(CS3.3) Approches axées sur les données pour les rénovations en profondeur et leur impact sur les bâtiments patrimoniaux

Pour que le secteur du bâtiment atteigne ses objectifs de réduction des émissions, on estime que 3 % du parc immobilier existant doit être rénové chaque année. Actuellement, au Canada, le taux annuel de rénovation tourne autour de 1 % par an, ce qui est bien en deçà de l'objectif. De nombreux obstacles limitent le taux de rénovation. Dans cette présentation, je discuterai de la façon dont nous développons des modèles basés sur des données pour aider à résoudre le problème du faible taux d'adoption des rénovations en tenant compte des facteurs techniques et non techniques, et des implications que cela peut avoir sur les bâtiments patrimoniaux. Les modèles pilotés par les données que nous développons utilisent des techniques d'apprentissage automatique telles que la régression, les réseaux neuronaux, la modélisation de substitution et sont étayés par des données collectées à partir d'un certain nombre de sources en fonction de l'archétype du bâtiment. Les modèles d'apprentissage automatique sont formés pour un certain nombre d'applications pertinentes. La première consiste à prédire les ensembles de mesures optimales en matière d'efficacité énergétique sur la base de données clés telles que la géométrie, les paramètres de l'enveloppe, le système CVC, les performances passées, etc. Deuxièmement, il s'agit de rationaliser le processus d'exécution d'une rénovation profonde pour les propriétaires de bâtiments, en simplifiant la conception schématique et en fournissant des estimations de coûts plus précises. Troisièmement, il s'agit de réaliser des analyses de rentabilité financièrement viables pour les rénovations profondes, en particulier pour les propriétaires à faibles revenus, dont les bâtiments offrent souvent les plus grandes possibilités d'amélioration. Une partie de cette équation comprend la façon de saisir les avantages difficiles à monétiser des rénovations profondes, tels que l'amélioration de la santé et du bien-être des occupants, l'amélioration de la résilience climatique ou la préservation des sites patrimoniaux pour les générations futures.Il est important de souligner que ces modèles sont étayés par des données, et que ces données tendent à être dominées par la construction contemporaine. De nombreux bâtiments patrimoniaux sont considérés comme des cas particuliers parce qu'ils présentent des assemblages, des systèmes et des caractéristiques architecturales plus rares. Ils sont donc mal représentés dans les données, ce qui ne leur permet pas de profiter des avantages des approches basées sur les données et peut les exposer à des solutions et des conseils inappropriés qui peuvent avoir des conséquences négatives s'ils sont suivis aveuglément. Pour que les bâtiments patrimoniaux soient correctement représentés dans ces modèles, nous devons disposer de suffisamment de données les concernant. Les approches fondées sur les données et l'IA font leur entrée dans le secteur du bâtiment, et il est important que la communauté du patrimoine les comprenne et les adopte en partageant les données techniques et de performance. Cela implique de mettre en place des procédures de mesure et de vérification de la consommation d'énergie avant et après une rénovation pour nous aider à comprendre quelles sont les interventions les plus efficaces, et de partager ouvertement les données du bâtiment, les mesures de rénovation, les coûts et les données de performance à l'aide d'un modèle complet et normalisé. Cela nous permettra de comparer et de contraster les approches de rénovation afin de mieux former nos modèles.