Suivi du climat intérieur avec l'IA : Comment les bâtiments apprennent à s'auto-réguler

Les gens passent environ 90 % de leur temps dans des espaces clos. La qualité de l'air qui y règne a une influence directe sur la concentration, la santé et, en fin de compte, les performances professionnelles. Les systèmes modernes de surveillance du climat intérieur mesurent bien plus que la simple température : la concentration en CO₂, l'humidité, les particules fines et les composés organiques volatils sont transmis sous forme d'un flux de données continu vers un système d'analyse centralisé. 

L'étape décisive n'est plus la mesure en elle-même, mais ce qui se passe ensuite : les modèles d'IA analysent ces flux de données en temps réel, identifient des tendances et régulent les systèmes techniques du bâtiment de manière proactive, avant même que les seuils ne soient atteints.

Pendant longtemps, une hypothèse implicite a prévalu dans le domaine de la technique du bâtiment : une bonne qualité de l'air coûte de l'énergie, et les économies d'énergie se font au détriment du confort ambiant. Une analyse récente publiée dans la revue "Building and Environment" réfute ce compromis. Grâce à des systèmes basés sur l'intelligence artificielle, il est possible d'optimiser ces deux objectifs simultanément, car ils s'appuient sur la même base de données. 

Modèles utilisés

Les systèmes de contrôle classiques fonctionnent avec des seuils fixes. Les modèles d'apprentissage automatique s'appuient sur des séries chronologiques. Une étude publiée dans Energies Journal montre que les architectures récurrentes telles que Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU) atteignent des précisions supérieures à 92 % pour la prévision à court terme des paramètres de l'air ambiant. Les modèles GRU sont par ailleurs plus efficaces en termes de calcul. Un avantage pour une utilisation sur des passerelles périphériques. Les hybrides CNN-LSTM conviennent à des horizons de prévision plus longs, par exemple lorsqu'il s'agit d'anticiper l'évolution du CO₂ dans une salle de conférence sur l'ensemble de la journée de travail.

Commande prédictive avec des résultats mesurables

Le spin-off suisse viboo, issue de l'Empa et de l'ETH Zurich, montre comment cela fonctionne concrètement. L'algorithme apprend le comportement thermique d'un bâtiment à partir de deux semaines de données d'exploitation et calcule jusqu'à douze heures à l'avance l'apport énergétique idéal. Les économies documentées issues de projets réels : 26 à 49 % dans le bâtiment de recherche NEST de l'Empa, 20 % à l'hôtel Crystal de Saint-Moritz, 22 % à l'école Bach de Schaffhouse, soit une réduction de 13 tonnes de CO2 par an.

Le modèle ne reste pas figé après sa mise en service. Il est mis à jour en permanence à partir des nouvelles données de mesure. Les changements d'utilisation, les nouveaux schémas d'occupation ou les modifications architecturales sont automatiquement pris en compte. Le service de gestion des installations n'a donc plus besoin de reparamétrer manuellement la logique de commande. 

Les capteurs d'air ambiant compatibles IoT transmettent leurs données sans fil à des plateformes cloud ou à des systèmes locaux. Pour le CO₂, les installations professionnelles utilisent des capteurs NDIR (Non-Dispersive Infrared), qui fonctionnent selon un principe de mesure optique et fournissent des résultats stables, même dans des conditions industrielles. 

La transmission des données s'effectue souvent via LoRaWAN, un protocole radio qui couvre de grandes portées avec une faible consommation d'énergie et traverse les murs. Pour la mise en œuvre technique, on utilise des détecteurs de CO₂ calibrés, des stations météo connectées et des passerelles adaptées, qui permettent d'équiper les bâtiments existants sans intervention informatique majeure. 

Toutes les analyses ne doivent pas nécessairement être téléchargées dans le cloud. L'edge computing déplace le traitement des données directement sur l'appareil. Les passerelles IoT filtrent et condensent les données brutes sur place. Les décisions sont prises en quelques millisecondes, indépendamment de la connexion Internet ou de la disponibilité du cloud.
Cela présente aussi un avantage en matière de confidentialité : les données d'exploitation restent au sein du réseau local et ne le quittent que lorsque cela est souhaité. 

C'est particulièrement pertinent dans les secteurs pharmaceutique et biotechnologique, où les exigences de conformité sont très strictes. Les algorithmes apprennent ainsi des caractéristiques spécifiques du bâtiment. Un bâtiment ancien aux murs épais en béton réagit différemment au rayonnement solaire qu'un bâtiment neuf avec une façade en verre. Le système s'adapte en conséquence.

La connectivité croissante des systèmes de gestion technique des bâtiments ouvre de nouvelles failles de sécurité : dans le pire des cas, un capteur non protégé peut servir de porte d'entrée vers le réseau de l'entreprise. Les architectures IoT professionnelles y remédient par une séparation stricte des réseaux, un chiffrement de bout en bout à partir du terminal et une gestion rigoureuse des identités. Chaque appareil s'authentifie avant de transmettre ses données de mesure. 

Pour les systèmes basés sur l'IA, la sécurité des données n'est pas une option, mais une condition fonctionnelle indispensable : des données de mesure falsifiées entraînent directement des prévisions erronées, et donc des salles de serveurs mal climatisées ou des laboratoires mal ventilés. Le traitement en périphérie réduit en outre le transfert de données vers l'extérieur et, par conséquent, le risque d'attaques par interception lors du transfert vers le cloud. 

Lorsque les données de mesure historiques, les données météorologiques actuelles et les plans d'occupation sont combinés, le système peut réguler de manière anticipée. La climatisation se met en marche avant même qu'une pièce exposée au sud ne commence à se réchauffer à midi. Cela permet de lisser les pics de consommation et de réduire la consommation d'électricité. 

La maintenance en bénéficie également : si un capteur signale des variations inhabituelles dans le débit d'air, il est possible d'en localiser rapidement la cause, par exemple un moteur de ventilateur en fin de vie. Les techniciens remplacent les pièces avant qu'une panne ne survienne, et non après. Cela réduit les coûts induits et permet au système de fonctionner sans interruption. 

La surveillance continue du climat intérieur génère, sur plusieurs semaines et plusieurs mois, un ensemble de données qui va au-delà de la simple surveillance de la situation actuelle. Elle permet de déterminer quand et où des problèmes climatiques surviennent régulièrement, et pourquoi. Un exemple concret : si les données montrent qu'une salle de réunion affiche un taux de CO₂ constamment supérieur à 1 200 ppm après 45 minutes d'occupation maximale, le système de ventilation peut être adapté spécifiquement à cette pièce et à cette heure – il ne s'agit pas d'un fonctionnement forfaitaire de l'installation, mais d'une réaction aux schémas d'utilisation réels. 

Les entreprises des secteurs réglementés doivent en outre respecter une obligation documentaire. Les laboratoires pharmaceutiques, les laboratoires et les établissements médicaux doivent justifier des conditions climatiques sur des périodes définies, souvent à l'heure près. Des systèmes professionnels génèrent automatiquement ces protocoles dans des formats inviolables, exportables vers les logiciels d'audit courants. Au lieu de rassembler manuellement les données à chaque inspection, des rapports prêts à être exportés sont disponibles en un clic. 

Suivez-nous sur LinkedIn.
Saisissez cette opportunité pour obtenir des connaissances plus pointues, des faits passionnants et ne manquer aucune nouveauté.