Identification de modèles thermiques de bâtiment par apprentissage actif bayésien pour une expérimentation réduite et contrainte

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Identification de modèles thermiques de bâtiment par apprentissage actif bayésien pour une expérimentation réduite et contrainte

La modélisation thermique d’un bâtiment (modèles « boîte grise » de type réseaux RC) est une étape clé pour la conception de jumeaux numériques, le diagnostic de performance énergétique ou la mise en œuvre d’une commande prédictive (MPC). L’identification de ces modèles nécessite généralement des campagnes de mesure longues (plusieurs semaines) afin d’observer une dynamique suffisamment riche (montées en température, refroidissements naturels, etc.). Dans la pratique, ces expériences sont coûteuses, perturbent l’occupation des bâtiments, et produisent souvent des données redondantes.

L’apprentissage actif bayésien (Bayesian Active Learning – BAL) offre une alternative prometteuse : au lieu de subir passivement les entrées (météo, occupation, consignes), le système choisit dynamiquement la prochaine sollicitation à appliquer (par exemple, allumer le chauffage à une heure précise) afin de maximiser le gain informationnel sur les paramètres du modèle. L’approche bayésienne permet de plus de quantifier les incertitudes sur les paramètres identifiés, ce qui est indispensable pour une exploitation robuste en contrôle.

Cependant, l’application du BAL à l’identification thermique des bâtiments reste peu explorée. En particulier, aucun travail n’intègre de façon systématique des contraintes opérationnelles (confort thermique, coût énergétique, horaires d’inoccupation) dans la fonction d’acquisition. Ce stage vise à combler ce manque.

Objectifs du stage

L’objectif principal est de concevoir, implémenter et évaluer une méthode de BAL pour l’identification d’un modèle thermique de bâtiment, en cherchant à réduire le nombre d’expériences nécessaires tout en respectant des contraintes réalistes.

Un sous-objectif est de comparer quantitativement l’approche BAL à des stratégies de référence : entrée aléatoire, identification sur données passives, et plan d’expériences optimal classique (critère de Fisher). Les métriques incluront : nombre d’expériences nécessaires pour atteindre une précision donnée, calibration des incertitudes, et respect des contraintes.

Profil recherché

Master 2 en sciences des données, statistiques

• Bonnes compétences en programmation Python.
• Connaissances de base en probabilités
• Une première exposition à l’apprentissage bayésien ou aux processus gaussiens est un plus, mais non obligatoire – une forte motivation pour apprendre est essentielle.

Mots clefs : apprentissage actif bayésien

Durée : 6 mois, à partir du printemps 2027
Lieu : IFP Energies Nouvelles , Rueil-Malmaison, France
Stage rémunéré.

Candidature :

Envoyer CV, relevés de note (L3 et M1), liste des cours suivis en M2, et lettre de recommandation si vous en avez une.