Quand les bâtiments intelligents prédisent leur nombre d’occupants : le projet de modélisation prédictive de Chinmayi Kanthila

Saviez-vous que notre site de Brest abrite quelques chercheurs de l’Institut de Recherche Dupuy de Lôme (IRDL) ? A l’occasion de l’inauguration des nouveaux locaux de ce laboratoire dans les murs de l’IUT, nous vous proposons de découvrir quelques portraits d’étudiants en thèse. Chinmayi Kanthila travaille sur les bâtiments intelligents, un sujet de recherche passionnant.

Au plafond du bureau qu’elle partage avec d’autres doctorants, elle a disposé quelques guirlandes de capteurs. « Principalement des capteurs de température », nous explique-t-elle. Chinmayi travaille sur la modélisation de l’occupation des bâtiments : « L’idée est de détecter et prédire l’occupation des bâtiments pour comprendre et optimiser beaucoup de facteurs, comme la consommation d’énergie par exemple. »

Un bâtiment intelligent, ou « smart building » est un édifice équipé de dispositifs innovants pour améliorer sa gestion et l’expérience de ses occupants. Imaginez des bâtiments qui adaptent automatiquement la gestion de leurs équipements au nombre de personnes en leur sein. Le projet de Chinmayi va encore plus loin et touche à la prédiction : son objectif est de développer un modèle prédictif de l’occupation des bâtiments. « En prédisant les périodes d’occupation et d’inoccupation, » nous explique la jeune chercheure, « les systèmes de gestion énergétique peuvent ajuster les niveaux d’éclairage, de chauffage ou de climatisation. Cela permet de s’adapter aux besoins réels et de réduire la consommation d’énergie et les coûts tout en optimisant le confort des personnes. On peut ainsi garantir des conditions idéales à l’arrivée des occupants. Cela permet également de réduire les émissions de CO2 générées par le bâtiment et de contribuer à un environnement durable. »

Le travail de Chinmayi a commencé par une phase importante de collecte de données. « J’ai eu la chance de profiter d’un programme de mobilité à l’Université d’Aalborg au Danemark où j’ai pu initier l’analyse et la collecte de données. C’était une belle expérience car ils ont tout un département dédié au sujet, le Department of the Built Environment. » Les données récoltées sont nombreuses et concernent la température, l’humidité, le taux de CO2, l’illumination, l’acoustique, le WIFI, les radiations infrarouges, le RFID, la consommation d’électricité et d’eau, etc.

La seconde phase, l’analyse de ces données, est importante pour comprendre les influences entre tous les paramètres. « Par exemple, j’ai pu observer qu’il y avait peu de corrélation entre la température et le taux d’occupation du bâtiment, mais beaucoup plus entre l’illumination et l’affluence. Connaître ces corrélations est crucial. Cela nous permettra d’adapter l’algorithme et de mettre plus de poids sur les bons paramètres dans notre modèle ! »

Pour construire ce modèle, la jeune indienne va utiliser des méthodes de machine learning et de deep learning. Elle va appliquer un algorithme de prédiction (prénommé LSTM) et ses variations à des données d’entrainement. Elle pourra ensuite comparer les données prédictives concoctées par l’ordinateur aux données réelles pour évaluer son modèle.

Chinmayi est dans sa 3ème année de thèse qu’elle espère soutenir au mois d’avril prochain. Forte d’un Master en Génie Électrique et Électronique obtenu au Vellore Institute of Technology (VIT) en Inde, elle est ravie d’avoir effectué sa thèse en France en collaboration avec le CESI : « J’adore la France et son style de vie et puis j’ai eu beaucoup de chance car mes encadrants sont vraiment agréables. » Après sa thèse, la jeune indienne rêve de poursuivre une carrière dans la recherche. Nous lui souhaitons bonne chance.

Pour en savoir plus, vous pouvez parcourir les premières publications de Chinmayi :

• Building occupancy behavior and prediction methods : A critical review and challenging locks
  C Kanthila, A Boodi, K Beddiar, Y Amirat, M Benbouzid
  IEEE Access 9, 79353-79372
• Markov chain-based algorithms for building occupancy modeling: A review
  C Kanthila, A Boodi, K Beddiar, Y Amirat, M Benbouzid
  2021 3rd International Conference on Smart Power & Internet Energy Systems (SPIES)
• Building Occupancy Detection using Machine Learning-based Approaches: Evaluation and Comparison
  C Kanthila, A Boodi, K Beddiar, Y Amirat, M Benbouzid
  IECON 2022–48th Annual Conference of the IEEE Industrial Electronics Society
• Occupancy Prediction in Buildings Using Cascaded LSTM Model
  C Kanthila, A Boodi, K Beddiar, Y Amirat, M Benbouzid
  IECON 2023-49th Annual Conference of the IEEE Industrial Electronics Society