4.4 Modélisation du processus décisionnel (OASys)
4.4.3 Actions comportementales de l’occupant
Le profil de l’occupant renvoie une criticité en fonction de sa ou ses sensations. Pour que l’occupant puisse maintenir son confort en fonction de ses profils, il doit agir à partir des informations précédentes. Pour ce faire, il dispose d’une ou plusieurs actions suivant ses opportunités et ses contraintes adaptatives.
Pour que l’algorithme d’intelligence artificielle ait conscience des actions qu’il peut réaliser dans la simulation, il est nécessaire de les stipuler en paramètres du composant TRNSys. Elles sont configurées suivant les opportunités adaptatives de l’occupant (ex : régler la tem- pérature, changer sa tenue vestimentaire, etc.). Chaque action possède un minimum, un maximum et un pas. Par exemple, un occupant peut monter ou baisser la température de consigne de 0,5◦C (pas) entre 18◦C (minimum) et 24◦C (maximum). OASys peut intégrer un nombre illimité d’actions, il incombe à l’utilisateur d’en définir le nombre. Cependant, il doit être en mesure de modéliser ces actions dans la simulation, et surtout les conséquences sur l’environnement.
Les 5 actions suivantes sont modélisées :
— les actions sur la température de consigne, ATc;
— l’ajustement d’isolement vestimentaire, AIcl;
— les actions sur les fenêtres, AFen;
— les actions sur l’éclairage artificiel, AEcl;
— les actions sur les stores, ASto.
Dans la réalité, ces actions peuvent être conditionnées par des stimuli d’origines diverses (thermique, visuel, acoustique, social, etc.). Toutefois, nous considérons que la sensation thermique et la sensation visuelle sont les sources de motivation principales pour ces 5 actions.
4.4 Modélisation du processus décisionnel (OASys)
4.4.3.1 Modélisation des actions
Par modélisation des actions, on entend modélisation de leur impact sur le bâtiment et l’occupant. La modélisation des phénomènes thermiques est effectuée par l’intermédiaire du logiciel TRNSYS et la modélisation des phénomènes liés à l’éclairage est effectuée grâce au logiciel DAYSIM.
— Le réglage de la température de consigne est modélisé grâce au Type 56 (modèle de bâtiment multi-zone de TRNSYS),
— l’impact du changement d’isolement vestimentaire est pris en compte en entrée du modèle de thermorégulation humaine,
— la modélisation de l’ouverture des fenêtres dans la simulation fait l’objet du para- graphe 4.4.3.2,
— l’impact de l’éclairage artificiel et des stores sur l’environnement visuel est modélisé sous Daysim. Leur impact thermique est calculé grâce au type 56 de TRNSYS.
4.4.3.2 Modélisation des opérations sur les fenêtres
L’ouverture d’une fenêtre a trois impacts :
— l’augmentation du taux de renouvellement d’air neuf, qui aura impact énergétique ; — la modification de la température locale,
— et la modification de la vitesse d’air proche de l’occupant (phénomène de courant d’air), qui influenceront la sensation thermique.
Les outils d’aéraulique n’étant actuellement pas en mesure de prendre en compte conve- nablement ces phénomènes en régime dynamique, nous posons un certain nombre d’hypo- thèses réalistes :
— pour le renouvellement d’air neuf, une augmentation des infiltrations de 5 vol/h est utilisée dans le Type 56. Cette hypothèse est simple, cependant, comme nous allons le voir par la suite, OASys peut se révéler coûteux en temps de calcul. C’est pourquoi d’autres solutions, comme l’utilisation de COMIS (qui permet le calcul des débits d’infiltrations) ou des modèles de CFD, n’ont pas été retenues,
— la vitesse d’air locale a été déterminée grâce aux mesures des anémomètres omni- directionnels utilisés lors de la campagne expérimentale. La vitesse d’air moyenne relevée est de 0.1 m/s lorsque les fenêtres sont fermées et de 0.7 m/s lorsqu’elles sont ouvertes. Ce sont ces valeurs que nous retiendrons pour la simulation. Aucune distinction n’est faite pour différents degrés d’ouverture. La fenêtre est considérée comme ayant deux positions, ouverte ou fermée.
— le calcul de la température locale Tloc (i.e. température de courant d’air) est réalisé
aussi à partir des données empiriques. L’hypothèse retenue est que lorsqu’il y a une fenêtre ouverte, l’occupant est soumis à une température de mélange entre la tempé- rature d’air extérieur et la température d’air intérieur. Cette hypothèse peut être écrite sous la forme suivante :
Tloc= α× Ta+ (1 – α)× Text (4.2)
avec,
Tloc la température d’air locale (◦C), Tairla température d’air intérieur (◦C), Text la température d’air extérieur (◦C),
α un coefficient compris entre 0 et 1 permettant de caractériser le mélange entre l’air extérieur et l’air intérieur.
En pratique, on peut estimer que Tloc est relevée par les sondes de température posi-
tionnées sur les trépieds de mesures étant donné leur proximité avec les occupants. Text
est extraite du fichier météorologique. Ta n’est quant à elle pas connue, de même que le
coefficient α. Il y a donc deux inconnues dans l’équation 4.2.
Pour déterminer α, il faut donc estimer la température moyenne d’air du local lors de l’ou- verture d’une fenêtre. Étant donné que Tloc = Talorsque la fenêtre est fermée, cela revient à
estimer quelle aurait dû être l’évolution de la température locale si la fenêtre n’avait pas été ouverte. Il s’agit donc de prédiction. Pour prédire l’évolution d’une variable physique dans un système complexe, on peut procéder principalement par deux méthodes :
— par simulation "boîte blanche", comportant différents sous-modèles internes modéli- sant divers phénomènes physiques ;
— ou par simulation "boîte noire", qui considère que l’intégralité du système peut se rapporter simplement à une fonction de transfert entre des entrées et des sorties. Dans le cas présent, il serait laborieux de procéder par simulation thermique dyna- mique en modélisant les différents bureaux étant donné le manque d’informations dispo- nibles quant aux caractéristiques thermiques des bâtiments instrumentés. C’est pourquoi le choix s’est porté sur le paradigme de "boîte noire". Pour cela, nous avons choisi d’utiliser un réseau de neurones.
Le principe d’un réseau de neurones est de lier des entrées et des sorties par une fonction de transfert. C’est le réseau de neurones lui-même, par un principe itératif, qui détermine cette fonction. Pour la déterminer, il a besoin d’une base d’apprentissage composée de com- binaisons d’entrées associées à une ou plusieurs sorties.
La figure 4.9 montre un exemple d’interpolation par réseau de neurones en 1D (fonction à une variable) pour la fonction y = x2. Le réseau de neurones artificiel (RNA) a appris à partir des points de la base de données. La courbe représentant le résultat du RNA est reconstruite en interrogeant le réseau de neurones après apprentissage. On constate qu’il est capable de prédire les valeurs qu’il ne connait pas a priori par le biais de sa base de données.
Bien sûr, l’intérêt d’une telle méthode dans ce cas précis peut sembler limité. Toutefois, la force des réseaux de neurones est qu’ils peuvent interpoler des fonctions à n dimensions, aussi irrégulières soient-elles.
Pour trouver le coefficient α de l’équation 4.2, il est nécessaire de prédire Ta. Pour cela,
on emploie un réseau de neurones artificiels avec 6 entrées : Taaux temps t – 1, t – 2 et t – 3,
et Text aux mêmes pas de temps. La sortie du réseau de neurones est Ta au temps t. Le
pas de temps Δt est de une heure. Cela permet d’avoir une base de données contenant des motifs de variation plus contrastée par rapport à un Δt inférieur. L’apprentissage est réalisé à partir des mesures effectuées lorsque les fenêtres étaient fermées pour que le RNA prédise Ta dans ce même contexte.
La figure 4.10 montre les résultats des prédictions du RNA. Aucun moyen n’est disponible pour vérifier la précision de ces prédictions. Cependant, les résultats paraissent suffisam- ment crédibles d’un point de vue physique pour qu’ils soient pris en compte.
Une fois que Ta est obtenue, on peut résoudre l’équation 4.2 pour trouver α (Equation 4.3).
En réalisant l’opération à chaque pas de temps où la fenêtre est ouverte sur l’ensemble de la campagne de mesures, on trouve α = 0.9. Dans le reste de ce travail, nous utiliserons Tloc = 0, 9 · Ta+ 0, 1Text et va = 0, 7m/s pour la fenêtre ouverte.
α = Tloc– Text
4.4 Modélisation du processus décisionnel (OASys)
FIG. 4.9– Exemple d’un résultat du réseau de neurones en 1D pour y = x2
FIG. 4.10 – Résultats du réseau de neurones artificiel pour Ta
4.4.3.3 Calcul de l’éclairement et de l’éblouissement en fonction des actions
Les actions ASto et AEcl sont modélisées en “tout ou rien” : le store est soit ouvert, soit
fermé et l’éclairage est soit allumé soit éteint. Au final, il existe 4 combinaisons d’états de ces actions (tableau 4.3).
TAB. 4.3– Différentes combinaisons d’états des contrôles liés à l’éclairage
Store ouvert Store fermé
Eclairage éteint 1 2
Eclairage allumé 3 4
Daysim permet d’effectuer les calculs liés à l’éclairement naturel depuis un fichier météo mais ne permet pas de calculer l’éclairement en un point à partir d’une source d’éclairage artificiel.
1. Pour le cas 1, nous nous appuyons sur les résultats de Daysim puisqu’il s’agit d’un cas avec uniquement de l’éclairement naturel,
2. pour le cas 2, il s’agit d’un store complètement fermé. En théorie, l’éclairement ré- sultant serait de 0 lux. Toutefois, dans les hypothèses de modélisation du store dans TRNSYS, celui-ci transmet 10 % du rayonnement solaire. Aussi, nous prenons l’hy- pothèse que la transmitivité lumineuse (dans le domaine du visible) est égale à 0.1. Puisque 10% du flux lumineux est transmis, on prendra donc une valeur égale à 10 % du cas 1. Ce ratio de 10%, entre ouverture et fermeture de stores, se retrouve dans la littérature pour le cas de stores vénitiens extérieurs [210]. On constate une même proportion entre une ouverture totale (absence d’occultation) et une position où les pales sont rétractées,
3. lorsque l’éclairage est allumé et le store ouvert (cas 3) nous prenons l’hypothèse que le flux lumineux ne contribue pas à une hausse de l’éclairement lorsque celui- ci est supérieur à 500 lux. Ainsi, on prendra le maximum entre 500 et les valeurs d’éclairement du cas 1. Ce seuil de 500 lux est choisi en référence à la norme ISO 8995 [68] qui préconise cette valeur comme éclairement minimal à atteindre sur un plan de travail dans un local de bureaux.
4. Le cas 4 est traité de manière analogue au cas 3, on prendra le maximum entre 500 lux et les valeurs du cas 2.
La figure 4.11 montre un exemple des différents cas sur une journée. On constate que selon l’action de l’occupant, les valeurs d’éclairement peuvent être sensiblement différentes. Comme pour une même météo et un même bâtiment il n’est pas utile de recalculer l’éclairement à chaque pas de temps, le principe de la modélisation de l’environnement re- pose sur un pré-calcul des 4 cas pour chaque heure de l’année afin de construire un fichier possédant 4 colonnes de 17520 lignes chacune (nombre de demi-heures dans une année). Ensuite, à l’aide d’un lecteur de fichier dans TRNSYS, la valeur adéquate peut être appelée en fonction de l’état des contrôles. Par exemple, si OASys prend la décision d’ouvrir le store et que l’éclairage est éteint à une heure h de l’année, alors la valeur d’éclairement de la ligne h de la 1recolonne sera appelée dans la simulation.
L’éblouissement est estimé en fonction de la position du store. Si celui-ci est fermé (cas 2 et 4), on considère que la probabilité d’éblouissement est nulle. Lorsque qu’il est ouvert (cas 1 et 3), on prend en compte les valeurs estimées par Daysim à chaque pas de temps de la simulation. On prend comme hypothèse que l’éclairage artificiel a été conçu de manière à ne pas provoquer d’éblouissement.