Optimisation multi-objectif de bâtiments en bois : vers le net-zéro en énergie et en carbone sur la vie du bâtiment

Optimisation multi-objectif de bâtiments en bois : vers

le net-zéro en énergie et en carbone sur la vie du

bâtiment

Thèse

Richard Gagnon

Doctorat en génie mécanique

Philosophiæ doctor (Ph. D.)

Optimisation multi-objectif de bâtiments en bois :

vers le net-zéro en énergie et en carbone sur la vie

du bâtiment

Thèse

Richard Gagnon

Sous la direction de :

Louis Gosselin, directeur de recherche

RÉSUMÉ

Le secteur du bâtiment au Canada est responsable de plus de 16% des émissions de gaz à effet de serre (GES) et de 30% de la consommation énergétique. À l’échelle mondiale, cela s’élève à 30% pour les émissions de GES et à 40% en ce qui a trait à la consommation énergétique. Ce secteur a donc un rôle majeur à jouer dans la lutte aux changements climatiques et pour la transition énergétique. L’optimisation multi-objectif fait partie des méthodes de conception reconnues par les scientifiques pour son fort potentiel d’amélioration de la durabilité des bâtiments résidentiels et commerciaux. Depuis le début des années 90, son utilisation dans le domaine n’a cessé de s’accroitre. Des algorithmes d’optimisation sont en continuel développement afin de résoudre efficacement des problèmes de conception dont les exigences sont toujours plus complexes. L’objectif de cette thèse est donc de développer et d’évaluer une méthodologie d’optimisation pour la conception de bâtiments durables tenant compte simultanément d’un ensemble de variables hétérogènes et d’objectifs contradictoires. Les solutions proposées sont complémentaires aux recherches les plus avancées dans le domaine de l’optimisation multi-objectif.

Dans un premier temps, une analyse de sensibilité globale est appliquée à 30 variables de conception influençant divers critères de performances relatifs à la consommation énergétique et au confort d’un bâtiment commercial. Trois méthodes d’analyse de sensibilité sont utilisées : Coefficients de régression standard, coefficients de régression partielle par le rang et les indices de Sobol. L’analyse des résultats montre que les 3 techniques mènent à des conclusions similaires. Le rang en ce qui a trait à l’importance des variables est semblable pour chacune des techniques et pour chacune des fonctions évaluées. Les principales interactions entre variables de conception ont été identifiées avec les indices de Sobol de second ordre. Cette première analyse permet d’éliminer certaines variables qui ont peu d’impact sur les critères de performances. De plus, un cadre de conception s’apparentant à une approche de conception traditionnelle a été adopté dans lequel des variables de conception sont définies de façon séquentielle. Une seconde analyse de sensibilité a été appliquée à chacune des phases du processus, en faisant l’hypothèse que les variables définies dans une phase antérieure ont une valeur fixe, soit celle du bâtiment réel. L’analyse des

résultats démontre que les méthodes de conception séquentielles tendent à réduire la possibilité d’obtenir des solutions à faible consommation énergétique.

Dans un deuxième temps, le problème d’optimisation suivant est formulé : la minimisation simultanée des émissions de gaz à effet de serre résultantes de la consommation énergétique d’un bâtiment résidentiel et de celles résultantes des matériaux de construction. Ce problème implique des variables se situant à différents niveaux hiérarchiques, dont certaines peuvent devenir obsolètes selon la valeur prise par une autre variable. Un algorithme considérant cette particularité est développé et comparé à l’algorithme NSGA-II. Des indicateurs de performances (e.g. convergence et diversité) montrent que les deux algorithmes parviennent à résoudre ce problème. L’analyse du front de Pareto confirme, dans le cas présent, que l’algorithme NSGA-II est finalement plus performant dans l’identification de solutions optimales. L’ensemble des solutions optimales obtenues se définit par des bâtiments utilisant une enveloppe en bois. De plus, le système de chauffage sélectionné pour chacune des solutions repose soit sur l’utilisation d’une pompe à chaleur, soit sur l’utilisation de radiateurs électriques.

Finalement, l’étude de cas du bâtiment résidentiel est reprise afin d’évaluer la performance de deux modes de conception : processus de conception séquentiel et processus de conception intégré. Avec l’approche intégrée, 39 variables de conception reliées à l’architecture du bâtiment ainsi qu’aux systèmes CVAC-R sont optimisées simultanément. Dans l’approche séquentielle, les variables architecturales sont d’abord optimisées. Plusieurs solutions optimales sont alors sélectionnées pour la deuxième phase d’optimisation qui se focalisera sur des paramètres relatifs aux systèmes de chauffage. La minimisation de l’empreinte environnementale, du cout sur le cycle de vie et la maximisation du confort thermique sont optimisés simultanément par l’algorithme NSGA-II. Avec seulement 100 heures de temps de calcul, l’approche holistique a mis en lumière 59% des solutions optimales alors qu’il a fallu 765 heures pour trouver 41% des solutions optimales avec l’approche séquentielle. La comparaison démontre les effets négatifs et irréversibles qu’il y a dans la prise de décision dès les phases préliminaires de conception. La méthodologie proposée dans ces travaux de thèse permet donc d’augmenter l’efficacité à trouver des solutions optimales.

CONTENTS

Mise en contexte ... 2

Objectifs ... 5

Axe 1: Analyse de sensibilité ... 6

Axe 2 : Comparaison d’algorithmes d’optimisation multi-objectif ... 7

Axe 3 : Comparaison entre deux approches de conception de bâtiments ... 7

Résumé ... 10

Abstract ... 11

Introduction ... 12

Building description and models ... 13

1.2.1 Functional and technical program ... 13

1.2.2 Building energy model and validation ... 14

1.2.2.1 Envelope ... 15

1.2.2.2 Internal loads ... 15

1.2.2.3 Outdoor air ... 15

1.2.2.4 HVAC&R systems ... 15

1.2.3 Model outputs for sensitivity analysis ... 17

1.2.4 Model validation ... 18

List of input variables and ranges for SA ... 20

Description of the sensitivity analysis techniques ... 22

Results from each sensitivity analysis technique ... 23

1.5.1 Evaluation of the model linearity and comparison between SRC and PRCC . 23 1.5.2 Standard regression coefficients for energy outputs ... 26

1.5.3 Standard regression coefficient for power outputs ... 29

1.5.4 Partial rank correlation coefficients (PRCC) for thermal comfort model outputs 32 1.5.5 Sobol second-order indices and interactions between variables ... 36

Sensitivity analysis versus phases of a design process ... 38

1.6.2 Results from sensitivity analysis with respect to

E

_tot ... 41

1.6.3 Results from sensitivity analysis with respect to

PMV

_+tot... 44

Conclusions ... 47

Résumé ... 50

Abstract ... 51

Introduction ... 52

Relevant studies ... 54

2.2.1 Multi-objective optimization without hierarchical variables ... 54

2.2.2 Multi-objective optimization with hierarchical variables ... 55

2.2.3 Introduction to genetic algorithms ... 56

Structured Non-dominated Sorting Genetic Algorithm ... 56

2.3.1 Initial population ... 57

2.3.2 Description of the evolution process ... 58

2.3.3 DEAP, an evolutionary framework for rapid prototyping of new algorithm . 59 Case study ... 59

2.4.1 Description of the building ... 60

2.4.2 Description of the heating systems ... 61

2.4.3 Summary of the optimization variables ... 63

2.4.4 Objective functions and penalty function ... 64

2.4.5 Carbon footprint evaluation method ... 65

2.4.6 Performance metrics for assessment of optimization algorithm ... 67

2.4.7 Description of the algorithm parameters and computer specifications ... 69

Comparison of performance between both algorithms ... 70

2.5.1 Graphical analysis of the evolutionary process ... 70

2.5.2 Algorithm evaluation based on metrics ... 74

Analysis of the optimal solutions ... 78

Conclusions ... 83

Résumé ... 86

Abstract ... 87

Introduction ... 88

3.1.1 Influence of design process on building performance ... 88

3.1.2 Optimization of the architectural variables ... 89

3.1.3 Optimization of the HVAC variables ... 90

3.1.5 Holistic optimization ... 90

3.1.6 Objective and outline of this work ... 91

Description of the building for the test case ... 92

Optimization methodologies ... 95

3.3.1 First approach: Holistic optimization ... 95

3.3.2 Second approach: Sequential optimization ... 98

3.3.2.1 First stage ... 98

3.3.2.2 Second stage ... 98

3.3.2.3 Selecting solutions on Pareto front... 99

3.3.3 Comparison between both optimization approaches ... 100

Results ... 101

3.4.1 Sequential optimization – first stage ... 101

3.4.2 Comparison between the sequential and holistic optimization ... 104

3.4.3 Analysis of optimal solutions ... 108

Conclusion ... 113

Sensitivity analysis of energy performance and thermal comfort throughout building design process ... 116

Comparison between two genetic algorithms minimizing carbon footprint of energy and materials in a residential building ... 118

Performance of a sequential versus holistic design approach in building multi-objective optimization ... 119

TABLE CAPTIONS

Table 1.1: Peripheral zone supply air temperature set point according to outdoor temperature.

... 14

Table 1.2: List of the design variables and the range of values that they can take. ... 21

Table 1.3: Evaluation of the model linearity with respect to the β coefficients for the main outputs. ... 24

Table 1.4: PRCC coefficients for each variable with respect to PMV₊ in each zone. ... 35

Table 1.5: Average, standard deviation and y values of E_totand PMV_+tot for each set of variables (as defined in Figure 1.14). ... 41

Table 2.1: List of the optimization variables with their upper and lower bounds. ... 63

Table 2.2: Wall specifications. ... 66

Table 2.3: Windows specifications. ... 67

Table 2.4: Algorithm parameters ... 70

Table 2.5: Percentage of heating system types in the population as a function of the generation for the optimization 1... 76

Table 3.1: List of design variables (first stage). ... 93

Table 3.2: List of design variables (second stage)... 93

Table 3.3: Unit cost and unit environmental impact for each envelope type. ... 94

Table 3.4: Unit cost and unit environmental impact for each window type. ... 94

Table 3.5: Unit cost and unit environmental impact for each heating system unit. ... 94

Table 3.6: Algorithm parameters. ... 99

Table 3.7: Description of each medoid. ... 103

Table 3.8: Fitness values of each medoid. ... 104

Table 3.9: Number of optimal solutions obtained for each optimization and the required computational time. ... 105

Table 3.10: Contribution of operational energy (heating) and building materials to CO2 and LCC. ... 110

Table 3.11: Number of heating systems on P , as a function of the origin of the optimal * solutions. ... 111

Table 3.12: Number of envelope on P , as a function of the origin of the optimal solutions.*

FIGURE CAPTIONS

Figure 1.1: Schematic representation of the HVAC&R systems. ... 16

Figure 1.2: Comparison of the monthly energy consumption for heating and cooling in kWh/m2 as calculated by the present model and a certified simulation. ... 19

Figure 1.3: Comparison between the ranked variables with SRC, PRCC and Sobol SA techniques, with respect toE_tot. ... 24

Figure 1.4: Examples of scatterplots of model outputs as a function of model inputs (a) vs tot sp E RH (R2 = 0.20), (b) E_tot vsT_flr (R2 = 0.004), (c) PMV_tot vsT_spc (R2 = 0.89),(d) 75

vs

hc Pa

E

I

(R2 _{= 0.35). ... 25}

Figure 1.5: β_i coefficients for each variable and several energy outputs... 27

Figure 1.6: β_i coefficients for each variable when the SA is applied on E_tot. ... 28

Figure 1.7:

β

_i coefficients for each variable when the SA is applied on

E

_hc and

E

_cc ... 29

Figure 1.8:

β

_icoefficients for each variable and several power model outputs. ... 30

Figure 1.9:

β

_i coefficients for each variable when the SA is applied on

E

_tot and

P

_tot. ... 31

Figure 1.10: Distribution of the PMV in each zone from the simulation sample. ... 33

Figure 1.11: PRCC coefficients for each variable and the outputs PMV_−tot, PMV_+tot and tot PMV for the entire floor. ... 34

Figure 1.12: Second-order Sobol index S_ijfor E_tot, E_ccand E_hc. ... 36

Figure 1.13: Second order Sobol index S_ij for PMV₊ in each zone and PMV_+tot. ... 38

Figure 1.14: Timeline representing the typical phases of a TDP. ... 40

Figure 1.15: Absolute β_i‒values before and after fixing variables during the design process for E_tot. ... 43

Figure 1.16: Absolute β_i‒values before and after fixing variables during the design process for PMV_+tot. ... 46

Figure 2.1: Schematic representation of an example of hierarchical variables. In blue, a high-level variable, in green, the inherited low-high-level variables. ... 53

Figure 2.3: Experimental layout, adaptation from Ref. [113]. ... 61

Figure 2.4: Schematic representation of the hierarchy between variables. ... 63

Figure 2.5: Visual representation of the metric diversity and hypervolume. ... 69

Figure 2.6: Solutions after each generation for both algorithms and for optimization #1 (filled markers = created solutions from NSGA-II and empty markers = created solutions from sNSGA). ... 71

Figure 2.7: Average of RSP and PF after each generation for the optimization 1. ... 72

Figure 2.8: Non-dominated set of solutions after each generation for both algorithms and the optimization #1 (filled markers = solutions from NSGA-II and empty markers = solutions from sNSGA). ... 73

Figure 2.9: Solutions distribution with respect to RSP for both algorithms (1100 solutions per algorithm are considered, which were taken from the last 5 generations). ... 74

Figure 2.10: Solutions included in the first 10 levels of optimality fronts in . ... 75

Figure 2.11: Convergence metric of both algorithms and for each optimization run. ... 75

Figure 2.12: Diversity metric of both algorithms and for each optimization run. ... 77

Figure 2.13: Hypervolume metric of both algorithms for each optimization. ... 78

Figure 2.14: Boxplot for each design variable in * P . The green line represents the median, the side of the box the first and third quartile and the whiskers the 5 and 95 percentiles. The sign “+” indicates data outside the whiskers. ... 80

Figure 2.15: Parallel coordinates for all the solutions with electric radiator in * P ... 82

Figure 2.16: Parallel coordinates for all the solutions with heat pump in P . ... 82*

Figure 3.1: Convergence metric (blue) and number of new optimal solutions on the final Pareto front that have been found at each generation (in red). ... 102

Figure 3.2: 10 clusters of the solutions on the Pareto front represented by a unique color with the corresponding medoid shown by a star. ... 103

Figure 3.3: Convergence metric after each generation for the sequential and holistic optimization. ... 106

Figure 3.4: Non-dominated front for each optimization shown as a 2D projection for the objective functions (a) CO2 and LCC, (b) CO2 and LPD and (c) LCC and LPD. The bigger markers highlight the optimal solutions remaining on * P . ... 107

tot

Figure 3.5: Parallel coordinates for all solutions on P with a color code related to the *

NOMENCLATURE

Variables

A Surface area [m2]

Effective area of the opening [m2]

C Set of centroids [-]

Conductivity of insulation material [W/m-K] jth _{cluster centroid [-]}

Average positive surface pressure coefficient [-]

Clo Clothing factor [clo] COP of cooling system [-] COP of heating system [-]

CO2 Greenhouse gases emissions during the life cycle of the building [ton of CO2eq]

2 CO2 equivalent due to the building energy consumption [ton of CO2eq]

2 CO2 equivalent due to the building materials and heating systems [ton of CO2eq]

C(P(t)) Metric of convergence [-] Euclidean distance [-] or Depth of solar overhang [m]

E Annual energy consumption [kWh/m2] (Chapitre 1)

E Theoretical heating load [MWh] (Chapitre 3)

Env or env Wall envelope type [-]

Sensible heat transfer effectiveness [-]

Total energy consumption of the heating system [kWh] Air distribution effectiveness [-]

Values of the normalized kth objectives function [ton of CO2eq] ( )t

F Non-dominated set of solution from generation t [-]

Gen Number of generation before stopping the evolution process [-] Gap between the overhang and the window [m]

H Opening height [m]

HE Heat emitter type [-]

HS Heating system type [-]

HV Hypervolume (metric of diversity and convergence) [-]

I Carbon intensity of energy [CO2eq/kWh] Infiltration rate at 75 Pa [m3/h-m2] ! Real time leakage rate [ACH]

k Number of variables [-] (Chapitre 1)

k Number of centroids [-] (Chapitre 3)

L Length of building [m]

LCC Life cycle cost [k$]

Met Metabolic rate [met]

"#$ Maximum water flow rate [kg/hr]

P Required power at time t [kW]

% Average surface pressure [Pa]

∗ _{Pareto optimal point}

( ) _{Population from generation t [-]} ) Crossover probability [-]

* Mutation probability [-]

Population including all solutions [-]

PF Penalty function [-]

PMV Predicted mean vote [-]

+,- Number of discomfort hour when it is too cold [hr]

+,. Number of discomfort hour when it is too hot [hr]

Pop Population size [-]

PPD Predicted percentage of dissatisfied person [%]

q Heating system rated capacity [kW]

/0! Relative humidity set point [%]

RSP Degree-weighted percentage of time during which the set point is not respected [-]

1 Façade surface area [m2_]

1 First-order Sobol indice of a specific variables [-]

1 Second-order Sobol indices [-]

SHGC Solar heat gain coefficient [-]

t Time of the year [min] (Chapitre 1)

t Generation number [-] (Chapitre 2 et Chapitre 3)

2 Outdoor ambient temperature [°C] (Chapitre 3)

2 Zone ambient temperature [°C] (Chapitre 2)

2 3 Mean internal and external air temperatures [K]

2 45 Enabling temperature for auxiliary electric power unit [°C]

2))_ 4* Summer set point temperature for the occupied hours (summer) [°C]

2))_$ Winter set point temperature for the occupied hours (winter) [°C]

24 _7 Outside temperature at 6am [˚C]

2 Thickness of insulation material [m]

289 Thickness of concrete on top of the CLT floor [m]

2 3_ No. of °C higher than 2_{))_ 4*} to activate natural ventilation [°C] 2 3_ 4 Minimum ambient temperature to activate natural ventilation [°C]

24 ) Winter set point temperature set point for the unoccupied hours [°C]

2) Supply air temperature for cooling [°C]

2 Supply air temperature for heating [°C]

2! Set point temperature for unoccupied hours [°C]

2!) Set point temperature for cooling [°C]

2 General set point temperature [°C] (Chapitre 2)

2 Zone temperature [°C] (Chapitre 3)

2$ Water temperature at radiator inlet [°C]

u1 Unit cost of building parts or system [$/m2 or $/unit]

u2 Unit environmental impact of building parts or system [kg CO2eq/m2 or kg CO2eq./unit] : Wind speed at the building height [m/s]

:$ Overall heat transfer coefficient [W/m2-K]

; Air velocity in the zone [m/s]

, Volume of the zone with infiltration [m3]

; ith _{data vector [-]}

;$ < Wind speed [m/s]

Win Windows type [-]

WWR Windows to wall ratio, [%]

X Set of data vectors [-]

Z Number of zones [-]

y Sum of the β coefficient [-]

Yr Number of year [-]

Greek letters

α Water temperature increase rate at heat emitter inlet [°C/°C]

β Standard regression coefficient value [-]

δ Number of hours of the simulation period [hr]

∆ Metric of diversity [-]

∆t Simulation time step [min] (Chapitre 1)

∆t Time step [hr] (Chapitre 2 et Chapitre 3)

∆T Indoor-outdoor temperature difference [°C]

θ Orientation of the building [°]

; Air speed [m/s]

ρ Air density [kg/m3]

ρ ! Volumetric heat capacity of insulation material [kJ/m3-k]

σ Standard deviation value of the sample [kWh/m2 or hr] Subscripts

aux Heat pump auxiliary unit

bo Boiler bm Building material C Core CC Cooling coil E East EE Embodied energy er Electric radiator fan Fan HC Heating coil

he Heat emitter (radiator)

HO Holistic optimization

hp Heat pump

HR Heat recovery unit

hum Humidifier Mx Medoid number x max Maximum N North OE Operational energy oh Overhang S South SO Sequential optimization tot Total W West Acronyms

ACH Air change per hour BEM Building energy modeling

BPO Building performance optimization CO2eq Equivalent emissions of carbon dioxide

CLT Cross laminated timber wall DSW Double stud wall

EA Exhaust air

EPS Expanded polystyrene FSS Faure sequence sampling GAs Genetic algorithms GES Gaz à effet de serre

GHG Greenhouse gases emissions HSS Hammersley sequence sampling

HVAC Heating, ventilating and air conditioning IAQ Indoor air quality

IDP Integrated design process LFW Light frame wooden wall LHS Latin hypercube sampling OA Outdoor air

PCI Processus de conception intégré PCT Processus de conception traditionnel PRCC Partial rank correlation coefficient PSO Particle swarm optimization SA Sensitivity analysis

SBX Simulated binary crossover sGA Structured genetic algorithm

sNSGA Structured non-dominated sorting genetic algorithm SRC Standard regression coefficient

REMERCIEMENTS

Cette thèse de doctorat que vous vous apprêtez à lire est un long projet et un défi que j’ai eu bien du plaisir à compléter. Dès les premières lignes, je tiens à vous remercier puisque vous allez prendre de votre temps pour en faire la lecture.

Je me souviens de mon dernier examen à Sherbrooke, évaluation qui me faisait compléter mon baccalauréat en génie mécanique. Je croyais sincèrement que ça allait être le dernier. Et bien non, quelques années plus tard, voilà que je me suis retrouvé à réaliser une maîtrise en environnement à l’Université de Montréal. C’est durant un stage chez Écohabitation que m’est venu le désire de poursuivre mes études dans le domaine de l’efficacité énergétique, du bâtiment et de l’environnement. Je remercie d’ailleurs toute l’équipe d’Écohabitation qui est composé de gens réalisant leur travail avec passion et conviction. Je remercie particulièrement Denis Boyer qui m’a recommandé de fouiller sur le web afin de voir s’il n’y avait pas un projet de doctorat qui pourrait m’intéresser à quelque part au Canada ou ailleurs dans le monde.

Dès le début de la thèse, l’équipe du CIRCERB1 m’a également séduit. Les professeurs associés, le directeur de la chaire Pierre Blanchet, le personnel administratif, les étudiants et les stagiaires forment une équipe dynamique, stimulante et inspirante. Encore une fois, je me suis retrouvé entouré de gens passionnés. L’équipe du Latté, le laboratoire dans lequel j’ai passé la majorité de mon temps a aussi été un milieu où les échanges que l’on a eus, tant au niveau professionnel que personnel, ont été constructifs et amusants. Je tiens à remercier particulièrement mon directeur de recherche Louis Gosselin qui fait également partie de ces personnes inspirantes, de par sa rigueur scientifique, sa soif de savoir et son engagement incontestable tant au niveau académique que dans sa sphère familiale. J’ai toujours été impressionné de voir comment il sait combiner enseignement, encadrement de chercheurs, vie familiale et engagement communautaire. Je n’ai pas cette capacité à en faire autant, j’aime autant le dire tout de suite. Merci également à Dominic qui m’a aidé à boucler la boucle avec la mise en forme de la thèse et de petits projets on the side. Merci à ma co-directrice Stéphanie

pour ses précieux conseils et ses bonnes idées. Malgré la distance qui nous séparent, puisqu’elle était localisée en France, elle a pris son rôle avec sérieux et je lui en suis reconnaissant.

Mes quatre bons amis de Québec David et Jean-Philippe, Marie-Claude et Olivia ont été d’une aide précieuse, au niveau du support moral qu’il m’a fallu afin de trouver l’équilibre entre le travail et le bonheur social. Souper arrosé, jam improvisé, randonnée spontanée, pique-nique urbain, les rencontres ont été nombreuses et m’ont toujours fait du bien à l’esprit. Olivia avait 2 ans au début de mon doctorat. Elle m’a permis de retrouver mon cœur d’enfant et surtout à développer cette créativité que l’on perd malheureusement en vieillissant. Elle m’a également permis de reprendre contact avec ces moments de bonheurs simples, qui aussi tendent à disparaître avec les ‘’responsabilités’’ qu’on s’impose en vieillissant.

Je remercie également mon bon ami Gabriel qui m’a suivi pour l’aventure du doctorat. Il a toujours été présent lorsqu’il fallait qu’on se perde dans le cosmos des réflexions sur les problèmes et dérives du capitalisme, avec comme objectif ambitieux de trouver les solutions qui nous permettraient de léguer aux générations futurs un monde de justice, d’équité, dans un environnement où la biodiversité serait en croissance et non mise en péril, comme à l’heure actuelle. Je remercie également mes parents qui m’ont toujours supporté dans mes projets, d’excellents conseillers et toujours disponibles pour m’écouter. Je les remercie également pour tous ses rassemblements qu’ils savent si bien organiser, en passant des rencontres familiales jusqu’aux voyages de pêches ou sortie en camping. Mon père Normand et ma mère Nicole sont des modèles pour moi, des parents exemplaires et des citoyens engagés dans la communauté et au sein de leur famille. Ils ont toujours mené à termes les projets qu’ils ont initiés, ils nous ont enseigné à mettre du cœur dans notre travail, à persévérer et surtout, à respecter ses prochains, à être honnête et intègre.

Finalement, je tiens à remercier ma bonne amie Christine qui m’a accueilli comme un roi lors de mon stage en Allemagne. Cette opportunité que j’ai eu à poursuivre ma thèse chez Fraunhofer IBP m’a permis de changer d’air à mi-chemin durant mon doctorat, ce qui m’a certainement aidé à passer à travers sans que 3 ans me paraissent une trop longue période.

Les nombreuses journées passées dans son jardin, les villages bavarois et les Alpes ont également été d’une aide précieuse pour combiner travail cérébrale et aventure. Merci à Sumee et Sebastian qui m’ont très bien encadré durant ce stage.

L’aventure du doctorat n’a pas toujours été facile et je remercie tous ceux que j’ai oublié et qui m’ont aidé à garder le moral et mener ce projet à terme. Je vois déjà de beaux projets à l’horizon et je suis convaincu que c’était la meilleure chose à faire. En espérant que je puisse apporter un petit impact positif à la société en utilisant les connaissances que j’ai acquis tout au long de mon parcours, en espérant laisser de beaux souvenirs à ceux qui m’ont côtoyé durant cette épreuve.

Merci

AVANT-PROPOS

L’introduction présente les différents sujets qui ont été couverts au cours de cette thèse. L’objectif principal y est présenté ainsi que les objectifs spécifiques qui ont été adressés par chacun des articles scientifiques. Un accent est mis sur les liens entre les articles qui rendent l’ensemble de la démarche cohérente. Les Chapitre 1, 2 et 3 présentent par ordre chronologiques ces articles.

Chapitre 1 :

R. Gagnon, L. Gosselin, and S. Decker, “Sensitivity analysis of energy performance and thermal comfort throughout building design process,” Energy and Buildings, vol. 164, pp. 278–294, Apr. 2018. (Publié)

Notes : Article rédigé par R. Gagnon (moi-même) et révisé par l’ensemble des coauteurs, mais plus particulièrement par L. Gosselin. J’ai développé le modèle TRNSYS permettant l’évaluation des performances énergétiques du bâtiment et j’ai validé ce modèle avec des données de consommations réelles. J’ai appliqué trois méthodes d’analyses de sensibilité à ce modèle et j’ai ensuite dégagé les principales conclusions. L’ensemble de ce travail a été réalisé sous la supervision de L. Gosselin et de S. Decker.

Chapitre 2:

R. Gagnon, L. Gosselin, S. Park, S. Stratbücker, and S. Decker, “Comparison between two genetic algorithms minimizing carbon footprint of energy and materials in a residential building,” Journal of Building Performance Simulation, Feb. 2018. (Soumis et révisé)

Notes : Article rédigé par R. Gagnon (moi-même) et révisé par l’ensemble des coauteurs, mais plus particulièrement par L. Gosselin. et S. Park. Un modèle TRNSYS développé par Strachan et al. [1] a été utilisé et adapté pour les besoins spécifiques de cet article : c’est-à-dire que certains éléments ont été simplifiés et d’autres ajoutés, notamment 3 systèmes de chauffage. J’ai été assisté par M. Kersken lors de la prise en main du modèle. J’ai ensuite adapté un algorithme proposé par D. Dasgupta à la plateforme DEAP afin d’optimiser le bâtiment. Finalement, j’ai comparé la performance de cet algorithme avec un autre bien

connu du nom de NSGA-II. J’ai dégagé les principales conclusions. Ce travail a été réalisé en partie en Allemagne, au cours d’un stage de 6 mois et en partie au Québec. Il a donc été réalisé sous la supervision séquentielle de S. Park et de L. Gosselin.

Chapitre 3 :

R. Gagnon, L. Gosselin, and S. Decker, “Performances of a sequential versus integrated design approach in building multi-objective optimization,” Journal of Building Engineering, May 2018. (Soumis)

Notes : Article rédigé par R. Gagnon (moi-même) et révisé par l’ensemble des coauteurs, mais plus particulièrement par L. Gosselin. J’ai utilisé le même modèle que dans l’article du Chapitre 2 et j’ai développé la méthode d’analyse. Cette dernière avait pour but de comparer la performance de 2 approches en conception de bâtiments par rapport à leurs capacités à optimiser ce même bâtiment. J’ai également dégagé les principales conclusions. L’ensemble de ce travail a été réalisé sous la supervision de L. Gosselin.

Mise en contexte

Le secteur du bâtiment au Canada est responsable de plus de 16% des émissions de gaz à effet de serre (GES) et de 30% de la consommation énergétique [2], [3]. À l’échelle mondiale, cela s’élève à 30% pour les émissions de GES et à 40% en ce qui a trait à la consommation énergétique. Cela est désormais irrévocable : les bâtiments peuvent jouer un rôle majeur dans la lutte aux changements climatiques ainsi que dans la réduction de la consommation des ressources naturelles [4]. Toutefois, la mise en œuvre de cette transition soulève de nombreux défis.

Les modes de conception de bâtiments doivent être revus et améliorés. Plusieurs études ont démontré que le choix du processus de conception peut être un obstacle à l’atteinte de hautes performances énergétiques et environnementales [5]–[7]. Dans un processus de conception traditionnel (PCT), les variables de conception sont fixées de façon séquentielle alors que dans un processus de conception intégré (PCI), cela se fait simultanément. D’autres études ont conclu qu’en faisant appel à un PCI plutôt qu’au PCT, on augmente les chances de succès d’un projet en matière d’efficacité énergétique, de réduction des couts, d’amélioration du confort et de la performance environnementale [8]–[10]. La conception intégrée se veut une approche où les différentes parties prenantes se rencontrent dès le début du projet de conception afin de développer des bâtiments avec une vision holistique. La conception tend à être assurée en utilisant des logiciels de type BIM de façon à ce que tout le monde travaille sur une même plateforme. L’optimisation globale d’un bâtiment devient un sujet intéressant puisqu’en phase préliminaire, tout est à construire et rien n’est fixé. Toutefois, cela reste une tâche complexe tant pour les concepteurs que pour les logiciels disponibles.

La réduction de la consommation énergétique des bâtiments mène à une réalité qui était avant peu considérée. Dans certains cas, une action prise afin de réduire l’énergie d’opération d’un bâtiment à faible consommation énergétique peut être contrebalancée par l’augmentation de l’énergie grise de ce dernier [11]–[13]. Les travaux cités précédemment étudient ce compromis qui doit être fait entre l’énergie d’opération d’un bâtiment et son énergie grise. Il ne convient pas à tous les contextes (géographiques, énergétiques, disponibilité des matériaux) de s’attaquer simplement à la diminution de la consommation énergétique afin de réduire de façon globale les GES émis par le secteur du

al. ont conclu que le carbone intrinsèque aux bâtiments représente une part allant de 9% à 80% du total du carbone sur le cycle de vie du bâtiment, le reste du carbone étant émis lors de la phase d’opération et de maintenance [14]. Sartori et Hestnes ont montré que les bâtiments à faible consommation énergétique sont bénéfiques dans une perspective de réduction de l’énergie sur le cycle de vie bien qu’il faille rester prudent puisque le carbone intrinsèque de ce type de bâtiment peut augmenter significativement [15]. Lessard et al. ont conclu dans une analyse du cycle de vie exhaustive d’un bâtiment commercial que la contribution des matériaux peut représenter plus de 50% de l’impact environnemental dans un contexte énergétique à faible intensité carbone (hydroélectricité en majeure partie au Québec) [16]. Ainsi, il apparait essentiel de considérer l’usage de matériaux à faible impact environnemental lors de la conception de bâtiments. Le bois et les matériaux biosourcés apparaissent donc comme étant un moyen efficace afin de séquestrer le carbone et donc de réduire le carbone intrinsèque au bâtiment [17].

L’efficacité énergétique passe également par une utilisation adéquate des éléments constituant un bâtiment. Un vaste éventail d’équipements de chauffage, ventilation, air conditionné et de réfrigération (CVAC-R) s’est développé au cours des dernières décennies. Faire un choix éclairé à travers ces équipements représente en soi un autre défi majeur. Les opérateurs de bâtiments sont aux commandes de systèmes de plus en plus complexes. L’opération de ces derniers offre beaucoup de flexibilité, mais requiert aussi de vastes connaissances. Les enveloppes disponibles sur le marché, tant au niveau de la partie opaque que pour les éléments de fenestrations sont aussi des composantes du bâtiment qui gagnent en complexité. Les matériaux à changements de phases, les fenêtres intelligentes, les murs solaires, les systèmes d’occultations actifs ou passifs sont, pour en énumérer seulement quelques-uns, des éléments qui peuvent maintenant être considéré dans la phase de conception. Divers équipements de production d’énergie renouvelable peuvent s’ajouter aux bâtiments écologiques : panneaux solaires, micro éoliennes et géothermie par exemple.

Afin de prendre les décisions qui mèneront à une diminution de la consommation énergétique des bâtiments ainsi qu’à une réduction de leurs impacts environnementaux, les concepteurs sont donc amenés à évaluer divers scénarios. Cette tâche est d’une grande complexité puisqu’il y a beaucoup d’autres critères de décisions qui ne peuvent être ignorés : esthétisme, respect des codes et normes en vigueur, confort thermique, confort visuel, division des espaces adaptés aux besoins des

utilisateurs, etc. Les solutions possibles sont énormes et le cout de fabrication est trop souvent le critère de décision dominant [18]. Les économies d’énergie anticipées dans le futur ne réussissent pas toujours à justifier un surcout au moment de la construction. Les conditions climatiques auxquelles sont soumis les bâtiments sont en constant changement de même que leurs usages. Par exemple, un édifice peut fort bien changer de fonction au cours de son cycle de vie, être densément occupé le jour et peu la nuit, etc. Tous ces éléments viennent compliquer la tâche des concepteurs puisque les choix optimaux sont fortement influencés par l’usage du bâtiment ainsi que par les conditions climatiques [19], [20].

Heureusement, des outils d’évaluation des performances énergétiques du bâtiment sont en continuel développement (eQuest, EnergyPlus, TRNSYS, SIMEB, DOE) et facilitent la tâche des concepteurs. D’autres logiciels comme RSMeans2 permettent une évaluation rapide des couts de construction. Athena impact estimator3 ou SimaPro sont deux logiciels qui permettent l’évaluation des impacts environnementaux due aux matériaux de construction. Afin de guider et d’assister les concepteurs durant la prise de décisions, de puissants outils complémentaires sont partie intégrante de certains logiciels. Par exemple, un module d’analyse de sensibilité et d’optimisation multi-objectif a été développé par Zhang et Korolija4 et est directement connecté à EnergyPlus. GenOpt, développé par Berkeley Lab5 permet de faire l’optimisation d’un bâtiment modélisé couplé avec TRNSYS, EnergyPlus, Dymola ou DOE-2. Ces outils d’aide à la prise de décisions ne cessent de se développer et plusieurs chercheurs du milieu académique valident leurs performances sur des cas concrets (Fig. 1 dans Ref. [21]).

L’analyse de sensibilité fait appel à diverses techniques qui permettent d’évaluer l’impact d’un ensemble de variables de design sur les performances du bâtiment (performances énergétiques, confort, etc.). L’optimisation multi-objectif quant à elle met en lumière plusieurs solutions répondant à un compromis optimal entre plusieurs objectifs à optimiser. Parmi les algorithmes d’optimisation multi-objectif, on retrouve la famille des algorithmes évolutionnaires. Les algorithmes génétiques font partie de ce groupe et ont été utilisés abondamment dans la littérature.

2 _{https://www.rsmeansonline.com/}

3 _{http://www.athenasmi.org/our-software-data/impact-estimator/} 4 _{http://www.jeplus.org/yzhang/}

Ces outils offrent un grand potentiel au développement de bâtiments écologiques à prix abordable. Toutefois, leur usage n’est pas toujours si simple et la connectivité entre les outils peut être compliquée. Après avoir mené plusieurs entrevues auprès de professionnels de l’optimisation de bâtiments, Attia remarque que le temps et les connaissances requis à l’implémentation de divers modèles de simulation indépendants ainsi que d’algorithme d’optimisation limitent l’usage de ce type d’approche [21]. La plupart des logiciels présentés ont été développés indépendamment et pour des usages spécifiques, ce qui représente un défi supplémentaire.

C’est donc autour de sujets tels que l’analyse de sensibilité, l’optimisation multi-objectif et l’évaluation de la performance des processus de conception que cette thèse est articulée. L’exploration de chacun de ces sujets est justifiée par un désir de proposer des méthodes qui seront profitables à la transition énergétique et la réduction de l’impact environnemental des bâtiments. L’usage de structures en bois et de matériaux d’isolation à base de cellulose fait partie des éléments considérés durant les diverses étapes du projet. Les objectifs spécifiques sont présentés dans la section qui suit.

Objectifs

L’objectif principal de cette thèse est de développer et d’évaluer une méthodologie d’optimisation pour la conception de bâtiments durables tenant compte simultanément d’un ensemble de variables hétérogènes et d’objectifs contradictoires. La minimisation de l’empreinte environnementale des matériaux de construction et de la consommation d’énergie, du cout de fabrication et d’opération ainsi que la maximisation du confort des occupants sont les objectifs d’optimisation, dans une perspective ultime de développement de bâtiments net-zéro en énergie et en carbone. Les articles scientifiques publiés qui en découlent viennent appuyer les autres recherches qui se font dans le domaine et démontrent également la pertinence de la méthode proposée. Cette thèse a aussi comme objectif d’apporter des solutions innovantes aux acteurs influents du domaine de la conception de bâtiment. Elle participe à la démocratisation de l’optimisation multi-objectif afin que son déploiement dans l’industrie devienne un incontournable.

1. L’analyse de sensibilité d’un vaste ensemble de variables sur les performances d’un édifice à bureaux, dans le but de réduire la quantité de variables de conception à considérer dans la phase d’optimisation.

2. L’étude comparative entre deux algorithmes d’optimisation multi-objectif. L’un d’entre eux est spécifiquement développé afin de considérer la hiérarchie entre les variables de conception. Le cas d’étude est un bâtiment résidentiel et les objectifs d’optimisation concernent les émissions de gaz à effet de serre reliés à la fabrication et à l’opération du bâtiment.

3. L’étude comparative de deux approches de conception dans un contexte d’optimisation multi-objectif : l’une s’apparentant au PCT et l’autre au PCI. Le cas d’étude est pratiquement identique à celui de l’axe 2. Ici, le cout de construction, d’opération de même que le confort sont de nouveaux objectifs d’optimisation considérés.

Dans les sections 0, 0 et 0, les objectifs spécifiques à chacun des axes sont présentés de même qu’une brève description du contenu des chapitres qui se rattachent aux axes.

Axe 1: Analyse de sensibilité

L’analyse de sensibilité est associée au contenu présenté dans le Chapitre 1. Le nombre de variables de conception qui influencent les performances d’un bâtiment est important. Cela rend le problème de conception complexe et afin de le simplifier, il devient nécessaire de sélectionner les variables les plus significatives. De ce fait, l’analyse de sensibilité s’avère un outil pratique afin de réduire le nombre de variables considérées en phase d’optimisation. Les objectifs spécifiques pour cet axe sont les suivants :

1.1Proposer différentes techniques d’analyse de sensibilité adaptées au cas d’étude, soit l’évaluation de la consommation énergétique et du confort d’un édifice à bureaux ;

1.2Réaliser une étude comparative entre les différentes techniques ;

1.3Démontrer la pertinence de l’analyse de sensibilité en phase de conception préliminaire ; 1.4Appliquer l’analyse de sensibilité à différentes phases de conception afin d’évaluer l’impact

Axe 2 : Comparaison d’algorithmes d’optimisation multi-objectif

Le deuxième axe de recherche se concentre sur l’étude comparative de deux algorithmes d’optimisation multi-objectif et est présenté dans le Chapitre 2. L’un des algorithmes est conçu spécifiquement afin de résoudre des problèmes d’optimisation en présence de variables hiérarchiques, discrètes et continues. Par exemple, le choix entre un système de chauffage X ou Y fait intervenir des variables de conception dépendantes différentes pour chaque système. L’optimisation simultanée du choix du système de chauffage et de ses variables dépendantes n’est pas une particularité considérée par tous les algorithmes. Pourtant, cela est essentiel pour réaliser une optimisation holistique de bâtiments. Ainsi, les objectifs spécifiques pour cet axe sont les suivants :

2.1Développer un algorithme qui prend en compte la hiérarchie entre les variables de conception en se basant sur l’algorithme proposé par Dasgupa et McGregor [22] ;

2.2Comparer les performances entre l’algorithme développé et l’algorithme NSGA-II (un algorithme génétique) ;

2.3Proposer une technique simple afin d’évaluer les émissions de GES associés ;

2.4Trouver un ensemble de solutions optimales qui minimisent les émissions de GES dues à la construction du bâtiment ainsi que celles en lien avec l’opération du bâtiment ;

2.5Étudier la performance de différents types d’enveloppes et de système de chauffage en lien avec les objectifs d’optimisation, notamment les enveloppes en bois.

Axe 3 : Comparaison entre deux approches de conception de bâtiments

Le troisième axe de recherche est présenté dans le Chapitre 3. Le modèle de bâtiment développé dans le Chapitre 2 est réutilisé. Une stratégie de ventilation naturelle est ajoutée au modèle numérique et des formules d’évaluation des couts de construction sont développées. Les objectifs spécifiques pour cet axe sont les suivants :

3.1Comparer la performance des deux approches de conception dans un contexte d’optimisation multi-objectif ;

3.2Vérifier si l’approche holistique permet de découvrir des solutions plus performantes que l’approche séquentielle, lorsque l’on désire concevoir des bâtiments à hautes performances énergétiques et environnementales ;

3.3Proposer un ensemble de solutions optimales qui minimise l’impact environnemental du bâtiment, qui minimise les couts de construction et d’opération et qui maximise le confort ; 3.4Proposer quelques techniques d’analyse des résultats optimaux afin de rendre la méthode

plus accessible pour l’industrie ;

SENSITIVITY ANALYSIS OF ENERGY PERFORMANCE

AND THERMAL COMFORT THROUGHOUT BUILDING DESIGN

PROCESSChapitre d'équation (Suivant) Section 1

Résumé

Dans un processus de conception traditionnel, les variables de conception sont déterminées de façon séquentielle, contrairement au processus de conception intégré qui favorise plutôt une conception holistique de façon à développer des bâtiments plus durables et performants. Dans l’article qui suit, un bâtiment de référence est décrit ainsi que son modèle énergétique développé à l’intérieur de TRNSYS. Ce modèle permet de déterminer la consommation énergétique et le confort du bâtiment. Ensuite, une analyse de sensibilité exhaustive est appliquée sur 30 variables de conception qui influencent divers critères de performances reliés à la consommation énergétique et au confort. Plus spécifiquement, 3 techniques d’analyse de sensibilité sont utilisées : Coefficients de régression standard, coefficients de régression partielle par le rang et les indices de Sobol. L’analyse des résultats montre que les 3 techniques mènent à des conclusions similaires. Le rang en ce qui a trait à l’importance des variables est assez semblable pour chacune des techniques et pour chacune des fonctions évaluées. Les principales interactions entre les variables de conception ont été identifiées avec les indices de Sobol de second ordre.

Dans la deuxième partie de l’article, un cadre de conception s’apparentant à une approche de conception traditionnelle a été adopté dans lequel des variables de conception sont définies de façon séquentielle. Une seconde analyse de sensibilité a été appliquée à chacune des phases du processus, en faisant l’hypothèse que les variables définies dans une phase antérieure ont une valeur fixe. L’analyse des résultats démontre que la détermination de la valeur des variables de conception d’un processus de conception traditionnel tend à réduire la possibilité d’obtenir des designs à faible consommation énergétique. De plus, il a été observé que l’importance de certaines variables de conception change durant les différentes phases de conception.

Abstract

In a traditional building design process (TDP), design variables are fixed sequentially, as opposed to integrated design process (IDP) which tends to avoid sequential design phases to create more sustainable buildings. First, a reference building is introduced and an energy model based on TRNSYS is presented to determine the energy consumption and comfort in the building. The model is validated based on energy bills, certified simulations and literature. Then, the paper performs an extended sensitivity analysis (SA) of 30 design variables with respect to different performance criteria related to energy consumption and comfort, based on a TRNSYS model. Three SA techniques were used, namely standard regression coefficients (SRC), partial rank correlation coefficients (PRCC) and Sobol indices. Results show that all three techniques yielded a similar ranking of the importance of the variables for most model outputs. Interactions between variables were identified with second-order Sobol indices. In the second part of this paper, a traditional design framework was adopted in which sets of variables were fixed sequentially. A SA was performed at each phase of the process, assuming fixed values for parameters chosen in previous design phases. Results show that fixing variables during the phases of a traditional design process tends to reduce the probabilities of finding low-energy consumption designs. Moreover, the influence of some variables was found to change during the design phases.

Introduction

The building sector in Canada is responsible for more than 16% of the green gas emissions and 30% of the energy consumption [2], [3]. Worldwide, this sector is even more impactful representing 30% of the green gas emissions and 40% of the energy consumption. Improving building performance can play a crucial role to cope with climate changes and resources depletion [4]. However, a building being a complex system, the selected design process may be an obstacle for reaching optimized and high performance designs as in certifications such as LEED platinum, Net-Zero or Passive House [5], [23], [24]. The design and construction of a building require a multidisciplinary team composed of architects, mechanical, electrical, structural and piping engineers, lighting and control specialists, contractors, and so on. Interactions are required between these stakeholders in the design process, but depending on the type of project (e.g., traditional, design build, integrated design, etc.) these interactions can be quite different [25]. Recent studies have highlighted the correlation between the level of interaction in a building design process and the success of a project in term of energy efficiency, cost, comfort and environmental impact [26]–[28]. They all concluded that the more the team is integrated, the more the project is likely to be successful on those aspects. Nevertheless, there are many obstacles limiting the systematic adoption of a more integrated design process.

In addition to the interactions between stakeholders, it is mandatory to consider the interactions between all the design variables and to determine the importance of these variables on the building performance in order to achieve a successful design process. Sensitivity analysis (SA) plays a key role to develop a better understanding of these issues as it aims at finding how a performance is affected by the design variables or their interactions. Garcia has combined first and second-order sensitivity analysis to highlight the interactions between the design variables of an apartment building [29]. He studied the effect of these variables on the yearly energy consumption, the peak power of the heating demand and the summer comfort. Most of the analysis was perform on a single zone model. Heiselberg et al. used several sensitivity analysis techniques to identify the most important variables on building performance. They claimed that when performed in the early stage of a design process, SA helps designers to focus on the significant variables to develop optimized and sustainable buildings [30]. Yu had performed a sensitivity analysis on a building to find the impact of eight design variables on the yearly energy building consumption [31]. It has been found that when the windows to wall ratio was fixed to 25% versus 50%, the most impactful variables

were taking different values. As an example, the heat transfer coefficient of the wall affects the variance of the output with a weight of about 30% in the first case and only 15% in the second case. Eisenhower used a derivative-based approach to perform a SA over 1009 parameters [32]. Some of these parameters concern schedules, materials properties, windows, lights, variable air volume (VAV) fans, outdoor air control, chillers and others. He used the results in order to reduce the number of variables integrated to an optimization process. Another approach is to use a self-adaptive optimization method to reduce the computation time without neglecting important variables [33]. In an early stage, the algorithm uses a simplified building model and later in the process, merges to a more complex tool in order to obtain accurate results.

In this study, the objective is to find which variables have the greatest influence on a series of building model outputs or objective functions throughout the different stages of a design process and to detect interactions between them. Section 1.2 presents the technical and functional program of the reference case, along with the model that was used to assess its energy and thermal comfort performances. The input variables and their range of possible values are listed in Section 1.3. A discussion on the different SA techniques that were used are described in Section 1.4 and Section 1.5 presents the results of the SA applied on all the design variables. Section 1.6 shows the evolution of the SA when applied during different phases of a building design process.

Building description and models

1.2.1 Functional and technical program

In order to test the methodology developed in this paper, a real reference case was considered. One major advantage of using a real building is the availability of information and documentations. In particular, architectural and HVAC&R blueprints and energy simulations were provided by the team who designed the building and helped to define and validate the TRNSYS model used in this work.

The building is located in Brossard (Quebec, Canada) and received a LEED NC silver certification. It consists in an office building that was built between 2009 and 2010. The gross floor area is 11,120 m2_{, with 5 storeys and a building footprint of 2,083 m}2_{. The height of the ceilings is 3.3 m for every}

insulation material is 100 mm thick and mainly composed of mineral wool. In this building, the energy for heating and cooling is mainly provided by 28 geothermal wells combined with 2 condensers and 2 evaporators. This main system is used to supply a hot and a cold water loops. The hot water temperature set point is between 18°C and 45°C according to the ambient temperature and that of the cold water loop, between 6°C and 14°C. The hot and cold water loops are connected to the heating and cooling coils in order to control the supply air temperature. The core of the building is supplied with air at a temperature between 12°C and 20°C and the peripheral zones with air temperature as described in Table 1.1. The temperature set points are gradually modulated between their minimum and maximum values depending on the heating and cooling signals. The heating or the cooling system is on when the zone temperature goes below 22°C or above 23.3°C respectively. The supply of fresh air is controlled according to the occupation schedule and flows through a heat recovery unit. The air handling unit can supply up to 1430 L/s of fresh air per floor [34].

Table 1.1: Peripheral zone supply air temperature set point according to outdoor temperature.

Outdoor air temperature [°C]

Air temperature set point Min. [°C] Max. [°C]

−30 20 40

+30 10 18

During the sensitivity analysis, several of the building design variables will be changed as described below. However, the general features of the functional and technical program have been preserved.

1.2.2 Building energy model and validation

In this work, energy simulations of the building were performed with TRNSYS. In order to complete the SA, the model was parametrized so that the design variables that will be described below could be changed automatically when performing simulations, according to a uniform distribution. Since each of the five storeys had similar features, it was decided to consider only one storey in the model for the purpose of the present study. The zoning included five zones, i.e. a central core and one peripheral zone per façade. The floor dimensions are 67.6 m per 29.8 m with peripheral zones having a depth of 4.5 m. The time step of the simulation has been set to 15 minutes. An evaluation of the precision of the model showed that a time step shorter than 15 minutes did not lead to a better precision but increased significantly the simulation time.

1.2.2.1 Envelope

The envelope includes the fenestration and an opaque section. The composition of the opaque envelope, from the outside to the inside, is made of a fibrocement panel, a layer of mineral wool, a particle board and plasterboard. The thickness of the insulation layer and its thermal properties can be varied in the model. Windows are fixed. The windows to wall ratio (WWR), overall heat transfer coefficiant (:_$) and solar heat gain coefficient (SHGC) are 3 other design variables and can be different for each façade.

1.2.2.2 Internal loads

Schedules were defined in the model for the internal loads (i.e., equipment, lighting and people). During weekdays, occupation is from 8:00AM to 6:00PM and during weekends the building is unoccupied. The sensible and latent loads are representative of a typical office building [35]. The number of person per floor is fixed to 176 which represents a density of about 12 m2/person and every person is producing a total of 150 W (50% sensible heat) [36]. The lighting and the other loads were determined in accordance with the loads present in the energy simulation used for the LEED certification and supplied by the building simulation specialists. A total of 10 W/m2 is dissipated by the lighting and 5.3 W/m2 _{by the other pieces of equipment.}

1.2.2.3 Outdoor air

The required outdoor air flow rate was first calculated based on ASHRAE 62.1 [37]. The required outdoor air for the breathing zone (one floor) at full occupancy is 1103 L/s. The air intake was modulated based on the occupancy schedule and recirculation is used when required to satisfy the heating/cooling loads. The required outdoor air intake is determined by adjusting this flow rate with the efficiency of the air diffusion system ( ), a design variable that can typically vary from 0.8 to 1.2. When the building is not occupied, the air intake is turned off [38].

1.2.2.4 HVAC&R systems

In the reference building, air is supplied by a main duct loop circulating around the floor plan a few meters from the façade. Additionally, fan-coil units are used close to the envelope to provide extra heating and cooling. For the sake of simplicity, this HVAC&R system was modeled as shown by the schematic representation shown in Figure 1.1. It includes fans, a heat recovery unit, a heating coil,

a humidifier and a cooling coil. With this model, the ventilation system supplies air in the building core and recirculates air in the 4 perimeter zones [39]. Since the goal of the model is to estimate energy consumption and comfort, and not IAQ, this simplified zoning was considered acceptable.

Figure 1.1: Schematic representation of the HVAC&R systems.

The temperature in every zone is controlled with a VAV approach, i.e. that the supply air flow varies according to the heating or cooling demand. A proportional controller generates a signal after comparing the zone temperature (2 ) with the cooling and heating set points (2_!) and 2_! ). If

2! ≤ 2 ≤ 2!), the signal is 0 and only the required fresh air is supplied to the core zone. If

2! − 2 = 1 or 2 − 2!) = 1, the signal is 1 and multiplies the maximum air flow defined for

each zone. A signal of 0.5 means that 50% of the maximum air flow is supplied to the zone. The power drawn by the fan is approximated by a linear relation with the supply air flow. During the coldest day, the maximum available air flow is sufficient to maintain 2_! in each zone. The required power of a centrifugal fan to supply this maximum flow is determined from the table “Fan types and size range” provided in Ref. [40].

The heating and cooling coils have an unlimited capacity (TRNSYS component type 754) in the model in such a way that air temperature can reach the desired supply air temperature set point at all times. The heat transfer rate provided by the heating coil represents the rate of sensible energy that is added to the air stream. For the cooling coil, it represents the rate of sensible and latent energy removed from the air stream. Finally, the relative humidity is controlled in heating conditions based on a set point in each zone and the model determines the latent energy demand for humidification

of this zone. During the summer months (June to September), humidity is not mechanically controlled.

1.2.3 Model outputs for sensitivity analysis

Based on the model described above, it is possible to calculate several outputs. The annual energy consumption can be calculated by summing the energy consumed by the fans, the heat recovery unit and the energy required for the air conditioning (cooling, heating and humidifying):

= B (( (C) +

7E ∆ ×H I

JE K

(C) + (C)+ (C)+ 4*(C))

∆

C (1.1)

where P(t) represents the power at a given time step and ∆t, the duration of the time step. The

different power values are provided after the energy simulation. Since and are the heating and cooling (thermal) loads of the building, conversion factors ( and ) can be used to determine the actual power needed (electricity, gas, etc.). Note that monthly energy consumptions can also be calculated in the same way. Additionally, the peak power demand _{* 5} was also determined from the simulation as it is an important parameter for equipment sizing and in order to establish energy cost:

* 5 = max(( (C) + K(C) + (C)+ (C)+ 4*(C)) (1.2)

Thermal comfort can also be assessed by TRNSYS simulations. Calculations are based on ISO 7730 [36], [41] and ASHRAE 55-2004 [42]. Based on Fanger’s thermal comfort model, the Predicted Mean Vote (PMV) in each zone is obtained. The PMV varies from −3 (very cold) to +3 (very hot) and is influenced by the operative temperature and humidity, but also by clothing factor (Clo), metabolic rate (Met) and air velocity ; . To determine Clo, the results from [43] have been used.

People’s behavior and choice of clothes change depending on the outside weather and the following correlation is used:

OP* = −0.01×2 4 _7+ 0.766 (1.3) where 2_{4 _7} is the temperature at 6:00AM in °C. Concerning Met and ; their values were fixed to 1.2 and 0.15 m/s [42]. The evaluation of thermal comfort on a yearly basis is computed via 2 indicators defined as the number of discomfort hour +,_-, +,_. [44]:

+,- = B (U ∆C) 7E ∆ H I JE (1.4) with: U = W10 if +, ≤ −0.5else (1.5)

Note that only the occupation hours were considered. +,_. is calculated in the same way, except that U = 1 when PMV ≥ 0.5. According to ASHRAE 55.2004, the acceptable PMV for a general comfort is fulfilled when: −0.5 < PMV < +0.5. Note that the criteria presented in this section can be calculated in each zone or averaged over the entire floor. Then, it will bear the name +,_-^ for the

+,- in the north zone and the name +,_- for an average of +,_- on the entire floor. Finally,

+, represents the sum of +,- and +,_. .

1.2.4 Model validation

To verify the accuracy of the present model, a reference case scenario has been elaborated in order to represent the actual building that was introduced in the beginning of Sections 1.2.1 and 1.2.2. All variables of the models have therefore been chosen to be as close as possible to those of this building in the reference case. The results of this TRNSYS model were compared to:

(i) the energy bills of the reference building introduced in Section 1.2.1;

(ii) the results of a certified simulation that had been done during the elaboration of the reference building using EE4 (EE4 is a program developed by Natural Resources Canada. It uses a compliance checking approach to building energy simulation. It evaluates building designs according to the Model National Energy Code for Buildings

(MNECB) 1997 and "Performance Compliance for Buildings" (MNECB/CS, NRC 1999) [45]).

The energy bill shows that the total yearly electricity consumption from October 2013 to September 2014 was 137.5 kWh/m2_{. That includes heating, cooling, ventilation, lighting, computers, domestic}

hot water, plug loads, etc., since electricity was the only source of energy supplied to the building. However, the energy bill did not explicitly separate HVAC&R loads (which are included in the present model) from other types of loads. Based on literature, it was estimated that ~53% of the energy demand is devoted to heating and cooling in typical office buildings in Québec, Canada [46], which represents ~72.9 kWh/m2 _{for the reference buildings. This is very close to the value achieved}

from the TRNSYS simulation, i.e. 78.6 kWh/m2 (less than 7% difference).

Figure 1.2 compares the energy required for heating and cooling the building for each month, with the TRNSYS model and from the certified simulation. The energy intensity for cooling and heating calculated with the TRNSYS model is 78.6 kWh/m2 compared to 90.6 kWh/m2 for the EE4 energy simulation. Considering the 13% difference, the results of the present model were considered to be adequate given its relative simplicity. For example, only one floor is included in our model in such a way that thermal losses through the foundations and roof are not taken into account. Furthermore, the zoning includes only five zones, whereas the EE4 simulation includes approximately 30 detailed zones per floor.

Figure 1.2: Comparison of the monthly energy consumption for heating and cooling in kWh/m2 _{as calculated by the}

present model and a certified simulation. 0 2 4 6 8 10 E n er g y c o n su m p ti o n [k W h /m 2 ] Cooling TRNSYS Cooling EE4 Heating TRNSYS Heating EE4