📄 earth_science

A graph-matrix hybrid approach for deep temporalisation in time-explicit LCA

Ce document présente Trails, une méthode hybride graphe-matrice en open-source qui permet une temporalisation profonde dans l'analyse du cycle de vie explicite dans le temps en propageant les dynamiques temporelles spécifiques à chaque année à travers des chaînes d'approvisionnement entières, démontrant des impacts significatifs sur les scores environnementaux cumulés et la chronologie des émissions par rapport aux approches statiques ou limitées au premier plan.

Auteurs originaux : Romain Sacchi, Tom Terlouw, Arthur Jakobs, Karin Treyer, Alvaro Hahn-Menacho, Christian Bauer

Publié 2026-07-15

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Romain Sacchi, Tom Terlouw, Arthur Jakobs, Karin Treyer, Alvaro Hahn-Menacho, Christian Bauer

Article original sous licence CC BY 4.0 (https://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 essayiez de calculer l'empreinte carbone totale d'une nouvelle voiture électrique. Dans l'ancienne méthode standard (appelée ACV statique), c'est comme si vous preniez une photographie unique et figée du monde en l'an 2025. Vous supposez que chaque usine fabriquant l'acier pour la voiture, chaque centrale électrique générant l'électricité et chaque route sur laquelle la voiture roule restent exactement les mêmes pour toujours. Vous prenez cette photo, vous faites le calcul, et c'est terminé.

Mais le monde réel n'est pas une photo figée ; c'est un film en accéléré.

Entrez en scène Trails, un nouvel outil open-source créé par des chercheurs de l'Institut Paul Scherrer. Considérez Trails comme un détective voyageur dans le temps qui ne se contente pas d'étudier la voiture ; il suit l'arbre généalogique complet de la voiture à travers le temps.

Le problème de la « photo figée »

L'article soutient que pour les objets à longue durée de vie — comme une voiture qui dure 16 ans, un navire qui navigue pendant des décennies ou un barrage qui tient un siècle — l'approche de la « photo figée » est trompeuse. Si vous construisez une voiture en 2025 mais que vous la conduisez jusqu'en 2041, le réseau électrique qu'elle utilisera en 2030 pourrait être bien plus propre que celui de 2025. Un calcul statique manque cela. Il manque également le fait que l'acier de la voiture a pu être fabriqué dans une usine construite en 1990, ou que les batteries seront recyclées en 2045.

L'aventure de la « temporalisation profonde »

Les chercheurs appellent leur nouvelle méthode la « temporalisation profonde » (deep temporalisation). Voici l'analogie :

Imaginez qu'une chaîne d'approvisionnement soit une immense réunion de famille multigénérationnelle.

Le « Premier Plan » (La Voiture) : C'est le personnage principal, celui que vous étudiez.
L'« Arrière-plan » (La Chaîne d'Approvisionnement) : C'est le reste de la famille — les fabricants d'acier, les mineurs, les centrales électriques, les constructeurs de routes.

Les anciens outils (et même certains plus récents) ne demanderaient qu'au personnage principal : « Quand as-tu fait les choses ? », puis regarderaient l'album photo de la famille pour cette année spécifique. Ils ne demanderaient pas aux arrière-grands-parents (les fabricants d'acier) quand eux ont fait leur travail.

Trails change la donne. Il demande au personnage principal : « Quand as-tu fait les choses ? », puis envoie un messager voyageur dans le temps vers chaque ancêtre de la chaîne d'approvisionnement.

Si la voiture utilise de l'acier fabriqué en 2020, le messager part en 2020.
Si la voiture utilise de l'électricité générée en 2035, le messager part en 2035.
Si l'acier a été fabriqué avec du charbon en 2010 mais que la centrale électrique a été modernisée en 2025, le messager suit ce changement.

C'est ce que les auteurs appellent la « temporalisation profonde » : propager la chronologie des événements tout au long de la chaîne d'approvisionnement, sans s'arrêter aux premières étapes.

Ce qu'ils ont trouvé (Le rebondissement de l'intrigue)

L'équipe a testé ce « détective voyageur dans le temps » sur quatre systèmes différents : une voiture électrique, une usine chimique produisant du polyol, un navire changeant de type de carburant et une machine qui absorbe le dioxyde de carbone de l'air (DACCS).

Ils ont comparé trois scénarios :

Statique : La photo figée (données de 2025 pour tout).
Premier plan uniquement : Le personnage principal se déplace dans le temps, mais la famille reste figée en 2025.
Temporalisation profonde (Trails) : Tout le monde évolue dans le temps, suivant l'évolution réelle du monde.

Les résultats :
Dans ces simulations, l'approche de la « Temporalisation profonde » a modifié les scores finaux de manière significative par rapport aux autres méthodes.

Pour le navire passant du diesel au méthanol, la méthode profonde a montré un score d'impact 23,8 % inférieur à la méthode statique et 18,3 % inférieur à la méthode du premier plan uniquement. Pourquoi ? Parce que l'infrastructure pour le nouveau carburant a été construite dans le passé, et que l'infrastructure de l'ancien carburant disparaissait. La photo statique a totalement manqué ce changement.
Pour le produit chimique polyol, la méthode profonde a montré un score 22 % plus élevé. Cela s'explique par le fait que la méthode profonde a retracé la construction des usines chimiques jusqu'aux années 1980, alors que les autres méthodes supposaient qu'elles avaient été construites juste au moment de la production du produit.
Pour la voiture électrique, la différence était plus faible (environ -3,6 %), suggérant que pour certains systèmes, la « photo figée » est en réalité assez proche de la réalité.

L'article suggère que le besoin de cette « temporalisation profonde » dépend du système. Si vous étudiez un produit à courte durée de vie, une simple photo peut suffire. Mais pour les infrastructures à longue durée de vie ou les économies en mutation rapide, ignorer la chronologie peut conduire à de mauvaises conclusions.

Ce qu'ils excluent explicitement

Les auteurs sont très clairs sur ce que leur outil n'est pas :

Ce n'est pas une boule de cristal pour l'incertitude : L'outil est déterministe, ce qui signifie qu'il donne une réponse spécifique basée sur les données fournies. Il ne lance pas actuellement des milliers de simulations pour deviner à quel point le futur pourrait être « incertain ».
Ce n n'est pas pour les détails horaires : L'outil travaille sur une chronologie annuelle. Il ne peut pas vous dire si une usine émet plus de pollution un mardi matin par rapport à un vendredi soir, ou comment les variations saisonnières du vent affectent une heure spécifique. Il est trop grossier pour cela.
Ce n'est pas un remplacement pour tous les autres outils : Il complète les outils existants comme bw_timex ou DyPLCA. Il ne les remplace pas ; il ajoute une couche spécifique de suivi temporel « profond » que ces outils pourraient omettre lorsqu'ils traitent des bases de données connectées et spécifiques à une année.

Quelle est leur certitude ?

Les auteurs sont confiants dans leur méthode et les simulations qu'ils ont menées. Ils ont construit l'outil, l'ont testé contre des problèmes mathématiques connus (et il a réussi) et l'ont appliqué à quatre études de cas spécifiques.

Ils ont démontré que la temporalisation profonde modifie les résultats (parfois beaucoup, parfois peu).
Ils suggèrent que cette approche est nécessaire pour les systèmes ayant de longues durées de vie ou des chaînes d'approvisionnement changeant rapidement.
Ils ne prétendent pas que cet outil est la solution finale et parfaite pour toutes les questions temporelles environnementales. Ils admettent que si les données sur le quand des événements sont de mauvaise qualité, l'outil pourrait donner un « faux sentiment de précision ».

Ce qu'il faut retenir

Considérez Trails comme une nouvelle lentille pour regarder le passé, le présent et le futur de nos produits. Il ne demande pas seulement « Qu'avons-nous fabriqué ? ». Il demande : « Quand l'avons-nous fabriqué, quand l'avons-nous utilisé, et comment le monde a-t-il changé pendant que nous le faisions ? »

En reliant les points à travers le temps, il révèle que le coût environnemental d'un produit n'est pas seulement un chiffre unique — c'est une histoire qui se déroule sur des décennies. Et parfois, la fin de cette histoire est très différente de ce que la « photo figée » avait prédit.

Résumé technique : Une approche hybride graphe-matrice pour la temporalisation profonde dans l'ACV explicite dans le temps

Énoncé du problème
L'Analyse de Cycle de Vie (ACV) conventionnelle suppose généralement que tous les processus d'un système de produit se produisent à un instant unique et que l'économie de fond reste statique. Bien que les méthodes d'ACV dynamiques et prospectives aient progressé pour représenter la temporalité des processus, le calendrier des émissions et les bases de données de fond spécifiques au temps, les approches existantes concentrent souvent la temporalisation sur le premier plan (foreground). Elles connectent fréquemment les événements du premier plan à des instantanés (snapshots) de l'arrière-plan sans propager les échanges temporalisés plus profondément dans la chaîne d'approvisionnement. Cette limitation est critique pour les systèmes à longue durée de vie (ex. : infrastructures, systèmes énergétiques) et les technologies intégrées dans des économies en mutation rapide, où les dynamiques amont (telles que la construction d'infrastructures, le renouvellement des flottes ou le traitement différé des déchets) influencent considérablement les résultats résolus dans le temps. Les outils actuels manquent de flux de travail capables de représenter efficacement les distributions temporelles à travers l'ensemble de la chaîne d'approvisionnement, y compris les échanges de fond, menant à une potentielle représentation erronée des dynamiques systémiques.

Méthodologie : Le cadre Trails
Les auteurs présentent Trails, une implémentation open-source d'une méthode hybride graphe-matrice conçue pour réaliser une « temporalisation profonde ». Cette approche propage les distributions temporelles au-delà du système de premier plan à travers les échanges et les processus situés à plusieurs niveaux de la chaîne d'approvisionnement.

Algorithme hybride graphe-matrice : Trails évite la charge computationnelle liée à la résolution d'une matrice unique et massive étendue dans le temps. Il emploie un processus en deux étapes :
1. Routage temporel (Graphe) : Le système est modélisé comme un graphe de routage temporel où les nœuds représentent des paires processus-année $(i, y)$ . Trails utilise un parcours adaptatif basé sur un score pour étendre les branches. Il route les demandes à travers la chaîne d'approvisionnement, en appliquant des distributions temporelles (décalages et poids) aux échanges. Cette étape détermine quelles activités amont sont pertinentes pour des années spécifiques en fonction d'un seuil défini par l'utilisateur par rapport au potentiel de score statique.
2. Résolution par année (Matrice) : Une fois que le routage a identifié les « demandes frontières » (la limite du graphe étendu), ces demandes sont agrégées par année civile. Chaque vecteur de demande annuelle est résolu indépendamment à l'aide de la matrice technosphérique correspondante à l'année ( $A_y$ ). Cela préserve la compatibilité avec l'ACV matricielle conventionnelle tout en gérant les dépendances interannuelles.
Bases de données indexées temporellement connectées : Trails traite les instantanés d'années de scénarios (ex. : de 2000 à 2100) comme des tranches d'un tenseur 3D. Il supporte deux interprétations pour les échanges distribués temporellement :
- Mode Année d'Ancrage (Anchor-Year) : Le coefficient d'échange est lu à partir de l'année où le processus se produit et est distribué dans le temps.
- Mode Année Cible (Target-Year) : La distribution temporelle détermine les années cibles, mais le coefficient est lu dans la matrice de l'année cible, reflétant l'évolution des technologies ou des conditions de la chaîne d'approvisionnement.
Évaluation de l'impact : La méthode s'intègre aux modèles d'impact dynamique, spécifiquement l'émulateur climatique FaIR, pour générer des réponses de forçage radiatif et de température résolues dans le temps. Elle supporte également des indicateurs d'équivalent impulsion CO2 à fenêtre fixe qui tiennent compte du calendrier des émissions au sein d'une fenêtre d'évaluation spécifique.

Principales contributions

Formalisation de la temporalisation profonde : L'article définit la temporalisation profonde comme la propagation récursive des métadonnées temporelles au-delà du premier plan vers les matrices de fond connectées et indexées temporellement.
Implémentation algorithmique : Il introduit un algorithme hybride graphe-matrice pratique qui combine un routage temporel explicite avec des résolutions matricielles annuelles efficaces, rendant la temporalisation profonde réalisable pour les praticiens appliqués.
Choix de modélisation : Le travail clarifie la distinction entre les interprétations de coefficients d'année d'ancrage et d'année cible, un choix qui affecte considérablement les résultats dans les bases de données prospectives où les mélanges technologiques évoluent.
Outil Open-Source : Trails est publié en tant que bibliothèque Python open-source, comblant le fossé entre la génération de bases de données prospectives (ex. : via Premise) et l'analyse temporelle profonde.

Résultats
Les auteurs ont démontré l'approche à l'aide de quatre études de cas présentant des événements de cycle de vie sur plusieurs décennies : un véhicule électrique à batterie, la production de polyol par CCU, un changement de carburant maritime et un système de capture directe de l'air et de stockage du carbone (DACCS).

Variations de score : La temporalisation profonde a modifié les scores cumulés de manière significative par rapport à l'ACV statique et à l'ACV explicite dans le temps limitée au premier plan.
- Par rapport à l'ACV statique, les changements allaient de -23,8 % à +22 %.
- Par rapport à l'ACV explicite dans le temps limitée au premier plan, les changements allaient de -18,3 % à +20,3 %.
Constatations spécifiques :
- Changement de carburant maritime : A montré le plus fort effet de la temporalisation profonde (-23,8 % par rapport au statique), dû au calendrier de construction des infrastructures pour les filières de combustibles fossiles et synthétiques des décennies précédentes.
- DACCS : La temporalisation profonde a rapproché le score cumulé du résultat statique, tandis que la temporalisation limitée au premier plan a produit un score nettement inférieur (+20,3 % de différence), soulignant l'importance du calendrier de l'infrastructure de gaz naturel en amont.
- Production de Polyol : La temporalisation profonde a augmenté le score de +22 % par rapport à l'ACV statique, révélant les impacts de la construction d'installations chimiques remontant à 1987, qui étaient omis par les approches limitées au premier plan.
Profils temporels : La méthode a déplacé le calendrier des infrastructures amont, des chaînes de carburant et des contributions d'émissions à long terme, modifiant la forme des courbes d'impact cumulé au fil du temps.

Signification et affirmations
L'article affirme que Trails fournit un outil diagnostique et méthodologique nécessaire pour tester si la temporalisation amont est pertinente pour la décision dans un contexte temporel choisi. Sa principale importance ne réside pas dans l'affirmation d'une précision supérieure pour tous les cas, mais dans sa capacité à révéler des dynamiques temporelles qui pourraient autrement rester cachées dans des modèles statiques ou limités au premier plan.

Les auteurs positionnent Trails comme un outil complémentaire aux outils existants (tels que bw_timex, DyPLCA et Temporalis). Il est particulièrement précieux pour les systèmes dotés d'infrastructures à longue durée de vie, de traitements de fin de vie différés et de chaînes d'approvisionnement en mutation rapide. Cependant, l'article note modestement que pour les produits à courte durée de vie ou les systèmes où les distributions temporelles sont mal connues, des modèles statiques ou limités au premier plan plus simples peuvent rester suffisants. L'outil est conçu pour aider les praticiens à déterminer quand l'ajout d'une modélisation temporelle à travers tout le système de produit est justifié par le contexte de la décision.