nouvelle approche pour la modélisation énergétique des bâtiments (BEM) et l'optimisation des modèles énergétiques des bâtiments.

La pratique actuelle des outils logiciels de simulation énergétique des bâtiments nécessite de nombreuses entrées manuelles de grandes listes d'entrées détaillées - variables de conception et opérationnelles, y compris les caractéristiques du bâtiment telles que les murs, l'enveloppe du bâtiment et les matériaux des fenêtres, ou les paramètres opérationnels, tels que les températures de consigne pour différentes zones thermiques.

"En ce qui concerne l'optimisation des BEM, c'est assez difficile en raison du grand nombre de variables impliquées dans les BEM et de la possibilité de développer des BEM avec des milliers, voire des millions, de combinaisons différentes de ces variables", a déclaré Najafi. "Pour parvenir à une conception vraiment optimale d'un bâtiment, il faut évaluer tous ces paramètres de conception/fonctionnement possibles, ce qui est très coûteux en calculs et souvent impossible."

Le travail de Najafi et Kubwimana consiste à développer un script logiciel en langage Python qui permet la saisie automatisée des données dans un outil de simulation énergétique des bâtiments basé sur la physique appelé EnergyPlus. En utilisant une série de variables comme entrées via ce script Python, une grande variation de plusieurs paramètres est couverte, ce qui entraîne la création de grands ensembles de données qui peuvent être utilisés pour développer un modèle de simulation énergétique de substitution.

Un modèle piloté par les données utilisant des algorithmes d'apprentissage automatique, en particulier des réseaux de neurones artificiels, est ensuite formé à l'aide de ces ensembles de données. Deux approches d'optimisation, l'algorithme génétique et l'optimisation bayésienne, sont appliquées sur le modèle de substitution pour obtenir la conception optimale du bâtiment. L'approche peut être facilement ajustée pour tenir compte de différents paramètres de conception ou de fonctionnement.

"Ce processus peut être automatisé, de sorte que les données des capteurs dans le bâtiment peuvent être fournies dans des modèles informatiques pour faciliter l'adaptation continue du jumeau numérique à l'état de fonctionnement actuel du bâtiment", a déclaré Najafi. "Cela pourrait aider le propriétaire du bâtiment à prévoir la quantité d'énergie qu'il va consommer en fonction des changements qui peuvent survenir dans les paramètres opérationnels. Cela permet une bonne planification de la budgétisation du coût de l'énergie et de la prévision de la consommation d'énergie et de la production d'énergie, ainsi que en tant que réduction de CO₂ production associée aux économies d'énergie.

Cette étude faisait partie d'un effort plus large visant à améliorer les BEM et à étendre leurs applications. Les BEM améliorés peuvent être utilisés comme jumeaux numériques des bâtiments et apporter de la valeur aux propriétaires et aux développeurs, non seulement avant la construction, mais également pendant la durée de vie du bâtiment. Cette étude a été publié dans le ASME Journal of Engineering for Sustainable Buildings and Cities en décembre 2022.

"Dans cette étude avec l'une de mes étudiantes au doctorat, Mariana Migliori, nous avons exploré l'impact du COVID-19 sur la performance énergétique des bâtiments et comment adapter les BEM pour rester précis en cas de changement des conditions de fonctionnement", dit Najafi. "Nous avons réalisé une étude de cas basée sur les données que nous avons collectées auprès du Folliard Alumni Center de Florida Tech ainsi que sur les modèles basés sur la physique que nous avons précédemment développés pour le bâtiment et avons pu développer un modèle basé sur les données qui pourrait s'adapter au nouveau conditions de fonctionnement compte tenu de la situation COVID-19 avec des heures de fonctionnement prolongées pour les systèmes de CVC et des changements dans le calendrier d'occupation."