Vous êtes sur la page 1sur 80

Garantie de Performance Enérgétique

Notion d’incertitude dans l’évaluation des


performances du bâtiment
Analyse de sensibilité, Analyse d’incertitude: 1er jour
AMAPOLA (Suite Comfie-Pleiade) : 2ième jour

1
Jeanne Goffart
Ingenieure Chercheure à l’Université Savoie Mont Blanc

Docteure de l’Université de Grenoble en Génie Civil et Sciences de l’Habitat

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


2 Intervenante

Site de l’INES

 Jeanne Goffart : jeanne.goffart@univ-smb.fr


Ingénieure chercheure au LOCIE - CNRS, INES, Bourget du Lac (Savoie)
https://www.researchgate.net/profile/Jeanne_Goffart
 Thèse soutenue en 2013 sur l’influence de la variabilité naturelle de la météo sur
la garantie de performance énergétique (Goffart 2013)
 Spécialités : analyse d’incertitude, de sensibilité, séries temporelles, corrélations
 Post-Doctorat à l’Université de la Réunion : Fiabilité des modèles de STD
(incertitude, robustesse)
 Post-Doctorat à l’Université du Paraná (Brésil): Fiabilité des modèles d’humidité
dans les parois
 Thèmes actuels : mesure in situ de maison BEPOS, retour d’expérience, écart
simulation/mesure, Garantie de Performance, indicateurs de résilience en été

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Objectifs du module de cours
3
Objectif final : Comprendre les enjeux et intérêt d’un outil de Garantie de
Performance Energétique (GPE) en Simulation Thermique Dynamique dans le
contexte du bâtiment en France
→ Notions d’incertitude, de sensibilité, de fiabilité des modèles de la simulation
thermique dynamique, de garantie de performance

Déroulement:
Lundi (3h) : ensemble des notions et contexte, échanges
→ Qu’est ce que l’incertitude en STD ? Sources, conséquences ?
→ Quels outils, méthodes pour la GPE en France ?
Mardi (3h) : Illustration de l’ensemble des notions et initiation à la GPE en STD avec
l’Outil AMAPOLA de la suite Comfie-Pléiade.
→ Estimer un intervalle de confiance sur la performance du bâtiment en
phase conception
→ Identifier les variables d’entrées les plus influentes
→ Optimisation (si le temps)
→ Compréhension et interprétation des résultats
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Abréviations du cours
4

 STD: Simulation thermique dynamique


 SED: Simulation énergétique dynamique
 AS: Analyse de sensibilité
 AI: Analyse d’incertitude
 GRE: Garantie de Résultats Energétiques
 GPE: Garantie de Performance Energétique

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


5
Outil pour la GPE : Amapola

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Amapola : Outil PLEIADE
6

 Récemment implémenté (2016-2017)


 Apporte la dimension statistique
 4 grandes fonctionnalités (cf. site IZUBA)
o Génération des occupants, des équipements
et des différents scénarios d'usage du
bâtiment en fonction du comportement de
chaque occupant
o Analyse de la sensibilité sur les caractéristiques
du bâti et des équipements
o Analyse d'incertitude en vue de garantir la
performance énergétique du bâtiment
o Optimisation pour déterminer les meilleurs
choix de conception pour atteindre une cible
de performance en fonction de contraintes
économiques, environnementales,
réglementaires ou énergétiques.

http://www.izuba.fr/
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
D’où vient Amapola ?
7

 Société kocliko : Docteurs des Mines ParisTech 2014


 Fabio Munaretto: Analyse de sensibilité et d’incertitude
 Thèse « Étude de l'influence de l'inertie thermique sur les performances
énergétiques des bâtiments » (Munaretto 2014)
 Eric Vorger: Modèle d’occupation stochastique des occupants
 Thèse « Étude de l'influence du comportement des habitants sur la
performance énergétique du bâtiment » (Vorger 2014)
 Méthodologie et Outil Mathématique disponibles
 Modélisation des occupants
 Analyse d'incertitude
 Analyse de sensibilité
 Optimisation en simulation et calcul réglementaire

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Incertitudes dans l’évaluation des
8
performances d’un bâtiment
Contexte et enjeux

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


9
Déterministe versus stochastique

• L’analyse d’incertitude et de sensibilité → Méthodes statistiques ,


i.e. prise en compte des aspects stochastiques, aléatoires

• Explore le modèle de simulation pour différentes valeurs des


paramètres d’entrées

• → Amène l’approche statistique aux modèles déterministes

• Un résultat déterministe
→N évaluations avec les mêmes valeurs d’entrées du modèle
donne la même valeur de sortie du modèle

→ Simulation thermique dynamique (STD)


→ aussi appelée Simulation Energétique Dynamique (SED)
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Simulation Thermique Dynamique (STD)
10 • Simulation annuelle au pas de temps horaire
 Modelisation des phenomènes
physiques
 Transfert d'énergie dans une zone thermique
 ventilation, infiltration, rayonnement,
éclairement, transfert de chaleur, humidité,
etc.
 Production de l’énergie
 Charge interne : occupant, équipement, éclairage,
système énergétique, etc.

• Indicateur de performance
– Besoin énergétique (Bilan énergétique de l’enveloppe)
– Consommation(équipement et scénario d’utilisation, occupant )
– Confort : thermique, visuel, qualité de l’air, etc.
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Outil de simulation complexe, peu transparent
11
• 40 ans de développement en recherche
• Logiciels finalisés disponibles
• Base de données conséquente de modèles physiques validés

• Implémentation de modèles de
différentes communauté dans un
cœur de calcul (boite noire ) →
Modèle complexe, non-linéaire, multi-
physique et multi-échelle
→ Haute dimension (nombreuses entrées)

11
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019 EnergyPlus documentation
Une modélisation au plus proche de la réalité…
12
MAIS implique de nombreuses entrées à renseigner
Problématique de complexifier les modèles pour gagner en exactitude et
donc d’augmenter l’imprécision
→ Plus proche de la réalité (diminue le biais)
mais demande plus d’informations
→ Si les entrées sont incertaines, cela peut s’impacter sur l’incertitude
de sortie : perte de précision
→ Augmente le risque d’erreur dans la saisie : méconnaissance,etc

Exemple de l’étude(Guyon,1997)
→ Sur un logiciel donné : la représentation des ponts thermiques gagne en
exactitude (5%) donc diminution du biais mais sur l’ensemble des candidats
qui modèlise : 40% de dispersion
→ Impact important de la saisie, valeur de l’entrée sur le résultat :
abandon de la mise à jour
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Incertitudes en STD/SED
13 Evaluation de l’évolution dynamique d’un système (bâtiment, etc. )
(Déterministe)
Incertitude présente à chaque étape du processus de simulation
→ Inhérente aux phénomènes physiques
→ Identification et quantification

UTILISATEUR LOGICIEL

Entrées Modèles Sorties


Description bâtiment, Cœur de calcul Indicateur de
environnement, performance
sollicitations

Méconnaissance des
entrées, caractéristique Représentation de Interprétation,
intrinsèque de la la réalité dépendance modèles
grandeur physique et entrées
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Réalité versus Simulation Modélisation, simulation
14
 Entrées
Cas réel
 Géométrie

Rénovation

Conception

Entrées statiques
~200  Propriétés
thermophysiques
 Mur
 Fenêtre
 …
 Autre
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019

14
Réalité versus Simulation Modélisation, simulation
15
 Entrées
Cas réel
 Géométrie

Rénovation

Météo
Conception

Entrées
Entrées statiques
~200 + dynamiques
sollicitations
 Propriétés Occupation
thermophysiques
Indicateur de
Mur performance
EnergyPlus  Fenêtre
– Besoin de chauffage
Trnsys SED/STD  …
– Les consommations (différents usages)
Comfie  Autre
– Confort thermique
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
– Etc. Intervalle de Confiance
15
Exemple AMAPOLA : intervalle de
16
confiance
Moyenne
 Moyenne
Niveau de
 Indicateur de dispersion confiance
(variabilité) : Ecart type Exemple 90 %
(racine carrée de la
variance)
 Engagement sur la
performance énergétique
du bâtiment simulé
→ niveau de confiance

 ANALYSE DE RISQUE

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Analogie de la cible pour illustrer les notions
17
d’exactitude et de précision
La loi gaussienne associée à chaque
configuration

Valeur
vraie, de
référence
Calibration

fréquence
(mesure)
La cible Cas réel
(simulation)

Exactitude et Précision
Justesse et répétabilité Valeur(mesures, entrées)
18 Exact (juste) et précis (répétable)

occurency
Value (measurement, input)
19 Exact (juste) et peu précis ( mauvaise
répétabilité)

Erreur

occurency
Erreur

Value (measurement, input)


20 Précis, répétable mais pas exact (pas juste)

Biais
Biais

occurency
Value (measurement, input)
21 Pas précis (pas répétable) et pas exact
(pas juste)

occurency
Value (measurement, input)
Attentes : un résultat exact et précis (juste et répétable)
22

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Etude de cas: incertitude sur une hypothèse de
23
simulation
Bio-climatic insulated building in France
→ improve free energy gain

• Increase solar gain in winter and


reduce energy loss
→Huge window at south facade vs
tiny window in north

• Decrease solar gain in summer :


reduce internal temperature
→Overhang : balcony at the south
façade

Impact of an assumption, an
approximation of the solar part ?
Goffart 2013 (in french)
24 The albedo
The ratio between the incident solar part and the reflected part (value between 0
and 1)

The value commonly used : concrete ground : 0.2


Close Environment of the real buidling : white concrete : 0.4
In situ measure 0.2 0.4
Variability during the day: temporal dependence
Short campaign measure (2 weeks in april) :
order of magnitude

Impact of the underestimation of the albedo during the summer ?


impact of the albedo on summer
25
discomfort
Evaluation of the indoor air temperature
during july and august

Output: number of hour Tin > 27 °C


Equivalent of the day of discomfort

Albedo 0.2 Albedo 0.4


40 days 99 days

Significant impact in a particular case :


Involve different kind of uncertainty :
• Variability of the input
• Constant value assumption : the model Goffart et al. 2011
• Difference between the design stage and the real building (change of the
close environment ground)
Different kind and level of
uncertainty
A need of methodology to identify how important are the individual inputs for the prediction
And to acquire more knowledge on the most important input → improve prediction accuracy
26 Besoin de transparence
 Quel est le poids des incertitudes des différents paramètres d’entrée
sur la simulation des sorties ?
 Quels paramètres devrais-je estimer avec plus de précision pour
réduire les incertitudes de la sortie simulée?
 Quels sont les paramètres que je peux fixer sans conséquences ?
 On souhaite quantifier
l’incertitude de sortie due aux
incertitudes des entrées
→ c’est l’analyse d’incertitude
 On souhaite étudier l’effet
respectif des entrées d’un
modèle sur ses variables de sortie
→ c’est l’analyse de sensibilité
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
27 Enjeux des méthodes statistiques en STD

Entrées
Sorties
Dynamiques
Sollicitations
Modèles Dynamique
Cœur de (température)
Statiques calcul Scalaire (besoin, conso)
Seuil (inconfort)
Géométrie
Thermo-physiques → Evolution temporelle déterministe
Environnement (Albédo)
→Modèle complexe, non-linéaire, multi-

physique et multi-échelle, haute dimension
incertaine
Méthodes stochastiques: Analyse de sensibilité et d’incertitudes
• Estime un intervalle de confiance
• Identifie les variables les plus influentes
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Un outil pour la Garantie
28
de Résultats Energétiques
Analyse de sensibilité et analyse d’incertitude dans la démarche de la GRE

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Qu’est ce que la GPE ?
29

 Garantie de Performance Energétique: GPE


 Garantie de Résultat Energétique : GRE
 Contrat de Performance énergétique : CPE
 GPE : obligation souscrite par un prestataire d’atteindre des objectifs
d’efficacité énergétiques fixés (définition du plan Bâtiment Durable)
 GPEI : GPE Intrinsèque : garantit au stade de la conception et des travaux
 A partir de données théoriques, calculées
 GRE : garantit au propriétaire que sa consommation, après travaux, ne
dépassera pas une certaine valeur.
 A partir de données théoriques de STD/SED « calibré, calé » (i.e. mis à jour à livraison)
 ET mesurées : plan de Mesure et de Vérification ( type IPMVP : international
performance measurement and verification protocol)

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


30
Quel engagement ?

 Garantir : associer un
seuil de consommation
à ne pas dépasser
→Niveau de confiance
→ probabilité de tenir
l’engagement (ici 90 %)
 Quel seuil ?
 Ni trop haut : peu
compétitif (appel à
projet), perte du
marché
 Ni trop bas : à perte,
indemnités à reverser
au propriétaire

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Comment mettre en œuvre une GRE ?
31

 Contexte: Ecart de performance Phase Conception VS Phase utilisation


 Causes possibles ?
• Conception : outil de STD : approx de la réalité, degrés de
connaissance plus ou moins important sur les variables d’entrées
de la STD
• Mise en œuvre : défaut étanchéité, isolation
• Usage du bâtiment : occupation
Diffèrent de celui en conception
Hors fonctionnement normal
• Météo
Année extrême, changement climatique
EN STD : fichier moyen → représentatif en moyenne (sur 20 ans)

Difficultés de mise en place : notion de responsabilité


→ Besoin d’une démarche, identification des incertitudes et des biais aux
différentes phases du projet Ecart à la
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
référence
(conception)
Démarche de la GRE : cas du CREM
32 Conception, Réalisation, Exploitation, Maintenance

Réalisation
AI: 1ière Evaluation
des risques :
incertitudes phase
projet Conception : SED AS: priorise Livraison Utilisation
les mesures

Mesures ponctuelles, Plan de Mesure et


Mise à jour des Vérification (M&V)
matériaux, systèmes etc.
AI: 2ième Evaluation des
risques : incertitudes réduites
/ à la première évaluation
Modèle SED « Calibré », COMPARAISON
calé, Mis à jour Calage : qq % d’écart
AS: Détermine les
paramètres à caler J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Etapes pour la GRE
33
 Evaluer les incertitudes liées à la connaissance de l’existant (ou en
conception)
 Modéliser les bâtiments via des outils de simulation énergétique dynamique
(consommation énergétique, confort intérieur) pour des aspects liés à
l’enveloppe, aux systèmes et à la régulation-gestion
 Calibrer les modèles à partir de données réelles
 Définir la métrologie utile à la mesure et vérification de la performance
 Identifier les actions d’ingenierie spécifiques et de commissionnement des
installations aux projet de GRE
 Elaborer un protocole de mesure et vérification
 Définir l’assurabilité et la maîtrise des risques à garantir

(GRE, 2016)
Méthodes et outils de la garantie de résultats énergétiques, Bâtiments tertiaires
et collectifs, éditions le moniteur, Ademe, Fondations Bâtiment Energie, 2016
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
34
L’analyse d’incertitude
Estimer un intervalle de confiance sur la performance énergétique

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


35 Estimer un intervalle de confiance

Entrées
Sorties
Dynamiques
Sollicitations
Modèles Dynamique
Cœur de (température)
Statiques calcul Scalaire (besoin, conso)
Seuil (inconfort)
Géométrie
Thermo-physiques → Evolution temporelle déterministe
Environnement (Albédo)
→Modèle complexe, non-linéaire, multi-

physique et multi-échelle, haute dimension
incertaine

Génération des échantillons → Propagation → Analyse


J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Etapes pour une analyse d’incertitude
36

(1) Specifier l’objectif, le but de l’étude : sortie étudiée ? Question énoncée


→ Ex. Isolant : incertitude laboratoire ou mise en oeuvre, veillissement, humidité
DEFINITION → Ex. Perméabilité à l’air : mesure ? Valeurs possibles en conception ?
de l’ETUDE
Travail en amont (2) Sélectionner les entrées pour l’étude
très important → Lesquelles fixe-t-on ? Lesquelles varient? Occupant ?

(3) Associer une plage de variation ainsi qu’une loi de probabilité aux entrées
sélectionnées
→ Equiprobabilité de valeur ?

(4) Appliquer une méthode d’échantillonnage pour générer les échantillons de


Méthodes taille N à partir des lois de distributions, proba spécifiées en (3)
statistiques
(5) Evaluer le modèle pour chaque jeu de données de l’échantillon pour obtenir les
AMAPOLA
N valeurs de sortie du modèle
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Précision des données d’entrées
37
 Audit approfondi versus audit succinct (GRE, 2016):
Ecole primaire Logement collectif
Gain énergétique Audit Audit Audit Audit
prévisionnel après travaux succinct approfondi succinct approfondi
66 % 9% 28 % 4%
[GRE, 2016]
Difficulté de quantifier les incertitudes d’entrées, quelles sources ?

Catégories Eléments indicatifs pour la compréhension du niveau


d’information relatif à chaque niveau de relevé
Niveau de base Recueil visuel
Niveau intermédiaire Utilisation de documentation technique (DOE, plans, fiches
techniques, etc.)
Niveau détaillé Réalisation de mesures sur site
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
38 Incertitude des entrées du modèle
Toute mesure d’une grandeur physique est entachée d’une incertitude de mesure
→ L’incertitude n’est pas un accident de la méthode scientifique mais sa substance
→ Doit être caractérisée!
Deux types d’incertitudes
Incertitude aléatoire: due à la variabilité stochastique (naturelle) de
l’environnement /du matériau/ du comportement. Experimentation ne peut
pas la réduire même l’experimentation est de plus en plus precise

Incertitude systématique: due au manque de connaissance, manque de


données, manque de mesures precises– dans le cas où nous aurions des
ressources infinies elle pourrait être éliminée
→ Décale la valeur nominale (référence), elle amène donc un biais et peut
aussi élargir la dispersion
→ Exemple : le décalage de l’appareil de mesure : zéro mal défini
L’incertitude totale est souvent la combinaison de l’ncertitude systématique et
l’incertitude aléatoire
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
39
Exemple: incertitude sur la vitesse du son
Incertitude aléatoire
→ environnement/matériau/comportement
Expérience de la vitesse du son Incertitude systématique
→ Appareils de mesure, méconnaissance des
conditions (vent ?)

L
Clap ! V= Clap !
T

Le temps T
La distance L
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Répétabilité de l’expérience
40

Clap ! Clap !
Clap !
Clap !
Clap !
Clap !
Clap !
Clap !
Clap !
Clap !
Clap !

La distance L

Assez d’évaluations, mesures pour estimer la


fonction de distribution (densité de probabilité)
→ Détermine la moyenne et l’écart type
→ Combinaison de l’aléatoire et du systématique

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


41 Exemple : incertitude sur la vitesse d’un
coureur
Augmente la complexité sur le système mesuré

Mêmes appareils de mesure


L Même observateur
V= MAIS le phénomène observé est plus
Finish!
T complexe, il dépend de nombreux
facteurs

La distance L
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
V= L/T
(3) Associer une plage de variation ainsi qu’une loi de
42 probabilité aux entrées sélectionnées

L’incertitude des entrées du modèles sont décrites par une densité de probabilité
(pdf)→ Charactériser l’incertitude est un Challenge
pi ( xi )
Litterature scientifique
x1
Limite physique
Expérimental x2

Savoir expert x3
Etude d’opinion, sondage
xk
Surestimer ou sous-estimer les plages
d’incertitudes peut impacter fortement les (Helton,1993)
résultats de l’analyse : Importance d’être
Ex: température de
cohérent avec l’objectif de l’étude
consigne va écraser la
EX: L’incertitude sur la conductivité d’un isolant : mesure en sensibilité des autres: lié
laboratoire, effet du veillissement, défaut de mise en place, etc..... aux usages
Depend de l’objectif de l’étude → Bien définir si on veut
visualiser l’impact des
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
usages dans l’étude
43
Rappel des termes en statistiques

 Moyenne : tendance centrale de la dispersion


• [somme des valeurs] ÷ nombre d'observations = moyenne
 Variance : mesure du degré de la dispersion d’un ensemble de données
• On la calcule en prenant la moyenne de l'écart au carré de chaque nombre par
rapport à la moyenne d'un ensemble de données
• [somme de l'écart au carré] ÷ nombre d'observations = variance
 Ecart type : racine carrée de la variance
• On l’utilise pour mesurer la dispersion autour de la moyenne d’un ensemble de
données, construction d’intervalle
• Même unité que la moyenne

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


44 Loi de probabilité: loi normale,
gaussienne Densité de probabilité
Moyenne µ

 Un évènement fortement
probable (la moyenne), plus on
s’éloigne de la moyenne moins
cela est probable : cas de la
σ
mesure des propriétés thermo

fréquence
physiques
 Définie par une moyenne µ et un 2σ
écart type σ

95 % des données se trouvent dans l’intervalle 3σ


µ ± 2σ

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Notion de loi tronquée
45

 Bornes les valeurs ,


valeurs physiques
cohérentes
 Moyenne: µ
 Borne Inf: a
 Borne Sup: b
 0,041 W/(m².K) à ± 5 %
 Attention au σ définition
gaussienne et σ en loi
tronquée

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Conductivité laine de bois
46 Loi de probabilité: loi uniforme

 Equiprobabilité d’évènement
 Méconnaissances de
l’incertitude
 Infiltration, albédo, etc.

 En conception,
 Une solution à le même poids
qu’une autre

 Définie par des bornes Min (a) et


Max (b)
 0,041 W/(m².K) à ± 5 %

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019 a=0.03895 b=0.04305
Conductivité laine de bois
(4) Appliquer une méthode d’échantillonnage pour générer les échantillons de
47 taille N à partir des lois de distributions, proba spécifiées en (3)

Méthode d’échantillonnage → Monte Carlo


On génère des nombres aléatoires tirés à partir d’une loi de distribution, chaque
entrée qui varie à sa loi. → Exploration de l’espace de variation des paramètres
500 simulations

Espace de variation
des paramètres
Densité de

X2
(nommé aussi
probabilité X
espace des
pour
1

paramètres )
chaque
entrée
X1

• Optimisation de l’exploration de l’espace


X2 47

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


• → LHS, etc.
Echantillonnage
48
Latin Hypercube Sampling : LHS (Helton
1993)

[Saltelli 2008]

Monte-Carlo Classique, zones échantillonnées


plusieurs fois → peut être optimisé
Convergence plus rapide : moins de simulation
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Convergence
49

 Evolution des grandeurs


statistiques en fonction du
nombre de simulation
 Suffisamment de simulation,
d’évaluation pour obtenir
un résultat stable,
échantillon représentatif

Convergence a posteriori (Goffart,2015)


Convergence au fur et à mesure de l’analyse(AMAPOLA)
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019 Ici : critère d’arrêt : 5 % de variation
(5) Evaluer le modèle pour chaque jeu de données de l’échantillon
50 pour obtenir les N valeurs de sortie du modèle

Propagation d’incertitudes
Y = f ( X1 , , Xi , ,Xp )

Modèle
f( ) N valeurs de la
N simulations sortie étudiée

Conductivité
Besoin de chauffage,
isolant 50
Taux consommation
p entrées d’infiltration
Degrée jour d’inconfort
...

• N valeurs de Y → Intervalle d’incertitude

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


51
Représentation et interprétation de
l’incertitude de sortie
 Variance
20
 Boxplot (boite à
moustaches) : 15
pas d’hypothèse
sur la forme de
10
la loi de
dispersion
5

0
-4 -3 -2 -1 0 1 2 3 4

-4 -3 -2 -1 0 1 2 3 4
Mediane (P(50 %))
50% des valeurs
99% des valeurs
Valeurs extrêmes
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
La boite à moustaches (boxplot)
52
Pertinence pour les distribution de données asymétriques

Moyenne ≠ Médiane

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019 (Vorger, 2014)
53
Dispersion des résultats
• N valeurs de Y → Intervalle de confiance
et analyse de risque
• Variation des entrées → Variation de sortie

Et après?

Responsable ? Réduction possible des


sources d’incertitude ? Mesures sur site,
ponctuel, sur plus long terme ?
→ IPMVP

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Analyse de sensibilité
53
Nuage de point :
54 Dispersion de sortie en fonction des entrées

En fonction de la
variation de
l’albédo

En fonction de la
variation de
l’orientation
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019

54
55
Analyse de sensibilité
Identifier les variables les plus influentes sur la performance énergétique

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


56
Principe de l’analyse de sensibilité
Géométrie
Matériaux
Environnement (Albédo)
Entrées …
Sorties
Statique Modèles Besoin de chauffage,
Cœur de Consommations,
calcul Heures d’inconfort, etc.
Sollicitations

Identifie quelles entrées


sont responsables de la Estime un intervalle
dispersion de sortie d’incertitude
→ Analyse de sensibilité → Analyse d’incertitude

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Etapes pour une l’analyse de sensibilité
57 Travail en amont
Selon Lilburne et al. 2009, une ASI Globale suit 6 étapes: très important
 (1) Specifier l’objectif, le but de l’étude : sortie étudiée ? Question DEFINITION
énoncée de l’ETUDE
 (2) Sélectionner les entrées pour l’étude
 (3) Associer une plage de variation ainsi qu’une loi de probabilité aux
entrées sélectionnées
 (4) Appliquer une méthode d’échantillonnage pour générer les Méthodes
échantillons de taille N à partir des lois de distributions, proba spécifiées en statistiques
(3)
 (5) Evaluer le modèle pour chaque jeu de données de l’échantillon pour
obtenir les N valeurs de sortie du modèle
 (6) Utiliser les résultats de l’étape (5) pour l’analyse d’incertitude et
appliquer l’estimateur de la sensibilité pour obtenir l’importance de
chaque entrée sur la dispersion de sortie.
Ajout d’une étape (7): Interpréter l’estimateur de la sensibilité en accord avec
le contexte de l’étude
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Choix des méthodes
58

[Iooss 2015]
Coût de simulation; nombre d’entrées; linéarité du modèle;
interactions entre les entrées dans le modèle; l’objectif et l’audience
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Analyse de sensibilité GLOBALE
59
Pas du LOCAL
Et pas du « Un facteur à la fois » (« One Factor at the time » OAT )
60 Local vs global techniques

Local SA Global SA
x2 x2


x
Explore a small
area (zone) of the
parameter space

0 x1 0 x1
 Tarantola 2012,
( x1 , x2 ) = space of input x = nominal value SAMO School
61 Local vs global techniques
• local SA:
- evaluation of partial derivatives
y
- works in the neighborhood of nominal point x0
- use of Taylor-like formulas xi  
x = x0

• global SA:
- full range of uncertainty
- Monte Carlo methods to generate samples
- All factors explored simultaneously

(Rabouille, 2014)
62
Local vs global techniques

Simple to evaluate Explore very small area


Local of input space
Require only few
model runs One factor at a time
Until 99 % unexplored space (Saltelli et al. 2010b)

Explore full range of uncertainty


Require high number
Global of model runs
All factors explored simultaneously
Reduced by new methods
RBD FAST
OAT → Parametric study (not a sensitivity analysis)
63 Until 99 % unexplored space
Variation of only one input, the other are fixed
→ Choice of the fixed values ?
Solar absorptivity [-]

OAT Doesn’t Catch the Interactions


64 One factor at the time

OAT Global SA
x2 x2


x
Explore a
reduced area of
the parameter
space

0 x1 0 x1

( x1 , x2 ) = space of input x = nominal value
Choix des méthodes
65

AMAPOLA

[Iooss 2015]
Coût de simulation; nombre d’entrées; linéarité du modèle;
interactions entre les entrées dans le modèle; l’objectif et l’audience
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Méthode de Morris : principe
66
 Méthode locale améliorée: elle va évaluer localement la sensibilité mais dans
plusieurs points de l’espace. Explore les différentes zones de l’espace de
variation des paramètres et évalue à chaque nœud (point) la sensibilité locale
(donc au voisinage de ce point)
 Calcule la moyenne et l’écart type de la sensibilité pour chaque point de
l’espace exploré
 Information qualitative sur l’influence et une indication sur la linéarité de l’effet et
si la variable à des effets par interaction
Avantages:
 Pas d’hypothèse sur le modèle : non monotone, non linéaire → fonctionne
 Peu de simulation
Limites
 Un facteur à la fois : donne une info sur les interactions mais ne la quantifie pas
 Nécessite une bonne couverture de l’espace, c’est-à-dire plusieurs trajectoires
 Que qualitatif, pas de détermination de la part d’influence de chacun
→ classement

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Méthode qualitative : Méthode de
67
Morris
Méthode de criblage : « screening »
• Un modèle avec beaucoup de variables d’entrées est difficile à explorer (STD)
• Souvent seulement qq entrées sont influentes
• → le criblage permet de qualitativement d’identifier les entrées influentes (ne
quantifie pas la part d’influence de chaque entrée sur la dispersion)

Classement des entrées selon trois groupes d’effets:


• Effets négligeables
• Effets linéaires et sans interaction
• Effets non linéaires et/ou avec interactions

• Pas d’hypothèse sur le modèle (cf diagramme


des méthodes : non monotonic)
Mais fortement conseillé qu’il y ait une certaine
régularité (iooss, 2009)
(Pres. Fedou Samo School)
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Méthode de Morris : plan d’expèriences
68

• Discrétisation de l’espace
• Nécessite p+1 expériences (p étant le
nombre d’entrées)
• Un facteur à la fois (OAT pour One-at-A-
Time)
• Permet de calcul un effet élémentaire
pour chaque entrée

(Iooss, 2009)

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Principe de la méthode
69

• Le plan d’expérience est répété


R fois (au total: n=R*(p+1)
expériences)
• Cela donne R échantillons pour
chaque effet élémentaire

• Mesures de sensibilité

(Iooss, 2009)

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


70
Principe de la méthode (3D)

(Munaretto 2014)
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Méthode de Morris : Mesures de la sensibilité
71
Est une mesure de la sensibilité :
Valeur importante → effets importants (en
moyenne)
→ Modèle sensible aux variations de l’entrée

Est une mesure des interactions et des effets


non linéaires
Valeur importante → effets différents les uns
des autres
→ Effets qui dépendent de la valeur:
• Soit de l’entrée elle-même : effet non
linéaire
• Soit des autres entrées: interaction

d =  +
2 2
* * Classement de l’influence des entrées, mais ne donne
i
i i pas la part d’influence !
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
Graphe des différents effets : théorie
72

20 facteurs
210 simulations
→ Graphe (mu*, sigma)

On distingue les 3 groupes :


1. Effets négligeables
2. Effets linéaires
3. Effets non linéaires
et/ou avec interactions

Représentation par Iooss d’un cas test (Saltelli)


J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
73
Graphe des différents effets : exemple

Effets non
linéaire et/ou
avec interactions

Négligeables Effets non linéaires

Etude Amapola

20 facteurs; 5 trajectoires n=R*(p+1)


→ 105 simulations → 105

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


Notion d’interaction dans l’analyse de
74
sensibilité

 En fonction de la valeur nominale des entrées : influence le résultat


 Exemple de l’épaisseur d’isolant

Si basse isolation VS haute isolation


Effet du coefficient de convection ?
Effet des apports solaire ?

Attention lorsque l’on définit son


étude de sensibilité : quels entrées
varient ? A quelle valeur fixe t-on les
autres ?

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


(Rabouille 2014)
CONCLUSION et suite
75

• Gros travail de définition de l’étude en amont → conditionne l’analyse:


• Quel objectif d’étude ?
→ Quel sortie à étudier ?
→ Quelles entrées varient ? Lesquelles sont fixées ?
→ Quelles plages d’incertitude, l’amplitude associer ?
→ Quel lois de probabilité pour chaque entrées
→ Equiprobable? Plus probable prés de la moyenne?
→ Les variabilités sont elles cohérentes dans l’étude entre elles ?
• Exemple d’une entrée plus incertaine que les autres → peut surestimer
son effet en sortie mais si la réalité du cas d’étude : OK
• Challenge de définir les plages d’incertitudes
• Bien connaitre son modèle STD pour pouvoir comprendre et vérifier les
résultats de l’analyse de sensibilité et d’incertitude
→ L’analyse dépend également du modèle et des hypothèses de simulation

• Pas seulement appuyer sur un bouton → expertise requise


J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
RESSOURCES (Codes Matlab, R, Python ; Presentation et papier)
76 Communauté : GDR MASCOT-NUM http://www.gdr-mascotnum.fr/
JRC (SAMO , conferences and schools)

PRINCIPALES REFERENCES pour une meilleure compréhension et aller plus loin

Saltelli et al. 2008


Andrea Saltelli, Marco Ratto, Terry Andres, Francesca Campolongo, Jessica Cariboni,
Debora Gatelli, Michaela Saisana, and Stefano Tarantola. Introduction to Sensitivity Analysis. In
Global Sensitivity Analysis. The Primer, pages 1–51. John Wiley & Sons, Ltd, 2008. available in
http://www.researchgate.net/publication/253328104_Global_Sensitivity_Analysis._The_Primer

Iooss et al. 2015


Bertrand Iooss, Paul Lemaître. A review on global sensitivity analysis methods. C. Meloni
and G. Dellino. Uncertainty management in Simulation-Optimization of Complex Systems:
Algorithms and Applications, Springer, 2015, available in
https://hal.archives-ouvertes.fr/hal-00975701

Jacques 2011
Julien Jacques. Pratique de l’analyse de sensibilité : comment évaluer l’impact des entrées aléatoires
sur la sortie d’un modèle mathématique. 2011 available in http://labomath.univ-lille1.fr/∼jacques/

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


REFERENCES
77
GRE 2016
Méthodes et outils de la garantie de résultats énergétiques, Bâtiments tertiaires et
collectifs, éditions le moniteur, Ademe, Fondations Bâtiment Energie, 2016

Goffart et al. 2015


Jeanne Goffart, Mickael Rabouille, Nathan Mendes. Uncertainty and sensitivity analysis
applied to hygrothermal simulation of a brick building in a hot and humid climate. Journal
of Building Performance Simulation. Final reviewing

Goffart 2013
Jeanne Goffart. Impact de la variabilité des données météorologiques sur une maison
basse consommation. Application des analyses de sensibilité pour les entrées temporelles.
Universite de Grenoble, 2013. French. https://tel.archives-ouvertes.fr/tel-00982150

Guyon 1997
Gilles Guyon. Role of the model user in results obtained from simulation software
program. In Building Simulation Conference, Prague, Czech Republic, 1997.

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


REFERENCES
78
Helton 1993
Helton J.C. Uncertainty and Sensitivity analysis Techniques for use in performance
assessment of radioactive waste disposal, Reliability Engineering and System Safety, 42
327-367. 1993

Iooss 2009
Bertrand Iooss, Présentation dans le cadre des rencontres « Maths-Météo » à Toulouse en
2009: Analyse d’incertitudes et de sensibilité de modèles complexes – Applications dans
des problèmes d ’ingénierie.

Iooss et al. 2015


Bertrand Iooss, Paul Lemaître. A review on global sensitivity analysis methods. C. Meloni
and G. Dellino. Uncertainty management in Simulation-Optimization of Complex Systems:
Algorithms and Applications, Springer, 2015, available in
https://hal.archives-ouvertes.fr/hal-00975701

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019


79 REFERENCES

Lilburne et al. 2009


Linda Lilburne & Stefano Tarantola (2009) Sensitivity analysis of spatial models,
International Journal of Geographical Information Science, 23:2, 151-168, DOI:
10.1080/13658810802094995

Munaretto 2014
Munaretto Fabio, Étude de l'influence de l'inertie thermique sur les performances
énergétiques des bâtiments, Ecole Nationale Supérieure des Mines de Paris, 2014

Rabouille 2014
Rabouille Mickael, Recherche de la performance en simulation thermique dynamique :
application à la réhabilitation des bâtiments, Université de Grenoble, 2014

Rabouille 2016
Rabouille, Goffart et Mendes, Surfaces de réponse pour l'étude de la réflectivité solaire et
l'isolation des toitures des bâtiments commerciaux au Brésil, IBPSA France Champs sur
Marne 2016
J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019
80 REFERENCES

Sobol 1993
I. M. Sobol’. Sensitivity estimates for nonlinear mathematical models. Math. Mod.
and Comput. Exp., 1 :407–414, 1993.

Vorger 2014
Vorger Eric, Étude de l'influence du comportement des habitants sur la performance
énergétique du bâtiment, Ecole Nationale Supérieure des Mines de Paris, 2014

J.Goffart_Garantie de Performance Energétique des bâtiments 7-8 janvier 2019