Retrofitting towards net zero energy building under climate change using machine learning approach

La consommation énergétique élevée est l'une des préoccupations majeures actuelles de la planète. Selon l'Agence internationale de l'énergie, les bâtiments ont représenté 30% de la consommation mondiale d'énergie primaire et 27% des émissions de CO2. Le concept de Bâtiment à Énergie Nette Nulle (BENN) a émergé comme une solution potentielle pour résoudre ce problème, réduire les impacts de la pollution et atténuer les effets du réchauffement climatique. Un BENN est un bâtiment qui produit autant d'énergie qu'il en consomme sur l'année. Pour atteindre le statut de BENN, il est proposé de rénover les bâtiments existants. Les simulations énergétiques des bâtiments (SEB) jouent un rôle crucial dans la rénovation des bâtiments existants pour atteindre le statut de BENN. Cependant, le changement climatique introduit des incertitudes qui pourraient entraver l'atteinte des performances BENN basées uniquement sur les profils météorologiques actuels. Par conséquent, les SEB devraient intégrer à la fois les profils météorologiques actuels et futurs pour tenir compte des incertitudes liées au changement climatique. Cette approche est essentielle mais augmente significativement le temps de calcul en raison de la complexité de ces simulations, notamment lors de la réalisation de milliers d'études paramétriques. Les modèles d'apprentissage automatique jouent un rôle important dans l'émulation des BES, en exploitant leur faible charge computationnelle. L'objectif de cette thèse est de développer les modèles d'apprentissage automatique pour la rénovation vers le statut BENN sous l'influence du changement climatique.