| Popis: |
Dans le contexte actuel de dérèglement climatique et d'épuisement des ressources, la réduction des consommations énergétiques finales du secteur résidentiel/tertiaire représente un enjeu majeur. En France, ce secteur compte pour environ 45% des consommations énergétiques finales. De plus, le parc immobilier est constitué majoritairement de bâtiments anciens et énergivores et son taux de renouvellement annuel est très faible (1% à 2%), raisons pour lesquelles les bâtiments existants représentent un important gisement d'économies d'énergie. Avant d'entreprendre des travaux de rénovation énergétique d'un bâtiment, il est nécessaire d'estimer sa consommation réelle. Ceci requiert une bonne connaissance de ses caractéristiques thermiques. Des méthodes inverses, couplant des modèles physiques et des mesures peuvent être utilisées à cet effet. La présente thèse introduit une méthode inverse d'identification de paramètres de modèles vis-à-vis d'une quantité d'intérêt. Contrairement aux méthodes inverses standards telles que la méthode de régularisation de Tikhonov qui visent à minimiser l'écart entre mesures et résultats de simulation en recalant l'ensemble des paramètres du modèle, l'approche proposée est formulée pour l'amélioration de la prédiction de quantités d'intérêt. Seuls les paramètres auxquels celles-ci sont sensibles sont mis à jour. Pour optimiser le temps de calcul, cette méthode inverse est utilisée en combinaison avec la méthode de réduction de modèles (Proper Generalized Decomposition). La PGD méthode inverse est appliquée à des mesures réelles issues de l'instrumentation de deux bâtiments de l'équipement d'excellence « Sense-City ». Les résultats obtenus montrent que, comme attendu, la méthode proposée n'identifie que les paramètres auxquels les quantités d'intérêt sont le plus sensibles. La méthode d'identification de paramètres vis-à-vis d'une quantité d'intérêt converge plus rapidement comparée à la méthode de Tikhonov. Enfin, cette approche peut être appliquée à des bâtiments réels en situation d'occupation et étendue à l'échelle du quartier. Elle peut également être exploitée pour du positionnement optimal de capteurs. In the current context of climate change and resources depletion, reducting the final energy consumption of the building sector is a major challenge. In France, the sector accounts for about 45% of the final energy consumption. In addition, the building stock consists mainly of old and energy-intensive buildings. Thus the existing buildings represent a major source of energy savings. This work introduces an original inverse strategy for model parameter identification that can be used for onsite building characterization in view of energy performance assessment and as a tool of decision-making during energy retrofitting of existing buildings. Unlike the standard global inverse approaches such as Tikhonov regularization method that aim at identifying all the model parameters in order to best fit the measurement data, the goal-oriented inverse method is formulated for a robust prediction of a quantity of interest. Thus, it only updates the model parameters that most affect the computation of the sought quantity of interest. In order to optimize the computation time, the goal-oriented inverse method is combined with the Proper Generalized Decomposition (PGD) model order reduction method. The proposed identification strategy is applied to two existing buildings which are part of the equipment ?Sense-City? that were instrumented for this purpose. The results show that the goal-oriented inverse method robustly predicts the sought quantities of interest by only updating the model parameters to which they are sensitive and it converges faster than the Tikhonov regularization method. Finally, the proposed inverse strategy can be applied to occupied buildings and extended to the district scale. It can also be used for the optimal location of sensors. |
