THÈME APPLICATION OF THE ARTIFICIAL NEURAL NETWORK FOR MODELING THE THERMAL BEHAVIOR OF BUILDING IN HUMID REGION Léopold Mbaa, Pierre Meukamb, Alexis Kemajoua a: Laboratoire d’ENERGIE de l’Ecole Doctorale des Sciences Fondamentales et Appliquées, Université de Douala - Cameroun b: Laboratoire d’ENERGÉTIQUE de l’Ecole National Supérieure Polytechnique , Université de Yaoundé I, Cameroun Correspondance: mba_leo@yahoo.fr

Plan du travail Problématique Définition de réseau de neurones artificiels Quelques applications des RNA Conception du modèle neuronal Conclusion Impact socio-économique

Bâtiment et sollicitations thermiques Température de l’air extérieur Humidité relative de l’air extérieur Flux solaire Température de l’air intérieur Humidité relative de l’air intérieur

- Constat à l’origine de l’étude Problématique - Constat à l’origine de l’étude les occupants des bâtiments non climatisés sont dans l’inconfort thermique; les bâtiments climatisés consomment non seulement excessivement l’énergie électrique mais ne répondent pas aux normes de confort thermique

Problématique (suite) Pourquoi l’inconfort thermique dans les bâtiments climatisés et la consommation excessive d’énergie électrique dans ces derniers? Les méthodes d’évaluation des charges thermiques de climatisation non sont adaptées.

Problématique (suite) Quelle est la solution proposée dans ce travail pour résoudre les problèmes évoqués ? Une nouvelle méthode de prédiction de la réponse thermique dans les bâtiments en climat chaud et humide est proposée: l’utilisation des réseaux de neurones artificiels (RNA).

Définition de réseau de neurones artificiels Les réseaux de neurones formels étaient, à l'origine, une tentative de modélisation mathématique des systèmes nerveux, initiée depuis 1943 par Mcculloch. les neurones formels réalisent une combinaison linéaire des entrées reçues, puis appliquent à cette valeur une fonction d'activation, généralement non linéaire

Quelques applications des réseaux de neurones artificiels la prévision de la consommation d’énergie électrique prédiction des données météorologiques la régulation du chauffage des bâtiments etc

Conception du modèle neuronal - La méthodologie La conception d’un réseau de neurones artificiels suit la méthodologie représentée par l’organigramme à la figure 2.1 selon AMMAR (2007)

Conception du modèle neuronal Figure 2 ci dessous Algorithme d’apprentissage Algorithme de Levenberg Marquardt logiciel Matlab Base de données - Constitution d’architecture du RNA Nombre de couches cachés Nombre de neurones cachés Modèle validé ? Perceptron multicouches 07 couches cachées 30 neurones par couche cachée Non Oui Modèle neuronal optimal Figure 1: Organigramme de conception d’un réseau de neurones

Conception du modèle neuronal(suite) Figure 2. Présentation graphique des résultats expérimentaux

Résultats et commentaire Le modèle optimal qui permet la meilleure approximation de l’évolution de la température de l’air intérieur dans le bâtiment obtenu est: TAE(k) TAI(k-1) TAI(k-2) TAI(k-3) TAI(k-4) TAI(k-5) TAI(k-6) xi y (x,w) TAI(k)

Performances du modèle neuronal (comparaison entre valeurs simulées par le modèle et celles mesurées: figure 3) figure 3: comparaison entre les valeurs simulées et mesurées

Impact socio-économique Réduction de la consommation d’énergie électrique dans les bâtiments climatisés Amélioration des conditions de vie des populations (L’utilisation d’un tel modèle dans les bâtiments pourrait rendre d’énormes services aux occupants, il permettrait de simuler le comportement thermo-hydrique des bâtiments, afin d’évaluer les charges sensibles et latentes dans ces derniers en zone humide à vaincre par les machines frigorifiques dont l’objectif est d’obtenir le confort thermique, avec une moindre consommation d’énergie.)

Conclusion et perspectives Les résultats montrent qu’il y a un grand rapprochement entre les valeurs mesurées et celles simulées par le modèle neuronal. En perspective, il serait donc intéressant d’enrichir ce type de modèle, en prenant en considération deux sorties (température et l’humidité de l’air intérieur) et plus de variables d’entrées, par exemple le rayonnement solaire, l’humidité relative extérieure.