Data-driven moving-window Bayesian inference for transient CO2–temperature network models of buildings

Les bâtiments ne sont pas des boîtes statiques ; ce sont des systèmes vivants qui respirent, stockent la chaleur et réagissent aux personnes qui les occupent. Chaque fois qu'une porte s'ouvre, qu'une personne entre ou qu'une fenêtre s'entrouvre, l'air à l'intérieur se déplace, transportant à la fois de la chaleur et du dioxyde de carbone. Pendant des décennies, les ingénieurs ont tenté de prédire comment ces changements affectent le confort intérieur, en s'appuyant sur des modèles qui traitent la chaleur et la qualité de l'air comme des problèmes distincts. Ils savent que les murs conduisent la chaleur et que les personnes génèrent de la chaleur, mais ils éprouvent souvent des difficultés à suivre les courants d'air invisibles qui circulent entre les pièces, surtout lorsque les capteurs sont rares ou que le comportement du bâtiment change soudainement. Le défi consistait à créer un système capable d'apprendre à partir de données limitées en temps réel, en distinguant un bug de capteur d'un véritable changement dans le comportement du bâtiment, tout en maintenant des calculs assez rapides pour être utiles au contrôle des systèmes de chauffage et de climatisation.

Une équipe de chercheurs de l'Université de technologie d'Eindhoven a développé une nouvelle approche qui traite la température d'un bâtiment et ses niveaux de dioxyde de carbone comme les deux faces d'une même pièce. Au lieu d'examiner la chaleur et la qualité de l'air de manière isolée, ils ont créé un modèle qui les lie à travers les moteurs invisibles du flux d'air et de la présence humaine. Dans ce cadre, le mouvement de l'air est le fil conducteur : les mêmes courants d'air qui transportent le dioxyde de carbone d'une pièce à l'autre transportent également la chaleur. En observant comment la température et le dioxyde de carbone évoluent au fil du temps, le système peut déduire, par un raisonnement inverse, où se trouvent les gens, comment l'air circule entre les zones et comment le bâtiment lui-même stocke ou libère de l'énergie. Cette méthode ne nécessite pas un réseau dense de capteurs coûteux ; elle fonctionne avec les données éparses typiquement disponibles dans les bureaux, en utilisant une technique appelée inférence bayésienne à fenêtre glissante. Cette approche examine une tranche de temps récente et courte — comme une fenêtre de quarante minutes — plutôt que d'essayer d'analyser l'intégralité de l'historique du bâtiment à la fois. Cela permet au modèle de s'adapter rapidement lorsque les conditions changent, par exemple lorsqu'une réunion se termine et que les gens passent d'un petit bureau à une grande salle de conférence.

Pour tester leur idée, les chercheurs ont d'abord construit une version parfaite, générée par ordinateur, d'un bâtiment comprenant quatre petits bureaux, deux grandes salles de réunion et un couloir de liaison. Dans ce monde simulé, ils connaissaient la vérité exacte : ils savaient précisément combien de personnes se trouvaient dans chaque pièce, à quelle vitesse l'air circulait et comment les murs conduisaient la chaleur. Ils ont ensuite introduit des erreurs de capteurs réalistes, imitant les légères imprécisions des capteurs bon marché du monde réel. Lorsqu'ils ont testé leur nouveau modèle sur ces données, celui-ci a réussi à reconstruire les schémas cachés de l'écoulement de l'air et de l'occupation. Le modèle a été capable de suivre le mouvement des personnes des petits bureaux vers la grande salle de réunion, ajustant ses estimations internes des courants d'air et du stockage de chaleur pour correspondre à la nouvelle réalité. Crucialement, lorsque le système rencontrait un changement soudain qu'il n'avait pas vu venir, il ne se contentait pas de deviner ; il signalait son incertitude. L'éventail des réponses possibles s'élargissait, indiquant ainsi à l'utilisateur : « Je ne suis pas encore sûr », jusqu'à ce que suffisamment de nouvelles données arrivent pour confirmer le nouvel état. Cette capacité à quantifier le doute est une caractéristique clé, car elle empêche le système de faire des prédictions certaines mais erronées lors de transitions chaotiques.

Les chercheurs ont ensuite comparé leur modèle combiné à une version plus simple qui ne regardait que la température. Dans l'environnement parfait de la simulation, le modèle basé uniquement sur la température fonctionnait raisonnablement bien car la chaleur et le dioxyde de carbone étaient étroitement liés par la physique de la simulation. Cependant, le modèle combiné s'est avéré supérieur sur un point précis : il s'est adapté beaucoup plus rapidement au changement soudain d'occupation. Lorsque les personnes se sont déplacées, le modèle utilisant les données de dioxyde de carbone a mis à jour sa compréhension du flux d'air et du nombre de personnes presque immédiatement, tandis que le modèle basé uniquement sur la température accusait un retard. Cela suggère que même lorsque les données de température sont disponibles, la couche supplémentaire d'informations sur le dioxyde de carbone aide le système à identifier plus rapidement la bonne explication de ce qui se passe à l'intérieur du bâtiment.

Pour voir si cela tenait la route dans le monde réel, l'équipe a construit un modèle physique réduit du même agencement de bâtiment. Ils ont utilisé de petits ventilateurs pour entraîner l'air entre les pièces et une source contrôlée de dioxyde de carbone et de chaleur pour simuler un groupe de personnes se rassemblant dans une pièce. Contrairement à la simulation informatique parfaite, cette installation physique présentait des imperfections réelles : l'air ne se mélangeait pas parfaitement, les capteurs avaient leurs propres particularités et le comportement du bâtiment ne correspondait pas toujours exactement aux équations théoriques. Malgré ces décalages, le modèle a obtenu des résultats impressionnants. Il a réussi à suivre la montée et la descente du dioxyde de carbone et de la température à mesure que la source artificielle de "personnes" s'activait et se désactivait. Plus important encore, le modèle combiné offrait une image bien plus claire de ce qui se passait que la version basée uniquement sur la température. Dans l'expérience réelle, les données de température seules ont conduit le modèle à inventer de fausses sources de chaleur dans des pièces où personne n'était présent, tentant d'expliquer les changements de température par des hypothèses incorrectes. Les données de dioxyde de carbone ont agi comme un garde-fou, empêchant ces erreurs et resserrant l'éventail de l'incertitude autour des estimations de flux d'air. Le modèle a appris que les changements de température étaient pilotés par la source connue dans la pièce principale, et non par des sources de chaleur fantômes ailleurs.

L'étude a également exploré comment la taille de la fenêtre temporelle influençait les résultats. Ils ont découvert qu'utiliser une fenêtre de données plus longue améliorait généralement la précision, lissant le bruit et permettant au modèle de mieux distinguer les erreurs aléatoires des capteurs des tendances réelles. Cependant, si la fenêtre était trop longue, le modèle devenait lent et peinait à réagir aux changements soudains. Le point d'équilibre permettait au système d'être à la fois précis et réactif. Les chercheurs ont également découvert que le modèle pouvait estimer le niveau de bruit de chaque capteur individuel. Si un capteur commençait à mal fonctionner ou si le comportement du bâtiment déviait de manière significative des attentes du modèle, le système élargissait automatiquement ses bandes d'incertitude, signalant que les données étaient moins fiables que d'habitude.

Bien que les résultats soient prometteurs, les chercheurs précisent avec prudence les limites de leur travail. Leur modèle suppose que l'air dans chaque pièce est parfaitement mélangé, ce qui est rarement le cas dans la réalité ; dans un vrai bureau, l'air près d'une bouche d'aération peut être plus frais que l'air près d'une fenêtre. Ils se sont également concentrés sur un scénario simplifié où la seule source de chaleur était les personnes simulées, ignorant d'autres facteurs courants comme la lumière du soleil, les ordinateurs ou l'éclairage. Dans un bâtiment réel, ces sources de chaleur supplémentaires pourraient compliquer le tableau, rendant plus difficile la distinction entre les effets des personnes et ceux des équipements. Les chercheurs suggèrent que les travaux futurs devront intégrer ces facteurs supplémentaires pour rendre le modèle assez robuste pour un déploiement à grande échelle. Ils reconnaissent également que la méthode de calcul actuelle, bien qu'efficace, est exigeante et pourrait devoir être simplifiée avant de pouvoir fonctionner en continu sur des systèmes de contrôle de bâtiment standards.

En fin de compte, ce travail démontre une nouvelle façon puissante d'écouter un bâtiment. En traitant la température et le dioxyde de carbone comme un système couplé, les chercheurs ont créé une méthode capable d'inférer la dynamique invisible du flux d'air et de l'occupation à partir de données limitées. C'est un outil qui ne se contente pas de prédire l'avenir ; il comprend le présent, adaptant sa confiance à mesure que le bâtiment change. Pour les gestionnaires de bureaux, cela pourrait signifier un avenir où les systèmes de chauffage et de climatisation répondent non seulement à un thermostat, mais aussi au flux réel des personnes et de l'air, économisant de l'énergie et améliorant le confort sans avoir besoin d'installer un capteur dans chaque recoin. La voie à suivre consiste à affiner ces modèles pour qu'ils puissent gérer la réalité plus désordonnée et complexe des bâtiments à grande échelle, mais l'idée centrale — que l'air et la chaleur racontent la même histoire — a prouvé son efficacité.