Sujet de thèse IFSTTAR

English version
Fiche détaillée :

Titre : Hybridation entre modèles physiques et Réseaux de Neurones Artificiels pour l’étude du comportement hygrothermique des matériaux de construction biosourcés et géosourcés

Laboratoire principal - Référent principal Navier  -  BENZARTI Karim      tél. : +33 181668251

Directeur du laboratoire principal SULEM Jean  -

Spécialité de la thèse Sciences des Matériaux

Axe 3 - COP2017 - Aménager et protéger les territoires

Site principal Marne-la-Vallée

Etablissement d'inscription

Ecole doctorale SCIENCES, INGENIERIE ET ENVIRONNEMENT (SIE)

Directeur de thèse prévu BENZARTI Karim  -  Université Gustave Eiffel  -  Navier

Type de financement prévu Contrat doctoral  - Université Gustave Eiffel

Résumé

1. Contexte et état de l'art
Le comportement hygrothermique des matériaux de construction biosourcés et géosourcés influence fortement les performances énergétiques et le confort intérieur des bâtiments. Des approches physiques, décrivant le transfert de chaleur et d'humidité dans les milieux poreux comme les modèles couplés de Phillip et De Vries, Künzel ou Mendes, sont largement utilisées dans des logiciels tels que Energy +, WUFI et COMSOL. Ces modèles nécessitent de nombreux paramètres d'entrée et des temps de calcul importants, ce qui limite leur adoption à grande échelle. En parallèle, des approches d'apprentissage automatique, comme les réseaux de neurones, ont montré leur efficacité pour modéliser des phénomènes complexes (Benzaama et al., 2022). Néanmoins, ces derniers manquent d'interprétabilité en termes de phénomènes physiques mis en jeu.
Les réseaux de neurones associés à des modèles physiques émergent comme une solution prometteuse, en combinant à la fois la rigueur des modèles physiques avec la flexibilité des réseaux neuronaux. Shams et Senocak (2022) ont récemment démontré que l'intégration de contraintes physiques dans les réseaux neuronaux améliore significativement la capacité de ces derniers à résoudre des équations différentielles complexes. Toutefois, cette approche innovante n’a encore jamais été appliquée à des matériaux de construction biosourcés ou géosourcés.

2. Position de l'étude par rapport à l'état de l'art
L’hybridation des modèles physiques avec les réseaux de neurones a été utilisée dans divers domaines tels que les transferts thermiques (Cai et al., 2021) et la mécanique des fluides (Raissi et al., 2019), mais son application aux matériaux de construction reste inexplorée. En particulier, les études utilisant des outils de modélisation multiphysiques comme COMSOL ont montré que des phénomènes comme l'hystérésis de sorption sont difficiles à décrire avec des modèles standards (Alioua et al., 2019). Cette thèse se positionne donc pour combler ce vide en développant un modèle hybride pour simuler le comportement hygrothermique des matériaux de construction a faible impacte environnemental comme les biosourcés ou les géosourcés, puis en confrontant les résultats à des données expérimentales ou à des données numériques générées par des outils plus classiques de modélisation multiphysique.

3. Objectifs de la thèse
L'objectif principal de cette thèse est de proposer une nouvelle approche hybride pour modéliser le comportement hygrothermique des matériaux biosourcés et géosourcés. Cette approche vise à surmonter les limitations actuelles des modèles physiques, souvent coûteux en termes de temps de calcul et de données d'entrée, ainsi que celles des modèles purement basés sur l'apprentissage automatique, qui manquent d'interprétabilité physique. En intégrant des contraintes physiques directement dans les réseaux de neurones, les modèles hybrides offrent une opportunité unique pour améliorer la précision des simulations, tout en réduisant les exigences computationnelles. Les principaux objectifs de la thèse sont :
i) Développer un modèle hybride capable de prédire les transferts couplés chaleur-masse dans des matériaux de construction ;
ii) Valider les prédictions du modèle hybride à l'aide de simulations réalisées avec WUFI et COMSOL, en s'appuyant sur des études expérimentales récentes réalisées à l’UPEC ou à l’UGE sur des parois de mortiers incorporant des fibres de palmier dattier (Alioua et al., 2019) ou de miscanthus (Gbekou et al. 2023). Le modèle hybride pourra également être validé sur des parois géosourcées, à partir des données expérimentales obtenues sur des parois en bloc de terre crue compressée (Giuffrida et al., 2024).
iii) Evaluer la pertinence du modèle hybride à l’échelle plus large du bâtiment, en confrontant les résultats numériques à ceux fournis par les modèles multiphysiques.
iv) Analyser les performances du modèle hybride face à des contraintes comme le bruit des données et la complexité des phénomènes hygrothermiques.

4. Prérequis pour les candidats
Les candidats devront posséder des compétences en mathématiques appliquées (modélisation multiphysique des matériaux, maitrise des méthodes d’apprentissage par machine learning).

5. Encadrement
L’encadrement sera assuré par :
- Karim Benzarti, Directeur de Recherche au Laboratoire Navier, UGE
- Abderrahim Boudenne, Professeur au CERTES, UPEC
- Hichem Benzaama, Professeur à l’ESTP Cachan.

Références
- Alioua, T., Agoudjil, B., Chennouf, N., Boudenne, A., & Benzarti, K. (2019). Investigation on heat and moisture transfer in bio-based building wall with consideration of the hysteresis effect. Building and Environment, 163, 106333.
- Benzaama, M.-H., Rajaoarisoa, L., Boukhelf, F., & El Mendili, Y. (2022). Hygrothermal transfer modelling through a bio-based building material: Validation of a switching-linear model. Journal of Building Engineering, 55, 104691.
- Cai, S., Wang, Z., Wang, S., Perdikaris, P., & Karniadakis, G. E. (2021). Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, 143(6).
- Giuffrida, G, et al. (2024). Analysis of the thermal performances of uninsulated and bio-based insulated compressed earth blocks walls: from the material to the wall scale. Journal of Building Engineering, 90, 109370.
- Gbekou, F. Comportement thermo-hydrique de mortiers cimentaires contenant des matériaux à changement de phase (MCP) biosourcés et/ou des fibres végétales de miscanthus : Etudes aux échelles du matériau et de la paroi, thèse UGE, ED-SIE (2023).
- Künzel, H. M. (1995). Simultaneous heat and moisture transport in building components: One-and two-dimensional calculation using simple parameters. IRB Verlag Stuttgart.
- Raissi, M., Wang, Z., Triantafyllou, M. S., & Karniadakis, G. E. (2019). Deep learning of vortex-induced vibrations. Journal of Fluid Mechanics, 861, 119–137.
- Shams, S., & Senocak, I. (2022). Physics and equality constrained artificial neural networks: Application to forward and inverse problems with multi-fidelity data fusion. Journal of Computational Physics, 463, 111301.

Mots-clefs: Matériaux de construction - Comportement thermo-hydrique - Modèles physiques - Méthodes d'apprentissage automatique (machine learning)

Laboratoire principal - Référent principal	Navier - BENZARTI Karim tél. : +33 181668251
Directeur du laboratoire principal	SULEM Jean -
Spécialité de la thèse	Sciences des Matériaux
Axe	3 - COP2017 - Aménager et protéger les territoires
Site principal	Marne-la-Vallée
Etablissement d'inscription
Ecole doctorale	SCIENCES, INGENIERIE ET ENVIRONNEMENT (SIE)
Directeur de thèse prévu	BENZARTI Karim - Université Gustave Eiffel - Navier
Type de financement prévu	Contrat doctoral - Université Gustave Eiffel
Résumé 1. Contexte et état de l'art Le comportement hygrothermique des matériaux de construction biosourcés et géosourcés influence fortement les performances énergétiques et le confort intérieur des bâtiments. Des approches physiques, décrivant le transfert de chaleur et d'humidité dans les milieux poreux comme les modèles couplés de Phillip et De Vries, Künzel ou Mendes, sont largement utilisées dans des logiciels tels que Energy +, WUFI et COMSOL. Ces modèles nécessitent de nombreux paramètres d'entrée et des temps de calcul importants, ce qui limite leur adoption à grande échelle. En parallèle, des approches d'apprentissage automatique, comme les réseaux de neurones, ont montré leur efficacité pour modéliser des phénomènes complexes (Benzaama et al., 2022). Néanmoins, ces derniers manquent d'interprétabilité en termes de phénomènes physiques mis en jeu. Les réseaux de neurones associés à des modèles physiques émergent comme une solution prometteuse, en combinant à la fois la rigueur des modèles physiques avec la flexibilité des réseaux neuronaux. Shams et Senocak (2022) ont récemment démontré que l'intégration de contraintes physiques dans les réseaux neuronaux améliore significativement la capacité de ces derniers à résoudre des équations différentielles complexes. Toutefois, cette approche innovante n’a encore jamais été appliquée à des matériaux de construction biosourcés ou géosourcés. 2. Position de l'étude par rapport à l'état de l'art L’hybridation des modèles physiques avec les réseaux de neurones a été utilisée dans divers domaines tels que les transferts thermiques (Cai et al., 2021) et la mécanique des fluides (Raissi et al., 2019), mais son application aux matériaux de construction reste inexplorée. En particulier, les études utilisant des outils de modélisation multiphysiques comme COMSOL ont montré que des phénomènes comme l'hystérésis de sorption sont difficiles à décrire avec des modèles standards (Alioua et al., 2019). Cette thèse se positionne donc pour combler ce vide en développant un modèle hybride pour simuler le comportement hygrothermique des matériaux de construction a faible impacte environnemental comme les biosourcés ou les géosourcés, puis en confrontant les résultats à des données expérimentales ou à des données numériques générées par des outils plus classiques de modélisation multiphysique. 3. Objectifs de la thèse L'objectif principal de cette thèse est de proposer une nouvelle approche hybride pour modéliser le comportement hygrothermique des matériaux biosourcés et géosourcés. Cette approche vise à surmonter les limitations actuelles des modèles physiques, souvent coûteux en termes de temps de calcul et de données d'entrée, ainsi que celles des modèles purement basés sur l'apprentissage automatique, qui manquent d'interprétabilité physique. En intégrant des contraintes physiques directement dans les réseaux de neurones, les modèles hybrides offrent une opportunité unique pour améliorer la précision des simulations, tout en réduisant les exigences computationnelles. Les principaux objectifs de la thèse sont : i) Développer un modèle hybride capable de prédire les transferts couplés chaleur-masse dans des matériaux de construction ; ii) Valider les prédictions du modèle hybride à l'aide de simulations réalisées avec WUFI et COMSOL, en s'appuyant sur des études expérimentales récentes réalisées à l’UPEC ou à l’UGE sur des parois de mortiers incorporant des fibres de palmier dattier (Alioua et al., 2019) ou de miscanthus (Gbekou et al. 2023). Le modèle hybride pourra également être validé sur des parois géosourcées, à partir des données expérimentales obtenues sur des parois en bloc de terre crue compressée (Giuffrida et al., 2024). iii) Evaluer la pertinence du modèle hybride à l’échelle plus large du bâtiment, en confrontant les résultats numériques à ceux fournis par les modèles multiphysiques. iv) Analyser les performances du modèle hybride face à des contraintes comme le bruit des données et la complexité des phénomènes hygrothermiques. 4. Prérequis pour les candidats Les candidats devront posséder des compétences en mathématiques appliquées (modélisation multiphysique des matériaux, maitrise des méthodes d’apprentissage par machine learning). 5. Encadrement L’encadrement sera assuré par : - Karim Benzarti, Directeur de Recherche au Laboratoire Navier, UGE - Abderrahim Boudenne, Professeur au CERTES, UPEC - Hichem Benzaama, Professeur à l’ESTP Cachan. Références - Alioua, T., Agoudjil, B., Chennouf, N., Boudenne, A., & Benzarti, K. (2019). Investigation on heat and moisture transfer in bio-based building wall with consideration of the hysteresis effect. Building and Environment, 163, 106333. - Benzaama, M.-H., Rajaoarisoa, L., Boukhelf, F., & El Mendili, Y. (2022). Hygrothermal transfer modelling through a bio-based building material: Validation of a switching-linear model. Journal of Building Engineering, 55, 104691. - Cai, S., Wang, Z., Wang, S., Perdikaris, P., & Karniadakis, G. E. (2021). Physics-informed neural networks for heat transfer problems. Journal of Heat Transfer, 143(6). - Giuffrida, G, et al. (2024). Analysis of the thermal performances of uninsulated and bio-based insulated compressed earth blocks walls: from the material to the wall scale. Journal of Building Engineering, 90, 109370. - Gbekou, F. Comportement thermo-hydrique de mortiers cimentaires contenant des matériaux à changement de phase (MCP) biosourcés et/ou des fibres végétales de miscanthus : Etudes aux échelles du matériau et de la paroi, thèse UGE, ED-SIE (2023). - Künzel, H. M. (1995). Simultaneous heat and moisture transport in building components: One-and two-dimensional calculation using simple parameters. IRB Verlag Stuttgart. - Raissi, M., Wang, Z., Triantafyllou, M. S., & Karniadakis, G. E. (2019). Deep learning of vortex-induced vibrations. Journal of Fluid Mechanics, 861, 119–137. - Shams, S., & Senocak, I. (2022). Physics and equality constrained artificial neural networks: Application to forward and inverse problems with multi-fidelity data fusion. Journal of Computational Physics, 463, 111301.
Mots-clefs:	Matériaux de construction - Comportement thermo-hydrique - Modèles physiques - Méthodes d'apprentissage automatique (machine learning)

Liste des sujets

N'oubliez pas de contacter préalablement le référent ou le Directeur du laboratoire