Stratégies d'apprentissage automatisé pour la prédiction d'empreintes incorporées de structures dès les premiers stades de conception

MACHINE LEARNING STRATEGIES FOR EARLY PREDICTION OF STRUCTURAL EMBODIED EMISSIONS

• Auteur / Autrice : Sandie Kate Fenton
• Direction : Gabriele Pierluisi, Lars De Laet, Samuel Rufat
• Type : Projet de thèse
• Discipline(s) : Architecture
• Date : Inscription en doctorat le ; Soutenance le 18/06/2024
• Etablissement(s) : CY Cergy Paris Université en cotutelle avec Vrije Universiteit Brussel
• Ecole(s) doctorale(s) : Ecole doctorale Arts, Humanités, Sciences Sociales (Cergy-Pontoise, Val d'Oise)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de recherche de l'Ecole nationale supérieure d'architecture de Versailles
• Jury : Examinateurs / Examinatrices : Gabriele Pierluisi, Karla SALDAñA OCHOA, Lars De laet, Klaas De rycke, Adrian Munteanu, Iris De graeve, Sigrid Adriaenssens
• Jury : Rapporteurs / Rapporteuses : Karla SALDAñA OCHOA, Sigrid Adriaenssens

Mots clés

Mots clés libres

Ingénieur structure

Analyse cycle de vie

Machine Learning

Life cycle Analysis

Structural Engineering

Machine Learning

Résumé

La recherche de neutralité carbone dans le secteur du bâtiment a entraîné une augmentation des exigences règlementaires. Pour se conformer aux politiques environnementales et atténuer l'impact significatif de la conception structurelle sur les émissions de gaz à effet de serre (GES), les ingénieurs doivent adapter leurs pratiques. Afin de réduire leur dépendance aux bureaux environnementaux externes, il est essentiel de les familiariser aux principes d'Analyse de Cycle de Vie (ACV) et d'intégrer des outils efficaces dans leur méthodes travail. Cette recherche, menée en collaboration avec Bollinger+Grohmann (BG), aborde les défis auxquels sont confrontés les ingénieurs et explore des solutions clés permettant de réduire les impacts environnementaux de projets sans augmenter la charge de travail. Un défi majeur est lié à la diversité des habitudes et des outils de travail au sein d'un même bureau. Aussi, au vu de la nature dynamique des projets et des changements de plans réguliers, les études d'ACV sont souvent reportées en phase finale, ce qui limite les transformations possibles. Les solutions mises en œuvre chez BG comprennent le développement de plug-ins ACV simples intégrés aux outils internes, ainsi que l'archivage des données d'ACV en interne. En particulier, cette recherche a catalysé le développement d'un outil de conception fournissant une estimation en temps réel des émissions de GES incorporées, permettant, entre-autres, des analyses comparatives, des explication d'impacts et des vérification de résultats. L'approche suivie pour créer cet outil apprend des bases de données de bâtiments existants, et utilise des données contextuelles et descriptives, telles que la typologie de la structure ou l'emplacement, pour approximer les GES incorporés. Basée sur des techniques d'apprentissage automatique, la méthodologie s'adapte à divers contenus, comme en témoignent les résultats relevés sur trois bases de données différentes et validés à l'aide de données internes de BG. Inspirée des défis et opportunités rencontrés au quotidien dans le milieu du bâtiment, cette étude vise à aider les bureaux d'ingénierie structurelle à la conception et à la prise de décision, comblant ainsi les lacunes en matière de données et de savoirs caractérisant ce secteur. A terme, l'outil pourrait servir à informer les politiques et règlementations environnementales, et faciliter une transition vers des bâtis à faibles émissions, résilients et durables.

The building sector's pursuit of carbon neutrality has led to a surge in regulatory requirements within structural engineering. To comply with environmental policies and mitigate the significant impact of structural design on Greenhouse Gas (GHG) emissions, structural engineers must adapt their methodologies. Thus, there is a pressing need to familiarize them with Life Cycle Analysis (LCA) principles and integrate efficient LCA tools into their workflow, reducing reliance on external environmental practices. This research, conducted in collaboration with Bollinger + Grohmann (B+G), addresses the challenges faced by structural engineers and explores key changes to reduce project environmental impacts without increasing workload. A primary challenge is the diverse array of working habits and tools within the same office, requiring tailored solutions. Additionally, projects' dynamic nature and regular changes, often defers LCAs to final stages, limiting design changes. The solutions implemented as part of the overarching LCA strategy for B+G encompass the development of user-friendly LCA plug-ins seamlessly integrated into in-house tools, alongside the automation of in-house LCA data archiving. In particular, this research has catalyzed the development of an early design tool providing real-time estimation of embodied GHG emissions, enabling comparative analyses of buildings, explanation of feature impacts, and verification of computed results. As an alternative to conventional LCA calculation, the approach followed to create this tool leverages knowledge from existing building's databases, and uses contextual and descriptive data, such as structure typology and location, to approximate the total embodied GHG missions. Based on machine learning techniques, the methodology is rendered adaptable to diverse database contents, as evidenced by its evaluation across three distinct databases and its proof of concept validation using in-house B+G data. Based on challenges and opportunities encountered in daily professional practice, this study aims to assist structural engineering practices in design and decision-making, thereby bridging data and knowledge gaps in the building industry. Its broader applications could inform environmental regulations, policies, and mitigation strategies, facilitating a transition towards low-emission, resilient, and sustainable built environments.