Compléter, fiabiliser et diminuer le coût des approches scientifiques actuelles en Qualité de l'Air Intérieur (modélisation et expérimentation)

Enhancing, Ensuring Reliability, and Reducing the Cost of Current Scientific Approaches in Indoor Air Quality (Modeling and Experimentation)

• Auteur / Autrice : Hiba Ajib
• Direction : Karim Limam, Thierry Duforestel
• Type : Projet de thèse
• Discipline(s) : Energétique et thermique
• Date : Inscription en doctorat le 01/12/2021
• Etablissement(s) : La Rochelle
• Ecole(s) doctorale(s) : EUCLIDE
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences de l'Ingénieur pour l'environnement

Mots clés

Mots clés libres

Qualité de l'Air Intérieur

Modélisation

Expérimentation

Bâtiments

Moisissures

Capteurs à bas coût

Indoor Air Quality

Modeling

Buildings

Mold

Pollutant interactions

Low-cost sensors

Résumé

La qualité de l'air intérieur (QAI) est un enjeu majeur de santé publique, influençant directement le bien-être et la santé des occupants des bâtiments. Toutefois, l'étude de la QAI peut s'avérer coûteuse, notamment en raison des capteurs sophistiqués nécessaires pour mesurer avec précision les niveaux de polluants et la complexité de modélisation des phénomènes physiques. Ces équipements, bien que fiables, sont souvent inaccessibles pour de nombreuses applications en raison de leur coût élevé. Dans ce contexte, rendre les outils d'étude de la QAI plus abordables et accessibles devient une priorité. Dans cette thèse, nous nous concentrerons sur trois aspects fondamentaux de la QAI. Premièrement, nous étudions la croissance des moisissures dans les bâtiment en intégrant de modèles prédictifs dans la modelothèque BuildSysPro QAI. Ces modèles seront ensuite comparé a des données expérimentales réalisées sur des plaques de plâtre ce qui permettra de mieux estimer l'étendue des surfaces moisies et de mieux comprendre les modèles proposés dans la littérature. Deuxièmement, nous étudierons les interactions complexes entre les différents polluants présents dans l'air intérieur. Certains polluants, lorsqu'ils interagissent, peuvent générer des produits secondaires potentiellement plus dangereux que les polluants primaires. L'objectif est d'inclure ces phénomènes chimiques dans les simulations afin de proposer une modélisation plus complète des processus qui influencent la qualité de l'air intérieur. Enfin, nous proposerons une nouvelle méthodologie pour améliorer la précision et réduire le coût des mesures de la QAI. En utilisant une nappe de capteurs à bas coût couplée à des techniques d'apprentissage machine, nous viserons à reproduire les résultats des capteurs de référence, tout en optimisant le nombre de capteurs nécessaires. Cette approche permettra de rendre les mesures de la QAI plus accessibles sans sacrifier la précision des résultats.

Indoor air quality (IAQ) is a major public health issue, directly affecting the well-being and health of building occupants. However, studying IAQ can be expensive, particularly due to the sophisticated sensors required to accurately measure pollutant levels and the complexity of modeling physical phenomena. While these instruments are reliable, they are often inaccessible for many applications due to their high cost. In this context, making IAQ study tools more affordable and accessible becomes a priority. In this thesis, we will focus on three key aspects of IAQ. First, we will study mold growth in buildings by integrating predictive models into the BuildSysPro QAI library. These models will then be compared with experimental data obtained from plasterboard samples, which will allow us to better estimate the extent of mold-covered surfaces and to better understand the models proposed in the literature. Second, we will investigate the complex interactions between different pollutants present in indoor air. Some pollutants, when they interact, may generate secondary products that are potentially more dangerous than the primary pollutants. The goal is to include these chemical phenomena in simulations in order to provide a more comprehensive modeling of the processes that influence indoor air quality. Finally, we will propose a new methodology to improve the accuracy and reduce the cost of IAQ measurements. By using a network of low-cost sensors coupled with machine learning techniques, we aim to replicate the results of reference sensors while optimizing the number of sensors required. This approach will make IAQ measurements more accessible without sacrificing result accuracy.