Étude de la quantification des incertitudes en analyse de cycle de vie des bâtiments et des quartiers, thèse de doctorat, Ecole des Mines de Paris

on the
Themes: analyse cycle de vie, bâtiment, screening sensivity
Contexte et enjeux La mise en œuvre de l'analyse de cycle de vie a permis le développement d'outils d'aide à la décision pour concevoir ou réhabiliter des quartiers en réduisant leurs impacts environnementaux. Mais les incertitudes sont importantes, tant sur les entrées que sur la définition des indicateurs environnementaux évalués. Il est alors utile de mieux cerner ces incertitudes, et de savoir si leur influence sur les sorties pourrait remettre en cause certaines décisions, liées par exemple à la comparaison de variantes de conception. L'enjeu est ainsi de fiabiliser ces outils. Objectifs scientifiques Un quartier est un système complexe, défini par un très grand nombre d'éléments ayant chacun différentes caractéristiques. D'autre part, la durée de vie des infrastructures est longue. Simuler leur cycle de vie nécessite de définir des scénarios de long terme, ce qui introduit également des incertitudes importantes. Il s'avère alors nécessaire de vérifier que les hypothèses, sur ces paramètres et scénarios incertains, n'entraînent pas de biais dans les conclusions des études, ce qui constitue l'objet des analyses de sensibilité et d'incertitude que la thèse devra développer. Approche - Méthodes La première étape consiste à recenser les paramètres incertains dans la modélisation du cycle de vie d'un quartier, en intégrant le système étudié (par exemple des incertitudes liées à la qualité de la mise en oeuvre, en construction ou en réhabilitation), les aspects comportementaux, les variables climatiques, les scénarios concernant par exemple la fin de vie, les hypothèses sur l'évolution du système étudié et du système d'arrière plan, etc. Plusieurs modèles d'ACV existants seront analysés pour rendre ce recensement plus exhaustif. Une deuxième étape aura pour objectif de déterminer les paramètres les plus influents, par exemple en mettant en oeuvre des analyses de sensibilité par plans d'expérience ou méthode de Morris. Une des questions consiste à savoir si ces analyses peuvent être effectuées par groupes de paramètres, ou si au contraire les interactions ne peuvent pas être négligées. Les résultats de différentes approches seront alors comparés. La troisième étape consistera à propager les incertitudes. La méthode de Monte Carlo peut constituer une référence, car elle est valable pour des fonctions non linéaires : ceci est le cas des consommations énergétiques, nécessairement intégrées à l'ACV. Pour certains paramètres, il pourra être intéressant de comparer cette méthode à des approches moins coûteuses en temps de calcul, mais supposant une loi linéaire. Cette étape a pour but d'étudier la validation de ces approches plus simplifiées. Résultats attendus Les méthodes indiquées ci-dessus seront mises en œuvre dans un outil d'ACV existant, et une étude de cas sera menée. Ceci permettra de tester la faisabilité de l'application de ces méthodes. Les temps de calcul et le niveau de fiabilité obtenus avec les différentes approches seront comparés afin de choisir les méthodes les plus appropriées. L'étude de cas permettra aussi de mieux cerner comment l'évaluation des incertitudes peut influencer le processus d'aide à la décision.

Le document est accessible ici : Pannier_Marie-Lise_thèse.pdf