Stage de Recherche Data Scientist

Laboratoire : Centre Efficacité et Système, laboratoire de Mines Paristech

Contenu du stage :

Nous avons établi un premier modèle énergétique de bâtiment de bureaux (modèle RC semi-physique) facilement paramétrable et présentant des coûts de simulation faible. Ce modèle, calibré et validé à l’aide de modèles détaillés de type SED, semble adapter à l’évaluation d’actions de performance énergétique pour réduire la consommation et l’impact carbone du parc de bâtiments géré par Deepki. Ce modèle générique doit être paramétré (ou enrichie) pour chaque bâtiment, en termes de géométrie (surface utile, compacité, mitoyenneté, orientations, surface vitrée), de type de parois (isolation, inertie) ou encore de type de systèmes (pompe à chaleur, chaudière…)

Pour automatiser la collecte de ces paramètres nous souhaitons utiliser des grandes bases de données de description du territoire associées à des algorithmes d’enrichissements (modèles physiques ou statistiques, machine learning, voir deep learning pour l’analyse d’image). Nous aimerions par exemple utiliser la BDTOPO de l’IGN et Open Street Map pour récupérer automatiquement des éléments de mitoyenneté et d’orientation. Les images issues de « Street View » de Google pourraient également être utilisées pour déterminer les surfaces vitrées et les masques solaires. Enfin, des techniques de statistique descriptive (ou bayésiennes) appliquées sur les données de consommation (factures, consommation issue de compteurs communicants) permettraient d’identifier les systèmes énergétiques ou encore les consignes et température et de ventilation. Une partie du stage consistera également à chercher et identifier des données disponibles et pertinentes pour enrichir les modèles.

Data:

A disposition :

• des données simulées de besoins thermiques à partir du modèle thermique simplifié (modèle RC).
• des courbes de charge de bureaux (P10) sur plusieurs années d’historique
• des descriptifs des sites (surface, géolocalisation, éventuellement équipements énergétiques, occupants…
• la météo jour par jour à proximité (températures min, max, humidité, couverture nuageuse, heures de lever et coucher du soleil…)
• images Streetview des bureaux
• des données de géométrie et d’orientation, BD TOPO de l’IGN, données open street map

Profil recherché

Compétences indispensables :

• Compétences en thermique et énergétique
• Analyse statistique de données, deep learning
• Programmation en Python
• Recul et méthodologie
• Communication et pédagogie
• Intérêt pour le domaine de l’énergie et l’efficacité énergétique

Références bibliographiques :

• Ramallo-González, Alfonso P., Matthew E. Eames, and David A. Coley. « Lumped parameter models for building thermal modelling: An analytic approach to simplifying complex multi-layered constructions. » Energy and Buildings 60 (2013): 174-184.
• Documentation de la BD TOPO (service de l’IGN : https://geoservices.ign.fr/ressources_documentaires/Espace_documentaire/BASES_VECTORIELLES/BDTOPO/DC_BDTOPO_3-0.pdf)
• Chaudhury, Krishnendu, Stephen DiVerdi, and Sergey Ioffe. « Auto-rectification of user photos. » 2014 IEEE International Conference on Image Processing (ICIP). IEEE, 2014.
• Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. « U-net: Convolutional networks for biomedical image segmentation. » International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015.

Gratification : 1 000€, (tickets restaurants 8 €, remboursement 50% transports en commun et carte Vélib’)