Big Data, Intelligence Artificielle et Optimisation : au ... GAGNON Rev1... · Big Data,...
17
Big Data, Intelligence Artificielle et Optimisation : au service des bâtiments! Présenté par Richard Gagnon [email protected] Source : www.analyticsindiamag.com
Transcript of Big Data, Intelligence Artificielle et Optimisation : au ... GAGNON Rev1... · Big Data,...
Big Data, Intelligence Artificielle et Optimisation : au service des bâtiments!
Présenté par Richard Gagnon [email protected]
Source : www.analyticsindiamag.com
Présentation
▰ Formation d’ingénieur (2005-2009) ▻ Expérience en conception et gestion de
chantier (2010-2013) ▰ Maîtrise en environnement (2013-2015)
▻ Stage chez Écohabitation ▰ Doctorat en génie mécanique (2015-2018)
▻ Optimisation multi-objectif de bâtiments à hautes performances énergétiques
2
Plan de la présentation
▰ Mise en contexte ▰ Présentation d’outils numériques pour la conception et
l’opération de bâtiments ▻ Analyse de sensibilité ▻ Optimisation multi-objectif ▻ Intelligence artificielle / deep learning ▻ Contrôle prédictif
▰ Conclusion
3
Introduction
4
Secteur du bâtiment au Canada en 2015 (résidentiel et commercial)
▰ Consommation totale d’énergie: 26% ▰ Émissions de GES : 12%
(Source: ONE, 2015)
Présentation d’outils numériques
5
Présentation d’outils numériques afin d’assister: 1. La construction ou la rénovation de bâtiments 2. L’opération des bâtiments
Solution (Conception) L’analyse de sensibilité
6
Ex. d’outils disponibles
L’analyse de sensibilité
7
1. Créer un modèle paramétrique
2. Créer une liste de combinaisons de variables
3. Évaluation de chaque combinaison
4. Analyse des résultats, analyse de sensibilité
Méthodologie simplifiée:
L’analyse de sensibilité
8
Ex: Analyse de sensibilité sur les besoins en chauffage et climatisation d’un bâtiment commercial selon 30 variables de design
L’optimisation multi-objectif
9
Solution (Conception)
Ex. d’outils disponibles
L’optimisation multi-objectif
10
L’optimisation multi-objectif
11
Ex: Optimisation des coûts, des émissions de GES et du confort d’un bâtiment résidentiel
IA, Deep learning, IoT
12
Solution (Opération)
Ex. d’outils disponibles
IA, Deep learning, IoT
13
Gestion technique des
bâtiments Big Data
AutomatisationAnalyse de données
Machine learningOptimisation
Optimisation autonome
Rapporttechnique
Recommandations pour amélioration du système
IA, Deep learning, IoT
14
Source: Chen et Al., 2017
1 Réseau de neurones
1 variables de sortie : Conso. énergétique d’un bâtiment
55 variables d’entrée
365 jours de données échantillonnées au 10 minutes
IA, Deep learning, IoT
15
En utilisant la boite noire (réseau de neurones), on peut:
▰ Optimiser la consommation énergétique;
▰ Faire du contrôle prédictif. Réduction de la consommation de 15 à 65% selon la littérature (Hilliard, 2016);
▰ Détection de problème.
Conclusion
16
Source: connectorcountry.com
Source : www.technopoleangus.com/
Banlieue de la Rive-Nord de Montréal
Technopole Angus
Références
17
R. Gagnon, L. Gosselin, and S. Decker, “Sensitivity analysis of energy performance and thermal comfort throughout building design process,” Energy Build., vol. 164, pp. 278–294, Apr. 2018.
R. Gagnon, L. Gosselin, S. Park, S. Stratbücker, and S. Decker, “Minimizing carbon footprint of energy and materials for a residential building: Comparison between two genetic algorithms and analysis of optimal set of solutions,” 2018.
Y. Chen, Y. Shi, and B. Zhang, “Modeling and Optimization of Complex Building Energy Systems with Deep Neural Networks,” ArXiv171102278 Math, Nov. 2017.
T. Hilliard, M. Kavgic, and L. Swan, “Model predictive control for commercial buildings: trends and opportunities, ” Adv. Build. Energy Res., vol. 10, no. 2, pp. 172–190, Jul. 2016.
