Sujet de projet de Master ou stage de fin d’études

Contexte du stage :

La rénovation énergétique des bâtiments est un des aspects les plus importants de la transition énergétique. Des approches numériques d’aide à la décision pour la rénovation énergétique ont été développées  par le laboratoire LaSIE [1-3]. Ces connaissances ont permis d’aboutir à une solution commerciale nommée « RENOIR » et éprouvées sur une dizaine de projets de rénovation de bâtiments de logements collectifs au sein de l’entreprise TIPEE. Le stage a pour objectif d’améliorer cet outil et la méthodologie sur laquelle il repose.

^[1] https://www.plateforme-tipee.com/projet/renoir/

Contexte scientifique et technique :

La performance d’une stratégie de rénovation est multicritères. En pratique, un projet de rénovation s’évalue  sur la consommation énergétique, sur le coût d’investissement ou le coût global, sur le confort thermique, sur l’analyse de cycle de vie. De façon moins facilement quantifiable, les actions de rénovation s’évaluent également sur la facilité de mise en œuvre ou encore sur la facilité de maintenance des nouvelles installation.

L’analyse de la meilleure stratégie est compliquée par les incertitudes qui pèsent sur le contexte économique de la rénovation (coûts de main d’œuvre et de matières), sur le contexte climatique (localisation, réchauffement climatique, fichiers météorologiques normés versus météo réelle), sur les performances effectives des composants (matériaux, systèmes de régulation thermique), ainsi que sur l’occupation (modification d’usage d’un ou plusieurs locaux, variation du niveau d’occupation dans le temps).

Pourtant, les exigences sur l’atteinte effective des niveaux de performance définies au stade projet s’accroissent : coûts élevés des énergies, contrats de garantie de performance énergétique, « décret tertiaire », exigence forte en terme de confort, etc. demandent ainsi une grande fiabilité des résultats des recherches de stratégies optimales.

Ce stage a donc pour ambition non seulement de trouver des solutions optimales pour une rénovation énergétique, mais également de s’assurer qu’elles sont stables. Ainsi, l’étude des stratégies de rénovation énergétique est un excellent exemple de problème d’optimisation multicritères sous incertitudes [4].

Sujet :

Il s’agit de proposer une formulation de l’optimisation multicritères sous incertitudes puis de développer un algorithme de résolution du problème tout en appliquant ces développements à des cas simples de rénovation énergétique.

Un premier temps du stage sera consacré à la prise en main des outils de modélisation énergétique.

Deuxièmement le stagiaire devra se consacrer à la définition des jeux de paramètres à considérer :

• Choix des différents contextes climatiques et construction des fichiers météorologiques associés ;
• Choix et construction des différents scénarios d’occupation ;
• Définition des différents contextes économiques : prix des énergies, coût de main d’œuvre et des produits, inflation, etc .

Troisièmement, il faudra définir les différentes actions de rénovation potentielles, puis développer les éléments de code nécessaire à la manipulation automatisée des fichiers d’entrées d’Energy+ sera possible selon l’avancée du projet lors du lancement du stage.

Ces trois premières tâches seront réalisées – ou au moins amorcées – au sein de la plateforme TIPEE basée à La Rochelle, pour une durée d’une à deux semaines.

Quatrièmement, le cœur du stage se consacrera à la formalisation mathématique du problème pour l’optimisation sous incertitude. En termes de formulation, on cherchera à estimer puis à maximiser la probabilité qu’une solution soit Pareto-optimale vis-à-vis des incertitudes de la rénovation.

L’algorithme d’optimisation multicritères sera pris dans l’existant (MO-CMA-ES [5] ou NSGA-2 [6]) et les simulations des critères de performance seront basées sur EnergyPlus [7] pour la performance énergétique du bâtiment.

Selon les résultats, le stage devra aboutir à des conclusions pratiques concernant :

• Le choix de l’algorithme d’optimisation adapté ;
• La méthode de sélection d’une stratégie de rénovation parmi les solutions Pareto-optimales ;
• Quantifier la stabilité de ces solutions, et faire le lien avec les actions de rénovation à prescrire ou bannir selon les contextes.

Finalement, et en fonction des conclusions précédentes, les méthodes et outils d’optimisation sous incertitudes développés seront intégrés dans l’outil RENOIR, et testés sur un cas d’étude déjà disponible.

Profil recherché :

La personne recherchée sera inscrite en Master ou en fin d’école d’ingénieur avec des bonnes compétences en mathématiques appliquées, probabilités, optimisation et programmation (python) et un goût prononcé pour la simulation thermique des bâtiments. Elle pourra avoir suivi un cursus en mathématiques ou informatique ou mécanique ou sciences physiques.

Informations pratiques :

• Dates : début du stage entre janvier et mai 2023.
• Lieux : la recherche sera réalisée aux Mines de St-Etienne ou au LIMOS Clermont-Ferrand. Un séjour d’une à deux semaines chez TIPEE à La Rochelle est prévu (et financé).
• Gratification : 800 euros/mois.

Envoi CV et Lettre de motivation aux coordonnées suivantes :

• Kevin Taurines : taurines@plateforme-tipee.com
• Rodolphe Le Riche : leriche@emse.fr

Bibliographie :

1. Serge Chardon, Boris Brangeon, Emmanuel Bozonnet, Christian Inard, Robert Montecot. A multi objective design tool for the french detached house market: cost and energy performance optimization. BS 2015 – 14th International Building Simulation Conference, 2015, Hyderabad, India.
2. Serge Chardon, Boris Brangeon, Emmanuel Bozonnet, Christian Inard. Construction cost and energy performance of single family houses: From integrated design to automated optimization. Automation in Construction, Elsevier, 2016, 70, pp.1-13.
3. Boris Brangeon, Emmanuel Bozonnet, Christian Inard. Integrated refurbishment of collective housing and optimization process with real products databases. Building Simulation & Optimization 2016, 2016, Newcastle, United Kingdom. pp.531-538.
4. Ide, Jonas, and Anita Schöbel. « Robustness for uncertain multi-objective optimization: a survey and analysis of different concepts. » OR spectrum 38.1 (2016): 235-271.
5. Igel, Christian, Nikolaus Hansen, and Stefan Roth. « Covariance matrix adaptation for multi-objective optimization. » Evolutionary computation 15.1 (2007): 1-28.
6. Deb, Kalyanmoy, et al. « A fast and elitist multiobjective genetic algorithm: NSGA-II. » IEEE transactions on evolutionary computation 6.2 (2002): 182-197.
7. EnergyPlus, software site : https://energyplus.net/