En bref

Bâtiments et quartiers : performance énergétique et impact environnemental

Thomas Jusselme
Kompetenzinventar

novembre 2020 - décembre 2021

Poussé par le conseil fédéral et sa stratégie énergétique 2050, les projets d’assainissement de bâtiments vont s’intensifier dans la prochaine décade. Le projet Assainissement 4.0 vise le développement d’un outil d’estimation des performances énergétiques et structurelles d’un parc immobilier basé sur le Machine Learning. L’objectif est d’accélérer et de réduire le coût d’élaboration de plans stratégiques d’intervention à l’échelle d’une ville ou de parcs entiers de bâtiments en exploitant les données numériques disponibles.

Chaque année, plusieurs milliards sont investis dans l’amélioration des performances énergétiques et structurelles du bâti existant, et ce montant devrait augmenter à l’avenir. Lorsqu’un bâtiment doit être assaini, les spécialistes identifient les meilleures stratégies de rénovation, basées sur des études poussées et coûteuses. Les objectifs 2050 fixés par la Confédération pour la performance énergétique du bâti suisse devenant de plus en plus contraignants, des plans stratégiques d’intervention à large échelle doivent être établis sur la base d’une classification des bâtiments selon leur potentiel d’amélioration.

Dans ce cadre, ce projet vise un outil de pré-diagnostic rapide des bâtiments et s’inscrit donc dans la chaîne de valeur des travaux d’assainissement. De nombreux acteurs sont confrontés à la volonté politique d’une rénovation de masse, mais les outils d’aide à la décision à l’échelle d’un parc bâti font actuellement cruellement défaut et permettraient à ces acteurs de gagner en efficacité. Par ailleurs, le projet permettra un retour critique sur les bases de données actuellement disponibles.

L'outil devrait ainsi trouver un intérêt auprès des gestionnaires de bâtiments de type gérances, collectivités ou grands propriétaires et des experts CECB ou ingénieurs architectes souhaitant identifier rapidement les priorités d’assainissement et optimiser les coûts des travaux par économie d’échelle ou retour sur investissement.

Dans le contexte de l'environnement construit, l'intégration de méthodes issues du Machine Learning (ML) implique de nouveaux challenges liés à la collecte de données mais ouvre de nouvelles possibilités. Le projet proposé sera le premier à appliquer les techniques de machine learning à une base de données issue de la réalité de terrain, et non pas avec des données simulées, qui présentent un biais à cause du performance gap.

Nous proposons de développer des outils numériques permettant d’évaluer et prédire à large échelle les performances énergétiques et structurelles des bâtiments. Les solutions digitales visées mixent systèmes experts et intelligence artificielle (IA) afin d’accélérer l’élaboration des plans d’assainissement tout en assurant la maîtrise de leurs coûts. Nous avons 3 objectifs spécifiques :

  1. agrégation de données numériques disponibles dans un référentiel commun,
  2. solutions prédictives pour un bâtiment basées sur systèmes experts et IA,
  3. application à des parcs de bâtiments avec ranking de priorités.

Ce projet sera également unique grâce à son caractère interdisciplinaire qui permettra de coupler un diagnostic énergie et structure, deux visions souvent séparées, mais pourtant complémentaires, surtout dans un contexte de densification / surélévation. En termes d’applications, il permettra ainsi de proposer une nouvelle approche rendant accessible le diagnostic de masse à l’échelle du territoire ou d’un parc de bâtiment. Le projet innovera également à travers l’utilisation de techniques mixtes basées sur systèmes experts (diagnostics structurels) et machine learning (diagnostiques énergétiques).

 

 

 

Indem Sie die Website weiterhin nutzen, stimmen Sie der Verwendung von Cookies zu, um die Nutzererfahrung zu verbessern und Besucherstatistiken zur Verfügung zu stellen. Rechtliche Hinweise lesen