Chargement...

Sciences humaines et sociales et engagement performantiel

Par Paul-Etienne DAVIER - Gérant d’AI Environnement et Quentin Darakdjian (doctorant)

Cette chronique porte sur le sujet de l'engagement performantiel ou "performance gap". Les Sciences Humaines et Sociales peuvent-elles résoudre l'équation de l'engagement performantiel ? Soit toute la complexité des comportements et du social impactant la véritable performance énergétique des bâtiments…

AI Environnement par l'intermédiaire de son doctorant Quentin Darakdjian et de son gérant Paul-Etienne Davier propose de répondre à ces questions avec une approche technique de recherche et méthodologique.

Modéliser le comportement des usagers : la prochaine marche à gravir

L’amélioration continue de la performance énergétique des bâtiments neufs et anciens a été accompagnée par un développement d’outils de plus en plus performants et précis en termes de modélisation numérique. A l’inverse des premiers outils de calculs de déperditions statiques ne tenant même pas compte des apports solaires, les outils de simulations thermiques dynamiques actuels permettent d’intégrer l’ensemble des paramètres influençant le fonctionnement d’un bâtiment : site, climat, physique de l’enveloppe… ainsi que son utilisation.

L'Annexe 53: "Total Energy Use in Buildings: Analysis & Evaluation Methods" de l'Agence Internationale de l'Energie a affirmé que les incertitudes concernant les paramètres statiques liés à l’enveloppe sont de plus en plus faibles (propriétés des matériaux connues, contrôle qualité de chantier assurant la concordance prescription/réalisation…) alors que les incertitudes sur l’utilisation effective du bâtiment et de ses systèmes et le comportement des utilisateurs sont quant à elles très importantes. En résulte dans la pratique des écarts parfois considérables entre consommations théoriques et mesurées (tous postes confondus), d’autant plus élevés que la performance du bâtiment est théoriquement grande.

C’est ce que les anglo-saxons appellent la « performance gap ».

Etudier puis modéliser les comportements, c'est-à-dire les pratiques et les styles de vie dans des cadres de vie variés est donc un enjeu majeur pour améliorer la finesse des outils de modélisations de type STD (Simulations Thermiques Dynamiques).

Cela devient d’autant plus nécessaire que pour passer à l’étape du bâtiment « nearly zero energy », la sobriété de conception et d’usage resteront la priorité avant la production d’énergies renouvelables sur site.

La complexité du social à intégrer

On l’a compris, les sciences humaines vont devoir s’allier à la physique du bâtiment afin de faire en sorte que les bâtiments très basse consommation tiennent leurs promesses.

Etudier les comportements des occupants dans le contexte du bâtiment est un exercice social à part entière où tout n’est pas rationnel. On assiste d’ailleurs à des paradoxes « ingénio-social » qui montrent la présence de verrous scientifiques et d’incompréhensions comportementales. Prenons l’exemple de la consommation d’énergie à l’échelle nationale ; nous avons des équipements de plus en plus performants, des occupants de plus en plus sensibilisés aux enjeux environnementaux et des politiques incitatives, mais nous constatons des performances énergétiques en dessous des objectifs initiaux et des suivis des consommations d'énergie difficilement maîtrisables.

Il y a donc des inconnues et des difficultés pour observer, étudier et modéliser les comportements humains dans les bâtiments. Comme dans tout travail de modélisation, il est indispensable de réaliser des études de sensibilité pour comprendre l’impact des actions des occupants dans les bâtiments. Aussi, comme dans toute modélisation le simulateur doit définir clairement ses objectifs pour considérer l’essentiel. Des études sociales ont étudié les impacts énergétiques en fonction des modes de vie. Comme l'illustre le schéma en Figure 01 du sociologue de l'énergie Christophe Beslay; le cadre de vie, la structure sociale et la structure culturelle ont un impact bien plus significatif que les pratiques et habitudes quotidiennes. En d’autres termes, la connaissance de l’usage des bâtiments et plus particulièrement leurs intensités d’usage est un pilier essentiel à une bonne simulation, plus qu’une modélisation fidèle des pratiques.

La "boîte noire" des "comportements"
Composants et impacts énergétiques


La
Figure 01: Les relations entre les modes de vie et leurs temporalités avec les impacts énergétiques dans les bâtiments

Sociologie de l'usager : l'aléatoire

Nous avons expliqué que connaître finement l’utilisation future des bâtiments tertiaires ou le profile des ménages dans les bâtiments résidentiels est aussi important que de connaître les matériaux de construction du bâti.

Dans l’hypothèse où cette connaissance est effective et afin de réduire le « performance gap » il est en plus important d’être capable de modéliser le comportement des occupants, qui est directement corrélé à l’information amont concernant l’usage.

Les décisions humaines face aux stimuli sont d'une part déterministes et d'autre part aléatoires : elles sont stochastiques ou aléatoires de nature (par opposition à déterministes). Des usagers différents ne réagissent pas toujours de la même manière face à des stimuli identiques. Les mêmes occupants peuvent également répondre différemment en différentes occasions, et cela même pour des stimuli identiques.

Une approche stochastique permet de modéliser ces deux aspects. Contrairement à l'hypothèse que l'on a longtemps fait, cette part aléatoire peut avoir une forte influence sur le confort et les demandes de ressources énergétiques. La modélisation future des comportements des occupants passe alors par des modèles stochastiques qui considèrent la variété des comportements, les variations de comportements selon le temps et les diversités des comportements en fonction des individus.

PS et définition : un phénomène stochastique est un phénomène qui ne se prête qu’à une analyse statistique, par opposition à un phénomène déterministe.

Trois types de modélisation stochastiques

Nous avons donc vu que pour améliorer la modélisation des comportements humains dans le contexte du bâtiment, la tendance était aux modèles stochastiques.

Les académiques avec lesquels AI Environnement interagit pour ce travail de thèse – et notamment de l'Université de Nottingham - utilisent à ce jour trois grandes familles de modèles stochastiques : les processus de Bernoulli, les chaines de Markov à temps discret et les processus aléatoires continus de survie.


4.1 - Processus de bernoulli

Le processus de Bernoulli, qui est un modèle linéaire généralisé, est adapté pour définir une probabilité d'observer un état en fonction de différents paramètres. La Figure 02 est un exemple de graphique permettant l'utilisation de cette modélisation stochastique pour la détermination de l'activité réalisée par un occupant du bâtiment. A 6 heure du matin, l'occupant étudié a environ 80 % de chance de dormir et environ 20 % de chance d'être passif, de réaliser une activité visuelle ou audio ou de faire sa toilette.

modélisation stochastique pour la détermination de l'activité
Figure 02: Probabilité d'observer une action en fonction de l'heure dans un ménage français moyen

4.2 - Chaînes de markov

L'inconvénient du processus de Bernoulli est le manque de résolution pour les évènements de transition. Pour traiter ces transitions d'état les chaînes de Markov sont utilisées, c'est à dire que l'événement à l'instant "t" dépend directement de l'événement à l'instant "t-1".
La Figure 03, permet de mieux comprendre cette notion de transition d'état.
A gauche, nous avons les probabilités d'allumer la lumière lors de l'arrivée dans une pièce alors qu'à droite ces probabilités d'actions (pas de temps minute) sont modélisées lorsque l'usager est déjà dans la pièce.
Lors d'une arrivée, pour un éclairement nul, la probabilité d'allumer est de 100%, alors qu'un niveau supérieur à 400 lux amène très rarement les utilisateurs à agir sur l'interrupteur.
La part aléatoire prend son sens lorsque le niveau d'éclairement constaté est de 100 lux, puisque 70 % des occupants vont actionner la lumière.
Ce modèle stochastique utilise donc des chaînes de Markov (fonctions logistiques) car il traite du changement d'état (allumé/éteint) d'un système en fonction de l'état précédent.

Probabilité d'allumer la lumière en fonction de l'éclairement (lux) sur plan de travail
Figure 03: Probabilité d'allumer la lumière en fonction de l'éclairement (lux) sur plan de travail
lors de l'arrivée dans une pièce (à gauche) et lors de la présence dans la pièce (à droite)

4.3 - Processus aléatoire continu de survie

Le dernier type de modélisation stochastique permet de prédire des durées d'état des systèmes ; cela est réalisé grâce aux distributions Weibull. La Figure 04 permet de répondre à la question : combien de temps la fenêtre va rester fermée en fonction de la température intérieure? On tire un nombre aléatoire entre 0 et 1, disons 0.7, pour une température intérieure de 30°C la fenêtre s'ouvrira après 10 minutes. Pour le même nombre tiré au sort mais pour une température intérieure de 21 °C la fenêtre ne s'ouvrira pas.

Probabilité de durée pour laquelle les fenêtres restent fermées
Figure 04: Probabilité de durée pour laquelle les fenêtres restent fermées en fonction de la température intérieure

Nous avons donc vu que modéliser le comportement des occupants est un exercice délicat par son caractère aléatoire. C'est pour cela que les modélisations stochastiques ont le vent en poupe. Néanmoins, ces modèles n'ont du sens que s'ils sont basés sur des données fiables et libre d'accès pour une amélioration continue. L'obtention de données pour le développement de modèles est souvent spécifique et le champ d'applicabilité qui en découle est par conséquence limité. Il est donc fondamental que les modélisateurs soient honnêtes sur les conditions d'applications.

Engagement performantiel

Au contraire des premiers outils de STD qui servaient à comparer des scenarii architecturaux pour en faire des études qualitatives, l’objectif est de réaliser à terme des études quantitatives qui doivent permettre d’assurer un résultat absolu. Ce résultat qui se veut fiable a pour vocation d'être utilisé pour s'engager contractuellement sur les performances énergétiques. Une stratégie commence à voir le jour chez les acteurs du bâtiment et s'articule autour de 4 piliers:

1- Le premier est une estimation fine des futures performances énergétiques, qui repose sur une définition exacte des conditions d'usages futures, notamment sur le niveau de confort et sur l'intensité d'usage.

2- Le deuxième pilier d'une performance maîtrisée concerne le calcul par Simulation Energétique Dynamique (SED) en intégrant les informations relatives au bâtiment, aux systèmes, à l'environnement et surtout aux occupants. Ce dernier paramètre est fondamental et passe par la modélisation stochastique. Il doit être considéré au travers des présences, des activités réelles puis des actions pour finalement en générer les besoins des postes RT mais également d'électricité spécifique.

3- Le troisième pilier concerne le suivi de la performance par des mesures de terrain pour vérifier le comportement du bâtiment prévu. Un accompagnement des usagers doit également être effectué pour optimiser leurs consommations.

4- Le dernier point fondamental est le commissioning et enveloppe les trois premiers piliers. Il répond aux objectifs des acteurs de la conception, de la construction mais aussi des exploitants en termes techniques, de performances environnementales et énergétiques, et en termes d'usages.

C’est en se basant sur une stratégie de ce type que des contrats d’engagement performantiel de GPEI (Garantie de Performance Energétique Intrinsèque) ou GRE (Garantie de Résultat Energétique) peuvent être signés.

Il est bon de rappeler les différences entre GPEI et GRE. Les contrats GPEI sont surement plus pertinents pour les bâtiments tertiaires car la performance des bâtiments est impactée par l’intensité d’usage plutôt que par les comportements des occupants. Ce type de contrat est davantage lié à la technologie qu’à la sociologie, au contraire des GRE qui dépendent directement bien sûr de l’intensité d’usage et de la technologie installée, mais en plus, des comportements des usagers. Un outil de modélisation des comportements des usagers a donc une plus grande plus-value pour des contrats GRE que GPEI.

Alors que les outils actuels donnent une valeur unique, une STD qui utiliserait une modélisation stochastique afficherait une fourchette de performances directement liée à l’usage du bâtiment, pour un niveau de confort visé.

A l’aube de 2020, c’est le défi qu’essaie de relever AI Environnement avec des maîtrises d’ouvrages pour le développement de projets expérimentaux mêlant sociologie et ingénierie, afin de collecter davantage de données pour œuvrer à la compréhension, puis à la résolution du « performance gap ».

Par Paul-Etienne Davier
Gérant d’AI Environnement et Quentin Darakdjian (doctorant)
Tél. : +33 (0)9 82 38 92 06 / Mail : contact(at)ai-environnement.fr

SOURCES ET LIENS

Logo AI Environnement

AI Environnement met l’accent sur le confort et le bien-être des occupants d’une construction, sur sa performance réelle d’exploitation, et sur une approche carbone éco-responsable. AI Environnement a lancé une formation massive en ligne gratuite (MOOC) sur le confort thermique des bâtiments durables.

AUTRES CHRONIQUES de Paul-Etienne DAVIER

Commentaires

Aucun commentaire actuellement, soyez le premier à participer !

LAISSER UN COMMENTAIRE

ABONNEZ-VOUS !
Ce site respecte strictement la réglementation RGPD sur les données personnelles. Pour connaitre et exercer vos droits, vous pouvez consulter notre politique de confidentialité