Sujet du stage (résumé)
L’analyse de sensibilité est une étape préalable à la calibration des modèles énergétiques du bâtiment, car elle permet de réduire le nombre de paramètres à calibrer et donc de diminuer considérablement le temps de calcul. Ce stage vise à comparer différentes méthodes d’analyse de sensibilité qui peuvent avoir un impact sur l’identification des paramètres influents du modèle. Cette étude sera réalisée sur le modèle énergétique du Smart Building Nanterre 3.
Projet de stageContexte scientifique
Le secteur du bâtiment compte pour près d’un tiers de la consommation énergétique mondiale et 40% des émissions de CO2. Pour optimiser les performances énergétiques des bâtiments, et donc réduire leur impact environnemental, des systèmes de contrôle d’énergie ont été mis au point. Ces systèmes utilisent des modèles physiques et énergétiques ou Building Energy Models (BEMs) pour prédire la consommation énergétique. Ces modèles doivent être calibrés, c’est-à-dire ajustés numériquement, afin de produire la prédiction la plus juste par rapport aux observations qui sont réalisées. Les méthodes de calibration automatiques, privilégiées dans la littérature, permettent de calibrer ces modèles en utilisant des outils mathématiques et informatiques.
Les BEMs sont composés d’un nombre important de paramètres qui rendent leur calibration très couteuse en temps de calcul. Une étape préalable à la calibration du modèle est l’analyse de sensibilité, qui permet d’identifier les paramètres du modèle les plus influents. La calibration sera ainsi réalisée sur ce sous-ensemble de paramètres et non l’intégralité des paramètres.Sujet de stage
Plusieurs méthodes figurent dans l’état de l’art pour réaliser l’analyse de sensibilité (Tian, 2013). La méthode Sobol (Saltelli et al., 2010), basée sur la variance, fait figure de référence. Elle ne dépend pas du modèle étudié et prend en compte l’effet des interactions entre les paramètres. Elle est cependant plus couteuse en temps de calcul, comparée à d’autres méthodes comme celle de Morris (Campolongo, Cariboni and Saltelli, 2007), qui offre un bon compromis entre temps de calcul et qualité des résultats. Plus récemment, Goffart et al. ont montré que la méthode EASI RDB-FAST (aussi basée sur la variance) était applicable aux simulations des performances du bâtiment (Goffart and Woloszyn, 2021). Cette méthode combine la fiabilité de la méthode Sobol, tout en diminuant le temps de calcul.
L’objectif de ce stage est d’étudier les méthodes Morris et EASI RDB-FAST et de les comparer à la méthode Sobol. Une discussion devra être menée sur l’identification des paramètres influents du modèle. Le stagiaire pourra aussi proposer d’autres méthodes en fonction des conclusions qu’il tirera de sa revue de la littérature.
Dans un second temps, en fonction de l’avancement, le stagiaire pourra travailler sur le développement de la méthode de calibration bayésienne du modèle énergétique du bâtiment, et étudier l’effet combiné des méthodes d’analyse de sensibilité citées précédemment et le nombre de paramètres sélectionnés sur la qualité de la calibration (Chong and Menberg, 2018).
Cette étude sera réalisée sur le modèle énergétique du Smart Building Nanterre 3 (NR3), situé sur le campus CESI de Nanterre. Ce bâtiment est un démonstrateur technologique et une plateforme qui collecte en temps réel les paramètres physiques du bâtiment et contribue activement aux activités de recherche sur la thématique du bâtiment du futur.Références.
Campolongo, F., Cariboni, J. and Saltelli, A. (2007) ‘An effective screening design for sensitivity analysis of large models’, Environmental Modelling & Software, 22(10), pp. 1509–1518. Available at: https://doi.org/10.1016/j.envsoft.2006.10.004.
Chong, A. and Menberg, K. (2018) ‘Guidelines for the Bayesian calibration of building energy models’, Energy and Buildings, 174, pp. 527–547. Available at: https://doi.org/10.1016/j.enbuild.2018.06.028.
Goffart, J. and Woloszyn, M. (2021) ‘EASI RBD-FAST: An efficient method of global sensitivity analysis for present and future challenges in building performance simulation’, Journal of Building Engineering, 43, p. 103129. Available at: https://doi.org/10.1016/j.jobe.2021.103129.
Saltelli, A. et al. (2010) ‘Variance based sensitivity analysis of model output. Design and estimator for the total sensitivity index’, Computer Physics Communications, 181(2), pp. 259–270. Available at: https://doi.org/10.1016/j.cpc.2009.09.018.
Tian, W. (2013) ‘A review of sensitivity analysis methods in building energy analysis’, Renewable and Sustainable Energy Reviews, 20, pp. 411–419. Available at: https://doi.org/10.1016/j.rser.2012.12.014.
