Optimisation des ressources énergétiques pour la conception des bâtiments à haute efficacité énergétique

Abstract

Le secteur du bâtiment est le premier consommateur d’énergie dans le monde. De ce fait, il est le premier producteur de gaz à effet de serre. Afin de réussir la transition énergétique du secteur, l’efficacité énergétique et le déploiement des énergies renouvelables sont les principaux piliers pour contrer le réchauffement climatique qui menace de plus en plus notre planète. Le sujet de ce travail de thèse s’inscrit dans le processus de résolution de ces problématiques. En effet, l’outil « Sensitivity Analysis and Multiobjective Optimization Tool » (SAMOT) a été développé dans le cadre de travail dans le but de faciliter l’aide à la décision dès les phases amont des projets de construction des bâtiments à haute efficacité énergétique. L’outil est basé sur l’utilisation de l’analyse de sensibilité, pour comprendre et analyser le comportement du bâtiment en hiérarchisant l’impact de ses inputs, l’optimisation multicritère avec ou sans contraintes ainsi que la modélisation polynomiale des fonctions étudiées sur TRNSYS à travers l’utilisation des plans d’expériences et des techniques de la régression polynomiale par Réseau de Neurones Artificiels (ANN). Nous avons analysé l’impact du réchauffement climatique sur la conception de notre bâtiment modèle dans la région de Settat, et il s’avère que selon les scénarios du GIEC, la conception basée aujourd’hui sur les besoins de chauffage sera compromise à partir de 2050 à cause de la prépondérance future des besoins de climatisation. Deux méthodologies ont été utilisées pour optimiser la performance de notre bâtiment modèle : l’optimisation directe sur TRNSYS ainsi que l’utilisation des plans d’expérience et de la métamodélisation. Les deux méthodes présentent des à la fois des avantages (précision de la première, et temps de calcul réduit de la seconde) et des inconvénients (temps de calcul important pour la première, incertitude sur la précision pour la deuxième). Nous avons ainsi proposé, dans le dernier cas d’étude, une nouvelle méthodologie innovante qui conjugue l’utilisation des algorithmes génétiques à la métamodélisation par les Réseaux de Neurones Artificiels. Cette méthode nous a permis de proposer des solutions performantes à un problème d’optimisation à huit critères avec contraintes.