Analysis and modelling of occupants' interactions with windows in bedrooms in French homes during the summer
Analyse et modélisation des interactions des occupants avec les fenêtres dans les chambres des logements français durant l’été
Résumé
During heatwave periods, the occupant plays a major role in its dwelling overheating and therefore its thermal comfort. Today, the diversity of behaviours encountered in real life during periods of extreme heat is poorly represented in Performance Building Simulation (PBS). Using a database collected from 76 dwellings in 3 regions of France during the summer of 2023, this study aims to gain a better understanding of occupants' behaviour towards their bedroom windows openings. It focuses on the environmental and sociological parameters that have the greatest impact. By clustering typical profiles during a hot and a colder summer week, it was possible to analyse the diversity of behaviours and identify adaptive night-time ventilation behaviours. Using explainable AI method SHAP (Shapley Additive exPlanations) on an XgBoost (eXtreme Gradient Boosting) model for predicting window state, the parameters with the greatest impact were identified as the temperature and humidity, as well as socio-professional category, month of the year, time of day and noise.
Lors des périodes de vagues de chaleurs l’occupant joue un rôle prépondérant sur la surchauffe de son logement et donc sur son confort thermique. Aujourd’hui, la diversité des comportements en période de fortes chaleurs est mal représentée dans les logiciels classiques de STD. A l’aide d’une base de données recueillie sur 76 appartements dans 3 régions de France durant l’été 2023, cette étude vise à mieux comprendre le comportement des occupants vis-à-vis des fenêtres de leurs chambres et les paramètres environnementaux et sociologiques les plus impactant. A l’aide d’un clustering des profils types lors d’une semaine chaude et froide, il a été possible d’analyser la diversité des comportements et de retrouver des comportements adaptatifs de ventilation nocturne. Grâce à la méthode SHAP (Shapley Additive exPlanations) d’IA explicable d’un modèle XgBoost (eXtreme Gradient Boosting) de prédiction de l’état des fenêtres, la température et l’humidité, ainsi, que la catégorie socio-professionnelle, le mois de l’année, l’heure, le bruit ont été déterminés comme les plus impactant.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|