- index
- >Projets
- >Projets actuels
- >STUBE
Projet de Recherche STUBE
towards Systematic Treatment of Uncertainty in Building Eco-design tools
Équipe : Sûreté De Fonctionnement et aide à la Décision
Labellisation : aucune
Durée : 48 mois
Financement : ANR JCJC
Personnels impliqués du LARIS : Marie-Lise Pannier, David Bigaud, Thierry Lemenand, 1 doctorant à recruter
Partenaires du projet : CEES de Mines Paris ; HEIG-VD
Résumé
Les impacts environnementaux des bâtiments peuvent être réduits en appliquant des outils d’éco-conception à de nouveaux projets ou à des rénovations. L’analyse de cycle de vie (ACV) est une méthode holistique d’évaluation des impacts d’un produit tout au long de son cycle de vie, particulièrement adaptée pour cela. Toutefois, de nombreuses sources d’incertitudes pèsent sur la modélisation environnementale, et seraient susceptibles de remettre en cause les choix des variantes de conception. L’usage de méthodes statistiques pour traiter ces incertitudes, telles que les analyses d'incertitude (AI) et de sensibilité (AS), est essentielle pour renforcer la confiance dans l'ACV et améliorer l'aide à la décision apportée par les outils d'éco-conception. Il s’avère que ces méthodes sont encore très peu utilisées. Des verrous scientifiques et techniques restent à lever pour rendre opérationnelle (simple, rapide et compréhensible) et systématique le traitement des incertitudes dans les outils d’ACV des bâtiments. Le projet STUBE a pour ambition de s'attaquer à certains de ces obstacles. Pour cela, un cadre méthodologique, intégrant AI et AS sera développé, et des méthodes de visualisation adéquates seront proposées. S’appuyant sur des travaux préalablement menés, le projet sera segmenté en trois parties. Dans la première, les données nécessaires à la quantification des incertitudes seront collectées et les sources d’incertitudes à intégrer pour différents types d’études seront identifiées. Dans la seconde, il s’agira d’aider au choix des méthodes d’AI et AS pour traiter différentes sources d’incertitudes, d’évaluer l’effet des incertitudes en comparaison de variantes et d’évaluer la robustesse des résultats. Enfin, des outils de visualisation seront proposés pour faciliter l’interprétation des résultats incertains.