STAGE RECHERCHE MACHINE LEARNING MODELISATION ENERGETIQUE F/H H/F

Le poste

La mission :

Rejoindre le CSTB, c'est rejoindre une communauté composée de plus de 1000 collaborateurs experts au service de ses clients, de ses partenaires et de l'intérêt général avec pour ambition d'anticiper les bâtiments et la ville de demain, pour améliorer la qualité de vie des usagers. Nos activités clés sont axées autour de la recherche, de l'expertise, de l'évaluation, de la certification, des essais et de la diffusion de connaissances. Depuis 1947, nous accompagnons les acteurs dans l'innovation et la progression de la qualité et de la performance des produits, ouvrages, systèmes et services.

Rejoindre le CSTB, c'est également rejoindre un employeur engagé, signataire de la Charte de la diversité, qui valorise le travail de chacun et qui s'engage en faveur de l'égalité professionnelle et de l'intégration des travailleurs handicapés. Grâce à ces actions, nous sommes classés parmi les 500 meilleurs employeurs de France d'après la revue économique Capital.

Alors, prêt(e) à rejoindre l'aventure CSTB ?

Éléments de contexte
La consommation énergétique des bâtiments dépend de nombreux facteurs (climat, scénarios d'occupation, qualité de l'enveloppe, performance des systèmes, etc.). Ainsi, la simple donnée de la consommation annuelle ne permet pas d'évaluer objectivement la performance d'un bâtiment.
Les méthodes de caractérisation de la performance réelle des bâtiments (MPEB) visent à déterminer des indicateurs de performance « intrinsèque » permettant la comparaison entre bâtiments. Parmi eux, le HLC (Heat Loss Coefficient) est un indicateur clé de la performance thermique de l'enveloppe.
Depuis les années 2000, l'intérêt pour ces méthodes s'est fortement accru, notamment pour comprendre l'origine du Performance Gap (EPG). Deux grandes familles de méthodes existent :
-Les méthodes in situ, nécessitant une instrumentation spécifique et un bâtiment inoccupé (ex : méthode SEREINE développée au CSTB).
-Les méthodes à distance, exploitant des données accessibles sans intervention sur site (données de consommation, météo, open data, etc.).
Ces dernières, plus faciles à mettre en oeuvre, présentent toutefois une finesse d'analyse moindre. Cependant, la disponibilité croissante de données collectables à distance (ex : base BDNB) ouvre de nouvelles perspectives R&D pour leur amélioration, avec des applications variées :
-Evaluation de la performance de bâtiments ou de parcs immobiliers.
-Suivi de rénovations.
-Compréhension du performance gap.
-Recommandations d'actions d'efficacité énergétique.

Objectifs et contenu du stage :
Le stage portera sur une étude théorique et numérique des méthodes d'évaluation de la performance à distance, à partir d'un jeu de données simulées.
L'objectif principal sera d'explorer les apports des données à haute résolution temporelle (horaires) par rapport aux données journalières, notamment pour la détermination du HLC.
Le travail consistera à :
-Analyser le problème de résolution inverse d'un modèle thermique.
-Mettre en oeuvre une approche probabiliste (bayésienne).
-Etudier l'identifiabilité des modèles à partir de données horaires
-Quantifier les incertitudes sur les paramètres identifiés.
Le stage débutera en début d'année 2026 pour une durée de 5 à 6 mois.

Perspectives
Ce stage pourra se prolonger par une thèse sur des thématiques connexes, avec une application à des données réelles à grande échelle pour des bâtiments résidentiels et tertiaires (en partenariat avec l'entreprise DEEPKI et l'université Gustave Eiffel).

Le profil :

Vous êtes actuellement en dernière année de formation de niveau Bac+5 (Master ou école d'ingénieur généraliste). Vous disposez de connaissances théoriques en mathématiques appliquées et en modélisation. Vous êtes intéressé par l'application de ces outils à des sujets liés à l'énergétique.

Compétences requises :

-Programmation Python
-Analyse de données
-Approches statistiques
-Approches physiques (modélisation)

Compétences bonus :
-Connaissances en énergétique du bâtiment
-Approches bayésiennes
-Problèmes inverses
-Etude de séries temporelles