Safe Aggregation in Modular Sustainability Assessment: A Method for Interface-Aware Pareto Screening

Dans le monde de l'écologie industrielle, les scientifiques et les ingénieurs tentent de comprendre le coût environnemental complet des choses que nous utilisons, de l'électricité qui alimente nos maisons aux matériaux qui construisent nos villes. Ils font cela en décomposant des systèmes complexes en pièces plus petites et plus maniables appelées modules. Imaginez un vaste réseau d'usines, de fermes et de centres de recyclage, chacun accomplissant une tâche spécifique comme le raffinage du pétrole ou la production d'énergie. Pour étudier l'ensemble du système, les chercheurs construisent des modèles numériques de ces tâches individuelles, puis les connectent entre elles, traçant comment les matériaux et l'énergie passent d'une étape à la suivante. Cette approche, connue sous le nom d'analyse du cycle de vie, leur permet de calculer la charge environnementale totale, telle que les émissions de carbone ou l'utilisation de l'eau, associée à un produit. Cependant, un défi persistant surgit lorsque ces modèles deviennent trop grands ou trop complexes. Pour les rendre maniables, les modélisateurs simplifient souvent les détails des étapes intermédiaires, regroupant différents types de matériaux ou de conditions dans une catégorie générique unique. Par exemple, ils pourraient traiter toute l'électricité de la même manière, qu'elle ait été produite à midi ou à minuit, ou ils pourraient ignorer la pression spécifique d'un flux de gaz, en supposant que seule la quantité totale de gaz importe. La question critique est de savoir si ces simplifications sont sûres. Si un modélisateur écarte un détail qui s'avère important pour l'étape suivante de la chaîne, le calcul final de l'impact total du système pourrait être complètement faux, menant potentiellement à la sélection d'une technologie qui est en réalité pire pour l'environnement que celle qu'il a rejetée.

Juan J. Segura, chercheur à l'Universidad Andres Bello, a développé une méthode précise pour répondre à cette question, déterminant exactement quand il est sûr de simplifier un modèle et quand il est dangereux de le faire. Ses travaux se concentrent sur l'interface entre les différentes parties d'un système, qui est le point où un processus transmet son résultat au suivant. Il propose une règle qui vérifie si le processus en aval, celui qui reçoit le matériau, se soucie réellement des détails spécifiques qui sont supprimés. Si le processus récepteur est insensible à un détail particulier, comme la température d'un gaz ou l'emplacement spécifique où il a été produit, alors ce détail peut être agrégé ou ignoré en toute sécurité sans changer la conclusion environnementale finale. Cependant, si le processus récepteur est sensible à ce détail, l'information doit être conservée. Segura démontre qu'ignorer cette règle peut conduire à une erreur spécifique et grave : un modèle pourrait identifier incorrectement une technologie comme étant la meilleure option et rejeter une alternative supérieure simplement parce que le modèle n'a pas réussi à voir une différence cruciale entre elles.

Pour prouver son point, Segura a construit un cas de test spécifique impliquant cinq technologies différentes qui produisent toutes le même matériau de base. Dans ce scénario, les technologies produisaient des matériaux avec des combinaisons différentes de pureté, de localisation et de température. Le processus en aval dépendait de manière critique de la pureté et de la localisation du matériau, mais, par construction, il était insensible à la température. Lorsque les modélisateurs ont utilisé une approche traditionnelle, ils n'ont regardé que la quantité totale de matériau produite et l'énergie utilisée pour la fabriquer, ignorant les différences de pureté et de localisation. Sous cette vue simplifiée, l'une des technologies est apparue comme la plus efficace et a été choisie comme gagnante, tandis qu'une alternative supérieure a été écartée. Cependant, lorsque le système complet a été assemblé et que les exigences spécifiques de pureté et de localisation ont été prises en compte, la situation s'est inversée. La technologie qui avait été écartée s'est avérée être la seule option capable de satisfaire les besoins du système sans engendrer de charges supplémentaires massives en aval. La technologie qui semblait bonne de manière isolée nécessitait en fait tellement d'efforts supplémentaires en aval pour répondre aux exigences spécifiques de pureité et de localisation qu'elle est devenue la pire option globale. Cet exemple a montré qu'une simplification prématurée avait éliminé la véritable meilleure solution.

Segura a ensuite poussé ce concept plus loin en lançant une simulation informatique massive pour voir à quelle fréquence ce genre d'erreur se produit dans le monde réel. Il a généré plus de 160 000 systèmes modulaires différents, faisant varier le nombre de technologies, la complexité des impacts environnementaux et la sensibilité des processus en aval à des détails spécifiques. Les résultats étaient frappants. À mesure que la sensibilité du processus en aval augmentait, le risque de prendre une mauvaise décision en simplifiant le modèle augmentait de façon spectaculaire. Dans les cas où le processus en aval était hautement sensible aux détails, la méthode traditionnelle consistant à simplifier le modèle a échoué à trouver la meilleure solution dans près de 74 % des simulations. Elle éliminait systématiquement les technologies qui auraient été le meilleur choix pour le système complet. En revanche, la méthode proposée par Segara, qu'il appelle le criblage sensible à l'interface (interface-aware screening), n'a jamais commis cette erreur. En vérifiant si le processus en aval pouvait réellement distinguer les différentes options avant de prendre une décision, cette méthode a préservé la solution correcte à chaque fois, tout en permettant toujours la suppression des détails réellement non pertinents.

La conclusion centrale de cette recherche est que le niveau de détail requis dans un modèle n'est pas une norme fixe qui s'applique à chaque situation. Au contraire, il dépend entièrement de ce que l'étape suivante de la chaîne a besoin de savoir. Un modèle n'a pas besoin d'être détaillé partout, mais il doit être suffisamment détaillé là où cela compte. Si un processus en aval ne peut pas distinguer deux états, alors ces états peuvent être traités comme identiques. Mais si le processus en aval réagit différemment à eux, le modèle doit les garder séparés. Cette intuition fournit une règle claire et auditable pour les scientifiques et les ingénieurs construisant ces modèles de durabilité complexes. Elle leur permet de simplifier leur travail sans crainte, à condition de pouvoir prouver que la simplification n'occulte pas une différence que le reste du système prend en compte.

Cette approche change notre façon de concevoir la construction des modèles pour l'avenir. Elle suggère que nous pouvons créer des bibliothèques de modèles de processus réutilisables qui sont certifiés pour être sûrs pour des types de connexions spécifiques. Au lieu de deviner si un modèle est assez détaillé, les modélisateurs peuvent désormais calculer le niveau de détail exact requis en fonction des utilisations prévues de ce modèle. C'est particulièrement important pour les évaluations prospectives, où les scientifiques tentent de prédire l'impact environnemental de technologies qui n'existent pas encore ou qui fonctionneront dans des contextes futurs très différents. En garantissant que les détails appropriés sont préservés, cette méthode aide à éviter la sélection de technologies qui semblent bonnes sur le papier mais qui échouent en pratique. Elle offre un moyen de naviguer dans la complexité des systèmes industriels avec confiance, en s'assurant que le chemin que nous choisissons pour un avenir durable est basé sur des informations précises plutôt que sur des raccourcis de commodité. Le travail ne prétend pas résoudre tous les problèmes de la modélisation environnementale, mais il fournit un outil fondamental pour savoir quand un modèle est prêt à être utilisé et quand il nécessite plus de détails, transformant une question de jugement en une question de calcul.