Stage de recherche machine learning modelisation energetique f/h

Éléments de contexte
La consommation énergétique des bâtiments dépend de nombreux facteurs (climat, scénarios d’occupation, qualité de l’enveloppe, performance des systèmes, etc.). Ainsi, la simple donnée de la consommation annuelle ne permet pas d’évaluer objectivement la performance d’un bâtiment.
Les méthodes de caractérisation de la performance réelle des bâtiments (MPEB) visent à déterminer des indicateurs de performance « intrinsèque » permettant la comparaison entre bâtiments. Parmi eux, le HLC (Heat Loss Coefficient) est un indicateur clé de la performance thermique de l’enveloppe.

Depuis les années 2000, l’intérêt pour ces méthodes s’est fortement accru, notamment pour comprendre l’origine du Performance Gap (EPG). Deux grandes familles de méthodes existent :

* Les méthodes in situ, nécessitant une instrumentation spécifique et un bâtiment inoccupé (ex : méthode SEREINE développée au CSTB) ;
* Les méthodes à distance, exploitant des données accessibles sans intervention sur site (données de consommation, météo, open data, etc.).

Ces dernières, plus faciles à mettre en œuvre, présentent toutefois une finesse d’analyse moindre. Cependant, la disponibilité croissante de données collectables à distance (ex : base BDNB) ouvre de nouvelles perspectives R&D pour leur amélioration, avec des applications variées :

* Evaluation de la performance de bâtiments ou de parcs immobiliers.
* Suivi de rénovations.
* Compréhension du performance gap.
* Recommandations d’actions d’efficacité énergétique.


Objectifs et contenu du stage :

Le stage portera sur une étude théorique et numérique des méthodes d’évaluation de la performance à distance, à partir d’un jeu de données simulées.
L’objectif principal sera d’explorer les apports des données à haute résolution temporelle (horaires) par rapport aux données journalières, notamment pour la détermination du HLC.

Le travail consistera à :

* Analyser le problème de résolution inverse d’un modèle thermique.
* Mettre en œuvre une approche probabiliste (bayésienne).
* Etudier l’identifiabilité des modèles à partir de données horaires
* Quantifier les incertitudes sur les paramètres identifiés.

Le stage débutera en début d'année 2026 pour une durée de 5 à 6 mois.

Perspectives
Ce stage pourra se prolonger par une thèse sur des thématiques connexes, avec une application à des données réelles à grande échelle pour des bâtiments résidentiels et tertiaires (en partenariat avec l'entreprise DEEPKI et l'université Gustave Eiffel).