Pour aider les collectivités territoriales et les gestionnaires de parcs de bâtiments à décliner la Stratégie Nationale Bas Carbone, la définition de trajectoires de décarbonation est nécessaire. Cela consiste à planifier de manière optimale, dans le temps, les travaux de rénovation sur un ensemble de bâtiments. Un module Python, issu de deux thèses précédentes (Thèse 1 et Thèse 2), répond à cette problématique. Il s'appuie sur une caractérisation des bâtiments issue de la Base de Données Nationale des Bâtiments et sur un modèle de simulation thermique pour calculer les consommations énergétiques annuelles des bâtiments. Les travaux de rénovation s'appuient sur une base de données de gestes de rénovation, leurs impacts environnementaux et leurs coûts. Le parc modélisé est soumis à une optimisation (ex : minimiser un coût global) sous contraintes (ex : les émissions de CO2). L'optimisation produit pour chaque bâtiment une séquence de gestes de rénovation à chaque pas de temps jusqu'à un horizon donné (ex : 2050). Ces trajectoires optimales sont calculées par une méthode de type Knapsack.
Les incertitudes introduites sont nombreuses. Les bases de données sont entachées d'erreurs, imprécises ou incomplètes. La simplicité du modèle se fait au prix de certaines erreurs de consommation d'énergie. Les paramètres technico-économiques (ex : le prix des énergies) sont incertains. La mise en pratique de la rénovation ne se fait jamais vraiment selon les modalités envisagées initialement : elle est tributaire d'opportunités et pratiques qui ne sont pas finement représentées dans la modélisation. Ce post-doctorat a pour objectif de contribuer à consolider les fondements scientifiques de cet outil pour en améliorer son exploitation dans le monde réel.
La question de recherche peut être exprimée de la manière suivante : « comment quantifier les différentes sources d'incertitude et en tenir compte au mieux dans la modélisation prospective du parc bâti à décarboner ». On envisage 4 étapes :
1. Quantifier les incertitudes et leurs impacts sur les résultats d'optimisation pour mesurer la différence entre deux résultats d'optimisation.
2. Proposer une démarche d'optimisation qui tienne compte du niveau d'incertitude des entrées, sans chercher à coller de trop près à des éléments incertains. Cette simplification pourra prendre la forme d'un regroupement de catégories de gestes ou de bâtiments, ou d'une régularisation du problème d'optimisation.
3. Proposer une approche robuste d'optimisation intégrant les incertitudes sur les paramètres technico-économiques relatifs aux évolutions futures. Dans l'optimisation robuste, on cherche à maximiser le gain de la plus mauvaise des situations futures.
4. Application sur les cas d'étude territoriaux et échange avec les territoires pour que les optimisations effectuées puissent être mises en correspondance avec des leviers actionnables.
Le ou la candidat devra justifier : D'une thèse mobilisant des méthodes d'optimisation et une expérience en développement logiciel sous Python en mode collaboratif. Le poste est à pourvoir soit au CSTB de Sophia Antipolis à proximité de Antibes / Nice / Cannes (Alpes-Maritimes, France), soit à celui de Grenoble situé sur le campus universitaire à Saint Martin d'Hères. Vous serez immergé(e) dans une équipe de recherche du CSTB dont l'objectif est d'équiper les acteurs du bâtiment d'outils d'aide à décision pour la transition énergétique et environnementale. Ce travail de recherche sera connecté à un ensemble de recherches actions. Le ou la candidat.e sera associé à un collectif de chercheurs confirmés réparti sur Paris, Grenoble et Sophia et contribuera directement à la stratégie de recherche du CSTB : CSTB - Nos projets de recherche.
Dossier de candidature : CV + lettre de motivation
#J-18808-Ljbffr
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.