Un portefeuille international, des outils pensés pour un seul pays
Une société de gestion qui détient des actifs en Europe, en Amérique Latine, et en Asie doit produire des indicateurs énergétiques comparables pour l'ensemble de son patrimoine, que ce soit pour son reporting ESG ou pour une trajectoire CRREM. Or un modèle énergétique construit sur les bâtiments d'un pays ne s'applique pas tel quel ailleurs, parce que le climat, les modes constructifs et les réglementations changent. Faute de modèle adapté, les estimations reposent sur des ratios moyens et la comparaison entre actifs devient fragile.
Nos premiers modèles de prédiction n'échappaient pas à cette limite : ils avaient été conçus pour le contexte français. Pour suivre nos clients sur leurs actifs étrangers, il fallait un modèle capable de généraliser son apprentissage à d'autres climats, d'autres typologies de bâtiments et d'autres contextes réglementaires.
Un moteur qui apprend de la physique, avec des données climatiques mondiales
Notre moteur repose sur des métamodèles énergétiques, ce sont des modèles de substitution thermique dynamique. Une simulation thermique dynamique complète pour chaque bâtiment et chaque scénario demanderait des temps de calcul considérables. Nous entraînons donc des réseaux de neurones sur des millions de simulations de référence. Ils apprennent à reproduire leurs résultats à partir des caractéristiques physiques du bâtiment, en une fraction du temps de calcul.
Pour la version 5.1, ces simulations de référence couvrent des climats, des typologies et des contextes réglementaires très variés. Le moteur s'appuie sur des modèles climatiques globaux et sur les principes de la thermodynamique, qui ne changent pas d'un pays à l'autre. Il peut ainsi prédire les consommations de n'importe quel bâtiment, dans n'importe quelle géographie.
On utilise les fichiers météo de référence de climate.onebuilding.org, une base ouverte très utilisée pour simuler la consommation d'énergie des bâtiments. Elle couvre près de 670 villes dans environ 200 pays.
Pour chaque ville, on a accès à la météo heure par heure sur une année complète. Cette « année type » est construite à partir des mois les plus représentatifs de 15 ans de mesures réelles, prises entre 2004 et 2025 selon les villes.
Le modèle utilise la température extérieure et l'ensoleillement heure par heure, ainsi que la position du lieu (latitude, longitude, altitude). Chaque simulation reflète ainsi le climat de l'endroit.
De plus, les consommations de chauffage et de climatisation sont ajustées en fonction de la météo réelle de l’année sélectionnée (données Open-Meteo), par comparaison avec une année météorologique de référence, tandis que les autres consommations restent inchangées ce qui permet d’avoir une correction fine en fonction de la rigueur climatique de l’année en question.
Les autres briques de la plateforme suivent la même logique. L'analyse des images (satellites, rues, bâtiment…) décrit la géométrie, les façades et l'environnement du bâtiment sans dépendre des bases de données locales. L'analyse documentaire multilingue extrait les informations techniques de documents rédigés dans plusieurs langues. L'ajout des règles propres à une réglementation nationale prend en général moins de cinq jours ouvrés.
Jakarta, 2024 : modéliser un bâtiment de l’autre côté du globe
Jakarta illustre bien la difficulté. Elle possède un climat tropical, chaud et humide toute l’année, avec des températures autour de 30 °C et une saison des pluies marquée. À l’inverse, Paris bénéficie d’un climat tempéré, avec quatre saisons distinctes et des températures plus variables. Ainsi, Jakarta se caractérise par une chaleur constante, tandis que Paris connaît des variations climatiques importantes au fil des saisons.
Il s'agit d'un hôtel 5 étoiles comprenant 153 chambres et suites, réparties sur 32 étages, avec des surfaces allant d’environ 30 à 61 m². Il dispose de deux piscines (intérieure et extérieure à débordement), d’un spa proposant des massages et soins, d’une salle de sport ouverte 24h/24, ainsi que de plusieurs restaurants et bars.
Les consommations disponibles sont celles de 2024, cette année a donc été prise comme année de référence pour la calibration du modèle.
Les résultats du moteur V5.1
Nous avons évalué la version 5.1 sur un jeu de test, en comparant ses prédictions aux résultats des simulations énergétiques dynamiques (SED) de référence :
Indicateur Résultat
Erreur absolue moyenne (MAE) 1,12 kWh/m²/an
Erreur relative moyenne (MRE) 1,8 %
Coefficient de détermination (R²) 0,9998
Bâtiments avec un écart inférieur à 1 kWh/m²/an 60,8 %
Bâtiments avec un écart inférieur à 5 kWh/m²/an 98,2 %
Bâtiments avec un écart inférieur à 10 kWh/m²/an 99,8 %
Le moteur est fiable à un peu plus d'1 kWh/m²/an, et presque tous les bâtiments du jeu de test restent sous 5 kWh/m²/an d'écart. Un R² de 0,9998 signifie que les prédictions se superposent presque exactement aux valeurs de référence.
Ces chiffres mesurent la capacité du moteur à reproduire la simulation physique face aux consommations réellement mesurées, qui dépendent aussi de l'occupation et de l'exploitation.
Ce que cela change pour un portefeuille international
Pour une équipe ESG ou un asset manager, un même moteur peut désormais analyser un immeuble de bureaux parisien et un bâtiment à Jakarta avec la même méthode. Les consommations, les scénarios de rénovation et les trajectoires CRREM deviennent comparables d'un pays à l'autre, ce qui facilite les arbitrages entre actifs et le reporting consolidé. L'analyse se fait à distance, à partir des documents existants et des données satellites, sans visite sur site ni campagne de mesure dans chaque pays.
Cette version ouvre aussi la voie à de nouvelles typologies de bâtiments et à des analyses à plus grande échelle, pour accélérer les audits et la rénovation énergétique. Nous continuons à l'éprouver sur de nouveaux actifs et de nouveaux climats.
