Un cadre multi‑objectif piloté par l’IA pour optimiser les dimensions des fenêtres en tenant compte de la demande énergétique et du confort thermique

Pourquoi la taille des fenêtres compte davantage qu’on ne le pense

Quand on imagine des bâtiments efficaces sur le plan énergétique, on pense souvent aux panneaux solaires ou à une isolation épaisse — mais les fenêtres ordinaires influent discrètement et fortement sur la consommation d’énergie d’un bâtiment et sur le confort de ses occupants. Cette étude examine une question apparemment simple mais aux enjeux concrets importants : quelle largeur et quelle hauteur doit avoir une fenêtre de bureau pour que les personnes à l’intérieur se sentent à l’aise tout en maintenant les factures de chauffage et de climatisation sous contrôle ? En employant l’intelligence artificielle pour explorer des milliers d’options de conception, les chercheurs montrent comment des fenêtres « juste adaptées » peuvent concilier confort et consommation d’énergie dans une ville chaude et sèche comme Téhéran.

Un bâtiment simple pour répondre à une question complexe

Pour démêler les effets de la taille des fenêtres, les auteurs partent d’une salle de bureau volontairement simple, de plain‑pied et en forme de boîte. Les murs, la toiture, le plancher et l’orientation du bâtiment sont fixes, et il n’y a qu’une seule fenêtre sur la façade principale. Les seuls paramètres qui varient sont la largeur et la hauteur de la fenêtre, explorées sur une plage réaliste allant de très petite à très grande. Pour près de dix mille combinaisons de fenêtres, des simulations informatiques estiment la consommation d’énergie pour le refroidissement et le chauffage sur une année, ainsi que la fréquence à laquelle les températures intérieures se situent dans une plage de confort que les occupants jugeraient acceptable sans climatisation. Ce dispositif simplifié permet à l’équipe de se concentrer exclusivement sur la manière dont la seule taille des fenêtres reconfigure la demande énergétique et le confort.

Laisser un cerveau artificiel apprendre les motifs

Réaliser des milliers de simulations détaillées prend du temps, et explorer encore plus d’options devient vite impraticable. Pour accélérer le processus, les chercheurs entraînent un réseau de neurones artificiels — un type d’IA vaguement inspiré du fonctionnement du cerveau — à apprendre à partir des résultats de simulation. Une fois entraîné, ce modèle « substitut » peut prédire instantanément les besoins en refroidissement et chauffage et les niveaux de confort pour toute nouvelle dimension de fenêtre dans la plage étudiée. Les tests montrent que ses prédictions suivent très fidèlement les résultats des simulations originales, capturant plus de 99 % de la variation des trois indicateurs. Autrement dit, l’IA devient un remplaçant rapide et fiable des simulations physiques plus lentes.

Chercher les meilleurs compromis, pas une réponse unique

Avec ce substitut numérique rapide, l’équipe recourt à des méthodes de recherche évolutionnaires — des algorithmes inspirés de la sélection naturelle — pour rechercher des tailles de fenêtres qui équilibrent des objectifs concurrents. Ici, les objectifs sont de réduire l’énergie de refroidissement annuelle, de réduire l’énergie de chauffage annuelle et d’augmenter la part du temps pendant lequel la température intérieure est confortable sans climatisation mécanique. Parce qu’agrandir les fenêtres aide en hiver (plus de soleil et de chaleur) mais pénalise en été (surchauffe accrue), il n’existe pas de fenêtre « meilleure » unique. Au lieu de cela, les algorithmes produisent une famille de solutions compromises équivalentes, appelée front de Pareto, où aucune option ne peut être améliorée sur un objectif sans détériorer un autre. Pour ce bureau particulier à Téhéran, des fenêtres de taille intermédiaire apparaissent comme le compromis optimal : elles réduisent nettement la demande de chauffage par rapport aux petites fenêtres, limitent la demande de refroidissement plus efficacement que les plus grandes, et offrent des niveaux de confort dépassant environ 80 % des heures occupées.

Ce que révèlent les résultats sur la taille des fenêtres

Les tendances dégagées par la recherche pilotée par l’IA sont intuitives mais quantifiables. À mesure que la surface vitrée augmente, l’énergie annuelle de refroidissement grimpe presque continûment parce que la façade vitrée exposée au sud laisse entrer davantage de chaleur solaire pendant la saison chaude. Dans le même temps, l’énergie de chauffage diminue car le rayonnement solaire hivernal apporte une chaleur utile qui compense plus que la perte thermique à travers le vitrage. L’indicateur de confort utilisé dans cette étude — la fréquence à laquelle les températures intérieures se situent dans une bande de confort adaptative pour les espaces naturellement ventilés — augmente également avec la taille des fenêtres, principalement parce que des fenêtres plus grandes captent davantage la chaleur des périodes de temps clément. Cependant, cet indice ne pénalise pas complètement les surchauffes brèves ou extrêmes, si bien que de très grandes fenêtres peuvent encore être inconfortablement chaudes par moments, même si elles obtiennent de bons scores sur la métrique choisie. Cette nuance souligne pourquoi les concepteurs doivent considérer les résultats de confort de l’étude comme des indications comparatives plutôt que comme des garanties absolues.

Comment cela aide les concepteurs et les propriétaires de bâtiments

Pour les architectes, les ingénieurs et même les propriétaires, le message pratique est clair : la taille des fenêtres n’est ni une affaire de « plus grand est toujours mieux » ni de « plus petit est toujours plus sûr ». L’étude montre plutôt qu’il existe une plage de dimensions intermédiaires qui procure de solides bénéfices de confort tout en maintenant la demande énergétique à un niveau raisonnable, en particulier dans des climats avec de longues saisons de chauffage et des périodes de refroidissement courtes mais intenses comme à Téhéran. En combinant des simulations détaillées, un modèle d’IA à apprentissage rapide et une recherche évolutionnaire, le cadre offre aux concepteurs un menu clair d’options performantes plutôt qu’une prescription unique et rigide. Ils peuvent ainsi mettre en balance confort, factures d’énergie et préférences esthétiques — en s’appuyant sur des données, non sur des conjectures — lorsqu’ils décident de la taille des fenêtres des bâtiments à venir.

Citation: Nasab, S.M.R.A., Rabiei, H. An AI-driven multi-objective framework for optimizing window dimensions considering energy demand and thermal comfort. Sci Rep 16, 6365 (2026). https://doi.org/10.1038/s41598-026-39795-8

Mots-clés: conception de fenêtres, énergie des bâtiments, confort thermique, intelligence artificielle, optimisation multi‑objectif