Modèle géothermique enrichi par l’IA pour des incertitudes énergétiques évolutives dans les bâtiments

Pourquoi des chauffages et climatisations plus intelligents sont importants

Les villes consomment la majeure partie de l’énergie mondiale, et une part importante sert à chauffer et refroidir les logements. Alors que les phénomènes météorologiques extrêmes et les pénuries d’électricité deviennent plus fréquents, les planificateurs ont besoin de meilleurs outils pour prédire la consommation énergétique des bâtiments et pour évaluer comment des technologies telles que les pompes à chaleur géothermiques peuvent réduire à la fois les factures et les émissions. Cette étude présente un outil de modélisation rapide, prêt pour l’IA, capable d’estimer la consommation des systèmes géothermiques dans les maisons et les quartiers, aidant les collectivités à choisir les améliorations qui offrent le meilleur retour environnemental et financier.

Un modèle simple pour un bâtiment complexe

Plutôt que de s’appuyer sur des moteurs de simulation traditionnels très détaillés et longs à exécuter, les auteurs s’appuient sur un modèle « circuit thermique » simplifié. Dans cette approche, une maison est traitée comme un circuit électrique pour la chaleur : murs, fenêtres et air intérieur sont représentés par un petit ensemble de résistances et d’éléments de stockage thermique. Les données météorologiques, les matériaux du bâtiment et les apports internes dus aux occupants et aux équipements alimentent ce modèle, qui calcule ensuite la quantité de chauffage ou de refroidissement qu’une pompe à chaleur géothermique nécessiterait au fil du temps. Le modèle est implémenté en langage Julia et intégré dans un nouveau logiciel appelé Building Energy Replica Tool (BERT), conçu dès le départ pour être rapide, évolutif et facile à connecter à des algorithmes d’apprentissage automatique.

Validation par rapport à une référence reconnue

Pour vérifier la fiabilité de ce modèle léger, l’équipe compare les résultats de BERT à ceux d’EnergyPlus, un simulateur de bâtiments reconnu par l’industrie. Ils utilisent une maison de 60 mètres carrés sur le campus de la New Mexico State University, reproduisant soigneusement sa taille, ses matériaux et la météo locale. Pour une journée d’été chaude comme pour une journée d’hiver froide, le moment des pics de demande de chauffage et de refroidissement correspond étroitement entre les deux outils, même si les valeurs exactes des pointes diffèrent d’environ 20 à 30 %. BERT a tendance à lisser les pics nets en raison de sa représentation du stockage de chaleur, mais dans l’ensemble il suit correctement quand le bâtiment a besoin d’énergie et comment les charges évoluent au cours de la journée. Surtout, BERT s’exécute plusieurs fois plus vite qu’EnergyPlus, et des dizaines de fois plus vite que certains autres outils d’ingénierie, rendant possibles des séries nombreuses d’exécutions.

Identifier ce qui détermine réellement la consommation

La rapidité est essentielle parce que les auteurs ne veulent pas seulement une prédiction unique : ils cherchent à comprendre l’incertitude et quelles options de conception comptent le plus. Ils font varier les entrées clés à l’aide de méthodes d’échantillonnage avancées puis appliquent des analyses de sensibilité globales pour voir quels paramètres ont le plus d’impact sur la consommation énergétique. À travers plusieurs techniques, le même constat émerge : pour les bâtiments équipés de systèmes géothermiques, la conception de la boucle souterraine et de la pompe à chaleur elle‑même domine l’incertitude de la demande énergétique. Des facteurs comme le taux d’échange thermique entre le sol et les tuyaux, la longueur des canalisations enterrées et l’efficacité de la pompe à chaleur l’emportent sur les variations d’isolation des murs ou des propriétés du béton dans des fourchettes réalistes. Des analyses statistiques supplémentaires montrent comment différentes combinaisons de paramètres peuvent produire des courbes de puissance journalières presque identiques, mettant en évidence où les concepteurs ont de la marge de manœuvre et où ils n’en ont pas.

Mettre les finances et la science des données au service du projet

Parce que le modèle est si rapide, l’équipe peut étendre son analyse à l’économie et à l’intelligence artificielle. En utilisant des simulations sur une année complète, ils comparent un système de pompe à chaleur géothermique à une chaudière à gaz conventionnelle et à un climatiseur standard, sous différents scénarios d’isolation des murs et selon les tarifs et incitations locaux pour Las Cruces, au Nouveau‑Mexique. Les options géothermiques réduisent systématiquement la consommation annuelle de chauffage et de refroidissement d’environ moitié et remboursent souvent leur surcoût initial en quelques années à une quinzaine d’années une fois les rabais et crédits d’impôt pris en compte — largement dans la durée de vie attendue des équipements. Côté IA, ils entraînent un modèle d’Extreme Gradient Boosting (XGBoost) sur des milliers de simulations BERT. Avec un jeu d’entraînement modeste, l’algorithme apprend à reproduire les prédictions énergétiques de BERT avec une précision quasi parfaite en quelques secondes, démontrant qu’un modèle fondé sur la physique peut être condensé en un substitut ultra‑rapide adapté au contrôle en temps réel et à la planification à l’échelle d’une ville.

Ce que cela signifie pour les villes de demain

Pour les non‑spécialistes, l’essentiel est qu’un modèle simplifié et bien conçu peut être suffisamment précis pour orienter des décisions réelles tout en étant assez rapide pour explorer des milliers de scénarios « et si ». L’étude montre que, dans les maisons géothermiques, bien concevoir le système souterrain et la pompe à chaleur importe plus que d’optimiser chaque détail des murs, et que ces systèmes peuvent être à la fois plus propres et rentables sur leur cycle de vie. En combinant de tels modèles informés par la physique avec l’apprentissage automatique, les auteurs posent les bases d’une plate‑forme UrbanAI qui pourrait aider les planificateurs à tester des politiques, les gestionnaires de réseaux à prévoir la demande, et les propriétaires ou promoteurs à visualiser les avantages à long terme d’un chauffage et d’un refroidissement plus propres avant de commencer les travaux.

Citation: Markowitz, A., Abuaamoud, R., Ben Ayed, S. et al. AI-augmented geothermal model for scalable energy uncertainties in buildings. Sci Rep 16, 11907 (2026). https://doi.org/10.1038/s41598-026-40837-4

Mots-clés: pompes à chaleur géothermiques, modélisation énergétique des bâtiments, planification énergétique urbaine, apprentissage automatique, chauffage et refroidissement renouvelables