🤖 AI

Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

Auteurs originaux : Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Publié 2026-05-25

📖 5 min de lecture🧠 Analyse approfondie

Auteurs originaux : Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez une vieille maison et que vous souhaitez la rendre économe en énergie. Pour ce faire, vous devez savoir à quel point vos murs retiennent la chaleur. Cette capacité à « laisser échapper la chaleur » est appelée la valeur U.

Habituellement, pour mesurer cela, vous devez coller un capteur spécial (un capteur de flux thermique) sur le mur et le laisser en place pendant plusieurs jours, voire deux semaines. C'est comme attendre qu'un ragoût à cuisson lente soit prêt ; vous ne pouvez pas vous précipiter, sinon les résultats seront faux. Cela prend beaucoup de temps, coûte de l'argent et est ennuyeux si vous souhaitez tester de nombreux murs différents dans un bâtiment.

Cet article pose une question simple : Pouvons-nous utiliser un « cerveau informatique intelligent » (Réseaux de Neurones Artificiels) pour deviner ce que le capteur aurait mesuré, afin de ne pas avoir à le laisser sur le mur aussi longtemps ?

Voici comment ils ont tenté de résoudre le problème, en utilisant quelques analogies du quotidien :

La Configuration : La Météo et le Mur

Les chercheurs ont placé un capteur sur un mur pour mesurer trois choses :

La température à l'intérieur de la pièce.
La température à l'extérieur.
La quantité de chaleur qui traverse réellement le mur.

Ils ont collecté des données toutes les 10 minutes pendant environ 3 jours. Imaginez cela comme enregistrer une « recette » de la façon dont le mur réagit à la météo.

Le « Cerveau Intelligent » (L'IA)

Ils ont entraîné quatre types différents de « cerveaux intelligents » (Réseaux de Neurones Artificiels) pour apprendre cette recette. L'objectif était d'enseigner au cerveau : « Si l'intérieur est à cette température et l'extérieur à celle-là, quelle quantité de chaleur devrait traverser le mur ? »

Ils ont testé quatre architectures de « cerveau » différentes :

Le Cerveau Simple (MLP) : Un penseur basique et direct.
Le Cerveau Mémoire 1 (LSTM) : Un penseur doté d'une mémoire à long terme, bon pour se souvenir de ce qui s'est passé il y a un moment.
Le Cerveau Mémoire 2 (GRU) : Un type légèrement différent de penseur à mémoire, un peu plus épuré.
Le Cerveau Hybride (LSTM + GRU) : Une équipe où une partie possède une mémoire à long terme et l'autre un type de mémoire différent, travaillant ensemble.

L'Expérience : Séparer les Données

Pour vérifier si ces cerveaux apprenaient réellement, ils ont divisé leurs données en deux tas :

Le Tas d'Étude (Entraînement) : Ils ont montré ces données au cerveau afin qu'il puisse apprendre les motifs.
Le Tas de Test (Validation) : Ils ont caché ces données au cerveau et lui ont demandé de prédire le flux de chaleur en se basant uniquement sur les températures.

Ils ont essayé différentes divisions : parfois le cerveau étudiait 25 % des données et était testé sur le reste ; d'autres fois, il étudiait 50 % ou 66 %.

Les Résultats : Qui a gagné ?

L'article a révélé quelques faits intéressants :

Plus de Données Aident les Cerveaux « Mémoire » : Lorsque le cerveau avait plus de données à étudier (50 % ou 66 %), les Cerveaux Mémoire (LSTM et GRU) ont fait du excellent travail. Ils pouvaient prédire le flux de chaleur avec une grande précision, presque comme s'ils avaient le capteur sur le mur tout le temps.
Le Cerveau Simple a Peiné : Le Cerveau Simple (MLP) était correct lorsqu'il avait très peu de données à étudier, mais il n'était pas aussi fiable lorsque les données augmentaient. C'est comme un élève qui peut mémoriser un court poème mais qui se perd face à un livre entier.
La Meilleure Combinaison : Le Cerveau Hybride (LSTM + GRU) a obtenu le taux d'erreur le plus bas lorsqu'il a étudié 66 % des données. Cependant, les chercheurs ont noté que disposer de 66 % des données pour l'entraînement pourrait être un peu « tricher » car le tas de test était si petit.
Le Vainqueur Réel : En regardant une répartition équitable (50 % d'étude, 50 % de test), le LSTM (Cerveau Mémoire 1) était le champion. Il a prédit le flux de chaleur avec une erreur d'environ 5,3 % par rapport au vrai capteur.

Le Problème : Le Facteur « Surprise »

L'article a également trouvé une limitation. Les « cerveaux intelligents » sont comme des élèves qui mémorisent les schémas météorologiques qu'ils ont étudiés. Si la météo change soudainement d'une manière qu'ils n'ont jamais vue auparavant (un pic ou une chute de température « surprise »), le cerveau se perd et la prédiction devient instable.

Ils ont montré une image d'un autre mur où la prédiction fonctionnait bien jusqu'à ce que la météo fasse quelque chose d'inattendu, moment où le « cerveau intelligent » a perdu son chemin.

La Conclusion

L'article conclut que l'utilisation de l'Intelligence Artificielle pour prédire le flux de chaleur est une idée prometteuse. Si vous pouvez entraîner l'IA avec quelques jours de données, vous pourrez peut-être déplacer votre capteur vers un nouveau mur beaucoup plus tôt que les deux semaines standard.

Cependant, la méthode n'est pas encore parfaite. Elle fonctionne mieux lorsque la météo se comporte de manière prévisible, et les chercheurs indiquent qu'ils doivent effectuer plus de tests pour s'assurer que le « cerveau intelligent » ne se perd pas face à des changements météorologiques soudains.

En résumé : Ils ont construit une boule de cristal numérique capable de deviner combien de chaleur un mur perd en fonction de la température. Cela fonctionne plutôt bien, mais cela a encore besoin de plus de pratique pour gérer les surprises météorologiques.

Résumé technique : Prédiction de la transmittance thermique par réseaux de neurones artificiels à partir de résultats de la méthode du flux de chaleur

Énoncé du problème
La rénovation énergétique profonde du parc immobilier existant constitue une priorité pour l'Union européenne, mais l'évaluation de la transmittance thermique (valeur U) des éléments de bâtiment existants demeure un défi. Les structures existantes manquent souvent de documentation de conception, et la dégradation des matériaux ou l'humidité peuvent modifier les propriétés thermiques au fil du temps. Bien que la méthode du flux de chaleur (HFM), normalisée par la norme ISO 9869-1, soit une approche expérimentale courante pour déterminer les valeurs U in situ, elle présente une limitation significative : la durée de la mesure. Pour respecter les critères normatifs et garantir la fiabilité, les essais HFM nécessitent souvent jusqu'à deux semaines, en particulier lors de l'utilisation de méthodes de traitement de données dynamiques visant à minimiser l'écart par rapport aux valeurs U conçues. Cette durée prolongée entrave la planification efficace des processus de rénovation. De plus, le déploiement de multiples capteurs pour tester différents éléments simultanément est souvent financièrement et opérationnellement inefficace.

Méthodologie
La recherche propose une méthode pour réduire la durée de mesure en utilisant des réseaux de neurones artificiels (RNA) pour prédire le flux de chaleur à partir des températures de l'air intérieur et extérieur. L'hypothèse centrale est qu'une fois qu'un modèle RNA est entraîné sur un court segment de données HFM, il peut prédire le flux de chaleur pour le reste de la période en n'utilisant que les entrées de température, permettant ainsi de déplacer le capteur physique vers d'autres sites de mesure.

L'étude a utilisé des données expérimentales collectées sur un mur multicouche entre le 22 et le 26 février 2019. L'ensemble de données comprenait 490 entrées enregistrées toutes les 10 minutes, capturant la température intérieure ( $T_i$ ), la température extérieure ( $T_e$ ) et le flux de chaleur ( $q$ ).

Quatre architectures distinctes de RNA ont été évaluées pour leur capacité à prédire le flux de chaleur :

MLP3 : Un perceptron multicouche avec une couche cachée contenant trois neurones.
LSTM100 : Un réseau à mémoire à long et court terme (LSTM) avec 100 unités dans la couche cachée.
GRU100 : Un réseau à unité récurrente à porte (GRU) avec 100 unités dans la couche cachée.
LSTMGRU100 : Une architecture hybride combinant 50 unités LSTM et 50 unités GRU répartis sur deux couches cachées.

Chaque architecture a été testée selon trois ratios différents de division des données d'entraînement/validation : 1/4, 1/2 et 2/3. La performance des modèles a été évaluée à l'aide de l'erreur quadratique moyenne (RMSE), de l'erreur quadratique moyenne (MSE) et de l'erreur absolue moyenne (MAE) pour la prédiction du flux de chaleur. De plus, les valeurs U prédites ont été calculées en utilisant la méthode moyenne standard (ISO 9869-1) appliquée au flux de chaleur prédit et comparées à la valeur U mesurée (0,586 W/(m²K)).

Résultats clés
L'analyse a produit des résultats prometteurs concernant la prédiction des taux de flux de chaleur à partir des entrées de température :

Performance des architectures : Les architectures de réseaux de neurones récurrents (RNN) (LSTM et GRU) ont généralement fourni des résultats plus fiables lorsque des ensembles de données plus importants (ratios d'entraînement 1/2 et 2/3) étaient utilisés pour l'entraînement. À l'inverse, l'architecture MLP a relativement mieux performé avec des ensembles de données d'entraînement plus petits (ratio 1/4).
Meilleure performance : La prédiction la plus précise pour le ratio d'entraînement/validation 1/2 a été obtenue par le modèle LSTM100, qui a produit un RMSE de 1,68 et une différence relative de 5,31 % par rapport à la valeur U mesurée.
Modèle hybride : Le modèle LSTMGRU100 a atteint le RMSE le plus bas (1,22) au ratio d'entraînement 2/3 ; cependant, les auteurs notent que cela peut être attribué à la plus grande proportion de données d'entraînement plutôt qu'à une supériorité inhérente de l'architecture.
Limites : Une analyse supplémentaire sur un mur différent a révélé une instabilité potentielle des prédictions lorsque les températures aux limites changeaient d'une manière non observée pendant la période d'entraînement. Cela suggère que, bien que la méthode soit efficace dans des conditions stables, elle peut avoir des difficultés avec des variations de limites thermiques inédites.

Portée et revendications
L'article affirme que l'application de classes spécifiques de RNA aux résultats HFM offre une voie viable pour réduire le temps nécessaire aux mesures de valeur U in situ. En prédisant avec succès le flux de chaleur à partir de données de température, le capteur physique de flux de chaleur pourrait théoriquement être déplacé vers d'autres emplacements après une période d'entraînement plus courte, accélérant ainsi l'évaluation de multiples éléments de bâtiment.

Cependant, les auteurs adoptent une position modeste concernant la maturité de la méthode. Ils reconnaissent que la stabilité des prédictions à long terme, en particulier avec de petits ensembles de données ou dans des conditions aux limites variables, nécessite des investigations supplémentaires. L'étude identifie l'influence des changements de température aux limites non observés comme une limitation principale, suggérant que des conditions de mesure strictes ou des techniques de régularisation peuvent être nécessaires pour des conclusions plus certaines. Par conséquent, l'article présente ces résultats comme une orientation pour de futures recherches plutôt que comme une solution finalisée pour un déploiement immédiat et généralisé.