Développement d’une méthodologie d’analyse de la
parcimonie pour la simulation énergétique urbaine

Méthodes d’analyses d’incertitudes et de sensibilité

Une fois l’origine des incertitudes précédentes déterminée, il est nécessaire de mettre en place des analyses d’incertitude et/ou de sensibilité pour déterminer leur impact et la fiabilité des sorties de simulation. Deux analyses complémentaires sont appliquées afin de connaître la sensibilité des modèles aux paramètres d’entrée (analyse de sensibilité) et pour visualiser le comportement d’un modèle visà-vis de paramètres et d’en déduire l’incertitude de la sortie (analyse d’incertitude). Ces deux types d’analyse permettent ainsi de valider un modèle, de comparer des performances entre des solutions techniques, et de déterminer l’incertitude sous laquelle étudier les sorties. L’utilisation des résultats d’une simulation énergétique peut amener à une mauvaise conclusion si celle-ci n’est pas accompagnée d’une estimation de l’écart possible.  L’analyse d’incertitude se base sur la création d’échantillons aléatoires pour connaître la réponse des modèles à ces sollicitations. De façon générale, les méthodes d’échantillonnage les plus utilisées sont l’échantillonnage aléatoire, l’échantillonnage quasi-aléatoire, et l’échantillonnage par hypercube latin (Échantillonnage par hypercube latin – Latin Hypercube Sampling (LHS)). Ces méthodes sont fortement utilisées dans le domaine de simulation énergétique en tenant compte de leurs avantages et inconvénients suivant les cas d’étude. En effet, le choix de la méthode doit promouvoir un équilibre entre la précision des résultats et un temps de calcul raisonnable. Les analyses de sensibilité ont pour objectif d’identifier les paramètres les plus significatifs du modèle, de les classer par ordre d’influence, ainsi que de valider des modèles sous différentes variations de ces paramètres d’entrée. Elles sont généralement appliquées avant les analyses d’incertitudes. Trois grands groupes de méthodes apparaissent : — Les méthodes de screening / de criblage : Analyse qualitative de la sensibilité des variables de sortie par rapport aux paramètres d’entrée, permettant une hiérarchisation des données d’entrée selon leur influence [30, 49, 98, 209]. — Les méthodes d’analyse de sensibilité locale : Mesure de l’impact local de chaque paramètre d’entrée sur la ou les sorties du modèle [57]. Elles se basent sur la définition des dérivées partielles pour connaître l’impact de la variation d’un paramètre à la fois autour de sa valeur nominale sur la sortie. Avec ces méthodes, tous les paramètres sont considérés de même nature, sans effet de taille ou de type de fonction de densité de probabilité. Ainsi ces méthodes ne considèrent pas de corrélation entre paramètres d’entrée ni de modèle non-linéaire ou non additif. — Les méthodes d’analyse de sensibilité globale : Analyse quantitative de la sensibilité des variables en déterminant quelle part d’incertitude sur la sortie est attribuée aux paramètres et à leurs interactions. Tous les paramètres varient simultanément, permettant de prendre en compte les corrélations entre paramètres, et des indices de sensibilité sont calculés à la fin [103, 147, 213, 218]. Ces méthodes peuvent prendre en entrée différents types de densité de probabilité suivant les paramètres. Toutes ces méthodes de sensibilité et d’incertitude se déroulent selon une démarche semblable : — Définition de la problématique et des variables observées — Définition des sources d’incertitudes et des plages de variations ou distributions liées à chacune des sources — Échantillonnage de ces plages de variation afin de créer les données d’entrée de chacune des simulations : cet échantillonnage est très important, c’est l’utilisation de méthodes particulières qui permettent d’appliquer les analyses de sensibilité et de rang à la fin. — Simulations avec propagation des incertitudes — Application des méthodes de sensibilité pour déterminer les rangs des paramètres C’est donc bien la partie échantillonnage des données d’entrée qui est le point central de ces analyses. Or, ces échantillonnages varient suivant la méthode utilisée. Au sein des différentes familles présentées ci-dessus, plusieurs méthodes d’échantillonage existent (Tableau 1.2), mais aussi de simplification de modèles (méta-modèles). Elles sont présentées notamment dans les guides de Saltelli et al [197, 198] et étudiées dans la thèse de Jacques [111] et dans l’article de Iooss et Lemaître [109]. Presque toutes ces méthodes se basent sur un plan d’expériences initial afin d’analyser les influences de chacun des paramètres d’entrée. Certaines méthodes comme celle des méta-modèles sont intrusives dans les modèles de simulation et sont de facto mises de côté.

Modélisation, adaptation et incertitudes

Les modèles bottom-up nécessitent de choisir un niveau de modélisation, dont l’interaction avec les autres modèles est difficile à appréhender, et un nombre important de paramètres d’entrée, dont la valeur est incertaine. Des analyses de sensibilité et d’incertitude sont alors nécessaires pour quantifier les incertitudes sur les sorties de simulation. De nombreuses études d’analyses de sensibilité et d’incertitude à l’échelle du bâtiment ont été publiées : MacDonald [138], Wit et Augenbroe [49], Egan et al. [57]. Mais les études sur des quartiers entiers restent peu nombreuses, par exemple Nouvel [152] ou Booth [30]. Or, à chaque étape de la simulation énergétique des incertitudes se manifestent : — Au moment du paramétrage : La récupération des données d’entrée étant complexe, l’obtention de valeurs exactes est difficile et induit de nombreuses incertitudes. La précision sur les données dépend des incertitudes des bases de données puis des enrichisseurs 6 . — Au moment du choix des modèles : Choisir le bon niveau de détail d’un modèle est compliqué, et influe de manière importante sur les temps de calcul, les sorties et la propagation des incertitudes. — Au moment de la simulation : Des incertitudes numériques intrinsèques aux moteurs de calcul existent. Elles ne sont pas traitées ici car trop particulières à un code de calcul donné. — Au moment du post-traitement des résultats : Dès que de nouveaux paramètres économiques (ex : coût des énergies), énergétiques (ex : coefficient d’énergie primaire) ou environnementaux (ex : énergie grise des matériaux) sont utilisés pour le traitement des résultats bruts, de nouvelles incertitudes sont ajoutées à celles déjà présentes. Ces dernières sont de plus propagées par le post-traitement. L’utilisateur et le modélisateur doivent donc gérer ces incertitudes, et ce à une échelle urbaine. Or, suivant le type de quartier (morphologie et composition) la sensibilité de la simulation aux différents paramètres et modèles peut varier. Par exemple un quartier dense de grande hauteur crée des ombrages, impactant la consommation d’énergie de manière plus importante qu’un quartier de faible hauteur. Ce sont ces deux vecteurs d’incertitudes qui sont les plus prégnants à l’échelle quartier : comment gérer l’incertitude des données d’entrée? Et comment gérer l’adaptation et le choix des modèles? 1.2.1 Incertitudes liées au paramétrage Les données sont rarement toutes disponibles pour la modélisation d’un quartier et la connaissance précise de chacun des bâtiments représente un investissement en temps trop important. C’est pourquoi il est habituel de combler les lacunes par des enrichisseurs, dont les données proviennent de base de données externes, de dires d’expert, d’expérimentations, de propriétés théoriques ou de la bibliographie. Ces données d’entrée peuvent être séparées en plusieurs thématiques suivant leur nature [103] : — Paramètres physiques : Ils comprennent les propriétés physiques et thermiques des matériaux, les constantes physiques choisies, etc. — Paramètres de conception : Ils sont implémentés par le concepteur ou le simulateur. Leur incertitude peut provenir d’un manque de connaissance ou d’un mauvais paramétrage. Ce sont par exemple le taux de vitrage, la forme du bâtiment ou bien le choix des menuiseries. — Paramètres de scénario d’usage de bâtiment : Ils diffèrent des précédents de par leur variation dans le temps. En effet, l’ouverture des fenêtres ou le contrôle de l’éclairage varie selon la présence des occupants, leur comportement, etc. 6. voir glossaire  — Données concernant l’environnement extérieur : De même nature que les précédents, elles comprennent la température extérieure qui varie selon les stations météo et la localisation. Ces paramètres ne peuvent pas être analysés de la même manière ni être définis par des densités de probabilité de distribution communes. Si pour les paramètres physiques ou de conception il est possible d’associer une densité de probabilité, les scenarii sont liés aux modèles mis en place. De nombreuses études ont été réalisées à l’échelle du bâtiment pour déterminer la sensibilité des modèles aux données d’entrée. Certaines se focalisent sur une unique nature de paramètres : par exemple De Wit [49] étudie les incertitudes sur les propriétés des matériaux et celles découlant de simplifications de modèles, et Domínguez-Muñoz et al. [54] se focalisent sur la quantification d’incertitudes des conductivités thermiques et des masses volumiques. D’autres études ont été à l’inverse réalisées sur des ensembles de paramètres variés, mélangeant notamment les scenarii et les paramètres thermiques : — Hopfe [103] étudie les incertitudes des propriétés physiques des bâtiments, celles liées à sa géométrie ainsi que certaines liées aux scenarii d’utilisation pour de l’aide à la décision visà-vis du changement climatique, notamment sur la consommation d’énergie annuelle de chauffage et de climatisation et le confort thermique (heures de surchauffe et sous-chauffe). La prise en compte de l’ensemble des incertitudes fait varier de manière très importantes les résultats, notamment les besoins de chauffage entre 40 et 110 kWh/m2 . Plusieurs méthodes d’analyse de sensibilité sont étudiées, montrant que le taux d’infiltration est un des paramètres prépondérants dans la simulation énergétique. — Macdonald [138] quantifie dans sa thèse les effets d’incertitudes dans la simulation de bâtiment en considérant la température interne, la consommation d’énergie annuelle et les pics de puissance, en intégrant cette analyse d’incertitude au logiciel Esp-r. — Mosteiro-Romero et al. [147] appliquent une analyse de sensibilité sur les propriétés architecturales et thermiques du bâtiment, les paramètres d’utilisation du bâtiment et les gains internes afin d’en voir l’influence sur la demande de climatisation et de chauffage suivant les caractéristiques des bâtiments (compacité, surface, type d’occupation, type d’utilisation du bâtiment). Ils montrent ainsi que la température de consigne de climatisation est le paramètre le plus influent pour la demande de climatisation. Pour la demande de chauffage, ce sont le taux d’infiltration et le facteur de transmission des vitrages. Les effets de sensibilité varient cependant suivant le type d’occupation du bâtiment. — Hyun et al. [105] ont étudié les incertitudes de certains paramètres, notamment les propriétés thermiques, afin d’évaluer les incertitudes reliées à la prédiction des taux de renouvellement d’air. Ils montrent ainsi que les erreurs d’estimation des taux de ventilation naturelle ont une influence non négligeable. La quantification des infiltrations d’air et de la ventilation dans un bâtiment est une tâche complexe, c’est pourquoi des données expertes récupérées sur le terrain sont généralement utilisées, impliquant une certaine incertitude. — Les équipements avec leurs puissances installées et leur taux d’utilisation, que cela soit les équipements ménagers ou l’éclairage, ont chacun une incertitude associée. Les paramètres de scénario d’occupation peuvent avoir un fort impact sur les sorties de simulation de par leur influence sur les températures de consigne, le bâti (ouverture des fenêtres, des volets) et sur le taux d’utilisation des systèmes (consommation, gains internes), liée à la présence ou non des occupants. Cependant il est difficile de prédire de manière précise cette interaction avec par exemple la ventilation, l’éclairage, les systèmes de chauffage et/ou climatisation ou bien même l’humidité des pièces. Toujours à l’échelle du bâtiment, Wolisz et al. [242] se sont penchés sur la qualité des données en comparant différentes approches de récupération des données (allant des données de faible qualité (disponibles par une collecte à distance) à des données issues d’observations sur site), amenant à des différences de 57 % dans la demande annuelle d’énergie.

MODÉLISATION ÉNERGÉTIQUE À L’ÉCHELLE URBAINE

À l’échelle quartier, l’analyse de ces paramètres et l’effort de récupération des données sont démultipliés. Plusieurs études de sensibilité et d’incertitudes ont été réalisées sur les paramètres à cette échelle. Nouvel [152] étudie l’influence du niveau de détail des paramètres géométriques, météorologiques et d’occupation sur la demande de chauffage de la ville de Ludwigsburg en Allemagne. Il classe ainsi les données en données nécessaires ou optionnelles à avoir selon leur influence sur la sortie. Booth [30] réalise lui aussi une étude de sensibilité, mais sur un groupe d’appartements homogènes afin de choisir les paramètres les plus influents, puis réalise un processus de calibration Bayésienne afin de visualiser l’incertitude du Coefficient de Performance (COP) du système de chauffage, de la fraction de surface chauffée, de la température de consigne de chauffage et de l’étanchéité du bâtiment. En plus de la précision des données à l’échelle du bâtiment, la modélisation d’un quartier est sujette à la précision spatiale et géométrique de ces derniers. Plus la modélisation de chacun des bâtiments est simple géométriquement, plus la simulation est rapide mais soumise à davantage d’hypothèses et d’incertitudes. De Jaeger et al. [48], Strzalka et al. [217] et Biljecki et al. [25] ont étudié l’influence de cette précision spatiale sur les pics de puissance, la consommation d’énergie ou bien le risque de surchauffe. La demande en chauffage obtenue avec deux niveaux de détail différents peut varier de 10 %, et implique donc un équilibre entre la précision des données et le coût de calcul. Couplé à cette précision spatiale, la morphologie du quartier influe sur les sorties et sur le choix des modèles. En effet, les villes évoluent sous l’impulsion des politiques de développement urbain, induisant une morphologie et une densité différente dans les quartiers au sein d’une même ville. Les réactions au climat sont alors différentes, et des corrélations entre climat urbain, géométrie urbaine et demande en énergie peuvent être déterminées. — Stromann-Andersen et Sattrup [216] partent de ce constat et étudient l’influence de la géométrie et de la densité des quartiers sur la demande énergétique, notamment les quartiers en forme de canyon. Ainsi, le ratio hauteur/distance entre les bâtiments devient un paramètre important, notamment pour les ombrages et les accès à la lumière naturelle, impactant fortement la consommation d’énergie liée au refroidissement. — Allegrini et al. [4] étudient eux aussi les quartiers en forme de canyon et l’impact des Coefficients de transfert thermique de convection (Convective Heat Transfer Coefficient) (CHTC) sur les demandes énergétiques. L’utilisation de facteurs de corrélation pour faire correspondre les CHTC à la météo locale et à la géométrie des bâtiments devient un paramètre important pouvant faire varier les demandes de climatisation d’un facteur 2. — Rasheed et al. [177] énoncent des conclusions similaires sur l’impact de la géométrie du quartier sur le climat local (influence sur le débit d’air et le taux de rayonnement absorbé), et proposent le concept de ville équivalente permettant d’avoir des valeurs de force de trainée et de rayonnement équivalentes pour une plus faible complexité de quartier. Si la géométrie du quartier influe elle-aussi sur les sorties de simulation, les données de l’environnement et la prise en compte des microclimats locaux sont également des facteurs importants. Le climat en tant que système stochastique est incertain, donnant des sorties de simulation variables selon les bases de données et les conditions aux limites. De nombreuses études (notamment) ont porté sur les données météo, notamment sur leur échelle temporelle : données annuelles, moyennées sur plusieurs années ou choix d’une année de référence. Ces études montrent des différences pouvant aller jusque 40 % de variation de la demande en énergie, surtout pour le refroidissement. Le choix des données climatiques est donc important mais est surtout réalisé suivant les objectifs de modélisation (conception, exploitation, prévision…). Ces incertitudes de paramétrages ne sont pas étudiées dans la thèse, mais d’autres travaux sont en court sur ce sujet. 20 CHAPITRE 1. MODÉLISATION ÉNERGÉTIQUE À L’ÉCHELLE URBAINE 1.2.2 Incertitudes liées aux hypothèses de modélisation La modélisation des phénomènes physiques et énergétiques dans les logiciels de simulation est basée obligatoirement sur des simplifications. Ces simplifications débutent au moment même où le phénomène est interprété, puis se poursuivent lors de sa mise sous forme mathématique et enfin lorsqu’il est implémenté de manière informatique. Lors de cette implémentation, les modèles sont souvent simplifiés afin de réduire le coût de calcul, surtout lors du passage à l’échelle du quartier où de nombreux bâtiments sont modélisés. Ainsi, le choix du niveau de détail du modèle mis en place dans les simulations, que cela soit par rapport au temps de calcul ou à la précision des résultats, est crucial. Cela va de pair avec la question du type de modèle à appliquer en fonction des objectifs de simulation souhaités. Une dimension d’incertitude à prendre en compte vis-à-vis des modèles est l’adéquation entre leur précision et la disponibilité des données d’entrée. En effet, un équilibre doit être trouvé entre leur complexité (amenant à des temps de calcul souvent plus longs et à des interactions entre phénomènes) et à la quantité et qualité des données qui sont complétées par des enrichisseurs de manière plus ou moins incertaine. Ainsi, quel degré de précision des modèles doit-on choisir suivant le jeu de données proposé en entrée? De même, si des données en entrée disponibles sont de faible qualité, les enrichisseurs permettent-il de continuer à utiliser les modèles détaillés pour avoir une meilleure précision des résultats? Il existe donc plusieurs sensibilités : la sensibilité des modèles à leurs paramètres, la sensibilité des sorties par rapport aux modèles et la sensibilité des sorties aux paramètres pour un modèle donné. Pour gérer les incertitudes liées aux modèles et déterminer de manière différenciée les réponses à ces questions, plusieurs familles de modèles sont distinguées : — Modèles de bâtiment : ceux liés à la thermique du bâtiment, à sa géométrie ou son zonage thermique intérieur. — Modèles d’occupation : ceux liés aux occupants et aux équipements, notamment l’emploi du temps des occupants, les gains internes, les interactions avec les systèmes ou celles avec le bâti. — Modèles de systèmes : ceux liés aux systèmes de production, de distribution ou de régulation, par exemple les modèles de panneaux PV ou de chaudières, que cela soit au niveau du quartier, du bâtiment ou de la zone thermique 7 . — Modèles liés à la physionomie du tissu urbain et à son environnement : ceux liés aux conditions extérieures et à la morphologie urbaine tels les masques solaires ou les phénomènes de microclimat. Plusieurs types de modèles existent pour chacun des composants de ces familles. Certains ont déjà été comparés les uns aux autres et leurs sensibilités étudiées. Un rapide résumé est proposé ci-dessous. Modèles de bâti Un des premiers postes de simplification est celui de la modélisation de l’enveloppe du bâtiment avec les transferts thermiques par conduction, en particulier au moyen du modèle d’analogie électrique RC [21, 68, 116, 186, 190], de méthode de réduction [189] ou de facteur de réponse [85, 222]. Mais d’autres simplifications ont lieu, généralement utilisées sans connaître leur impact sur les sorties détaillées, comme l’utilisation d’une unique zone thermique pour un bâtiment ou la prise en compte d’une géométrie simplifiée. Des études portent alors sur l’impact de ces simplifications, notamment sur la division du bâtiment en plusieurs zones thermiques [37, 139, 162]. Si 7. voir glossaire Happle et al. [94] se focalisent sur les modèles d’infiltrations d’air, Frayssinet et al. [70] réalisent la comparaison de différentes adaptations de modèles, en regardant l’impact sur la consommation annuelle mais surtout sur les puissances de chauffage et de climatisation, souvent délaissées dans les études mais où les conséquences des simplifications peuvent être les plus importantes. Modèles liés à l’occupation La variabilité dans le comportement des occupants rend difficile sa modélisation. Si de nombreuses études se rejoignent sur le fait que les occupants jouent un rôle important dans les différences entre la réalité et les résultats de simulation, la quantification de cette donnée d’entrée et sa modélisation restent difficile à effectuer. Pour simuler l’occupation il est nécessaire de choisir le type de comportement des occupants suivant leur activité, leur âge, genre et style de vie, ainsi que de lier ces caractéristiques aux équipements existants. Plusieurs types de modèles existent, notamment les modèles standards déterministes (à partir de normes ou standards nationales), les approches stochastiques (processus de Bernoulli, chaîne de Markov…) ou les modélisations orientées agents. À l’échelle d’un bâtiment ces différences peuvent être très fortes. Belazi [17] et Silva et Ghisi [208] mettent en avant la part d’incertitude causée par les occupants dans un bâtiment (jusqu’à 30 % de leurs incertitudes sont causées par l’occupation). Cependant, à travers le foisonnement et l’agrégation de comportements, cette variabilité au niveau du quartier est réduite [152]. Mosteiro-Romero et al. [148] ont développé une nouvelle méthode basée sur des modèles de transport orientés agents et ont comparé les résultats à des méthodes déterministes et stochastiques. Ces dernières modélisent pour chaque période de l’année une population plus importante que la nouvelle méthode, avec moins de variation dans l’occupation des bâtiments. En modélisant plusieurs bâtiments, ils montrent que les méthodes aboutissent à des résultats qui n’ont qu’en moyenne 9 % de différences entre elles sur la demande annuelle, mais ont un impact fort sur les résultats horaires (10 à 20 % pour la demande de climatisation). L’impact des modèles d’occupation est fort à l’échelle d’un quartier, mais il est compliqué de valider les modèles car il est difficile de mesurer la présence des occupants. Cette validation d’occupation, que cela soit sur le type d’occupant, ses équipements ou son comportement, est un enjeu fort pour la simulation quartier. Modèles liés aux systèmes Le nombre d’études portant sur les incertitudes de systèmes énergétiques reste limité en comparaison de celles sur les paramètres précédemment évoqués. Ces systèmes se trouvent à différentes échelles : — Échelle du quartier avec les réseaux de chaleur, de froid et d’électricité ou les productions EnR mutualisées, — Échelle du bâtiment avec un générateur commun pour tous les usagers que cela soit pour le chauffage, l’ECS ou la climatisation, — Échelle de la zone thermique avec par exemple, les ballons d’ECS, les chaudières individuelles, ou les émetteurs. Au niveau du quartier, les réseaux de chaleur et de froid distribuent l’énergie de manière mutualisée, impliquant de nouvelles problématiques par rapport à une production et distribution locales, notamment sur l’optimisation de la conception du réseau et la gestion des flux. Ainsi, les systèmes sont sujets à de multiples incertitudes, que cela soit au niveau des paramètres ou des modèles, qu’il est nécessaire d’analyser. 

MODÉLISATION ÉNERGÉTIQUE À L’ÉCHELLE URBAINE

Ces systèmes peuvent être modélisés de manières différentes, que cela soit en attribuant une efficacité globale au système ou par une modélisation des différents composants. À une échelle bâtiment, Heo et al. [98] étudient par exemple les incertitudes pour une chaudière, vis-à-vis de son efficacité pouvant varier selon la charge partielle ou la température de retour, mais aussi pour un système de ventilation plus détaillé qu’un simple taux de renouvellement d’air fixe. Rivalin [187], étudie les incertitudes liées aux systèmes énergétiques en relation avec les simulations thermiques dynamiques pour des bâtiments uniques, dans le cadre de la garantie de performance énergétique. Quelques études à l’échelle quartier existent. Mavromatidis et al. [141] étudient les incertitudes sur la conception des systèmes énergétiques distribués : variations sur la disponibilité des ENR, sur les demandes énergétiques du bâtiment ou bien sur les prix de l’énergie. Cette étude suit la revue des approches de caractérisation des incertitudes sur la conception des systèmes énergétiques [142]. À cette même échelle quartier, Gang et al. [76] montrent que les incertitudes sur les réseaux se réduisent avec l’augmentation du nombre de bâtiments modélisés et connectés, mais restent importantes au niveau des pics de charge. Modèles liés à la physionomie du tissu urbain et à son environnement Si les modèles à l’échelle du bâtiment sont étudiés, connus et développés depuis le début des simulations thermiques, les modèles au niveau du quartier le sont depuis uniquement quelques années avec le développement des UBEM. En plus des phénomènes au niveau du bâtiment et des systèmes à modéliser, il est nécessaire de prendre en compte les phénomènes à plus grande échelle, ainsi que les interactions entre bâtiments. Ainsi, au niveau du quartier existent des modèles liés à l’environnement extérieur et à la morphologie urbaine, que cela soit les ombrages dus aux masques, la topographie du terrain, les phénomènes d’îlot de chaleur, l’adjacence entre bâtiments, etc., que les scientifiques cherchent à modéliser. Yang et al.[243] utilisent le logiciel EnergyPlus couplé à ENVI-met pour visualiser l’effet de l’environnement urbain sur les performances énergétiques. Si bien évidemment le taux de rayonnement solaire atteignant le bâtiment influence les demandes de chauffage et de climatisation, le transfert de chaleur par convection induite par le vent impacte lui aussi ces demandes énergétiques suivant la qualité d’isolation, l’écart de température entre l’extérieur et l’intérieur et le taux de vitrage du bâtiment. Si l’humidité de la végétation n’est à prendre en compte que pour les climats chauds et humides, l’environnement thermo-radiatif et les transferts de chaleur par infiltrations d’air ont un impact sur les demandes énergétiques quel que soit le climat. Sur ce même logiciel, Evins et al. [62] étudient les effets de rayonnement de grandes longueurs d’onde, qui affectent les températures de surfaces extérieures et de là les consommations énergétiques des bâtiments. Ils concluent que leur modélisation est nécessaire pour les aires urbaines denses et pour les bâtiments équipés de protections solaires extérieures. Cette modélisation des grandes longueurs d’ondes est introduite en raison de la volonté de représenter les effets d’îlots de chaleur et le microclimat pouvant impacter fortement les conditions climatiques locales (augmentation des températures de surface, changement d’humidité…). Plusieurs auteurs se sont penchés sur la quantification de l’impact de ces effets sur les performances énergétiques des bâtiments : — Mirzaei et Haghighat [146] présentent les différentes méthodes d’approche de l’effet d’îlot de chaleur et les outils développés autour de cette thématique, mettant en avant la diversité de phénomènes impliqués et donc la multiplicité des outils, chacun prenant en compte une partie des phénomènes à cause des temps de calcul. — De même, Allegrini et al. [4] étudient l’effet des microclimats suivant la forme du quartier, notamment sur les quartiers en forme de canyon. Ils complètent cette thématique par un article sur les morphologies des quartiers vis-à-vis du microclimat [5], montrant que la variation de distance entre les bâtiments et la non-uniformité des hauteurs dans le quartier influent sur les températures de façades et donc sur l’intensité du climat local. Cette variation de climat, et en l’occurrence de température, rejoint aussi la question de la prise en compte de la distance des sites étudiés avec les mâts de mesure météo, souvent éloignés de quelques kilomètres ou dizaines de kilomètres. Des villes espacées de quelques kilomètres peuvent avoir des températures très différentes, par exemple à cause d’une variation de topographie ou la présence de vents dominants. La présence des masques dans un quartier, que ce soit des masques mobiles [151, 228, 244] (protections solaires intérieures ou extérieures à commande variable), proches [35, 39, 124] (ombrages du bâtiment sur lui-même), lointains [93, 193] (ombrages des bâtiments environnants) ou provenant de la topographie [140, 175], influe sur la modélisation du microclimat, mais aussi plus simplement sur les consommations énergétiques : plus l’ombrage sur un bâtiment est fort plus la consommation de chauffage est importante et moins la consommation de climatisation l’est. La modélisation des masques influe différemment sur plusieurs sorties et est appliquée avec les mêmes procédures pour les rayonnements solaires de courtes et longues longueurs d’onde. StromannAndersen et Sattrup [216] étudient l’effet des masques sur la consommation de chauffage et de climatisation mais aussi sur la consommation d’éclairage, qui devient un facteur dominant pour des fortes densités. Différemment, de nombreuses études traitent du potentiel PV et donc de l’approximation des effets d’ombrages. Certaines par exemple approximent cet effet grâce à un coefficient de réduction statique appliqué sur la surface du toit [126, 203, 223], amenant cependant à des grandes différences de potentiel entre réel et estimé. Néanmoins, la modélisation de ces masques implique un temps de simulation coûteux, amenant à des simplifications dès qu’un nombre important de bâtiments est étudié. Ainsi de nouveaux modèles de radiation solaire voient le jour, comme Romero-Rodriguez et al. [193] sur le logiciel Simstadt, afin de prendre en compte les bâtiments environnants de manière plus rapide en séparant le site étudié en dalle de tailles variables suivant la densité urbaine. Si généralement ce sont les ombrages dus aux masques qui sont mis en avant dans un quartier, l’inter-réflexion entre les bâtiments est aussi un phénomène induit par les hauteurs des bâtiments. Han et al. [93] comparent l’effet combiné de ces 2 phénomènes sous 3 climats en concluant que l’effet d’ombrage influe beaucoup plus que l’inter-réflexion sur la consommation d’énergie totale (éclairage, chauffage et climatisation). Certains logiciels de simulation urbaine ne modélisent pas l’adjacence possible entre les bâtiments d’un même quartier. Si cette adjacence implique un échange de chaleur entre bâtiments, souvent étudiée à l’échelle d’un faible nombre de bâtis [15, 162], elle implique aussi la non prise en compte des apports solaires sur certaines parties de façade.