Les systèmes solaires thermiques combinés à un système d’appoint tel que une chaudière, une pompe à chaleur ou intégrant une machine à absorption, peuvent jouer un rôle important dans la réduction des consommations des bâtiments pour les besoins de chauffage, de climatisation et de production d’eau chaude sanitaire. Dans ce sens, la caractérisation des performances énergétiques des systèmes thermiques est un enjeu crucial.Les méthodes de caractérisation actuellement disponibles sont soit basées sur plusieurs essais physiques séparés des composants du système à évaluer, chose qui ne prend pas en compte les vraies interactions entre ces derniers, soit sur des modèles physiques qui peuvent être complexes et difficilement identifiables notamment du fait que les systèmes actuels sont compacts et préfabriqués en usine. En l’absence de méthode fiable pour estimer les performances des systèmes solaires thermiques avant leur intégration au bâtiment, le marché de ses derniers subit de fortes contraintes pour son développement.Dans ce contexte il devient indispensable de développer une méthodologie générique qui peut être appliquée à différentes typologies de systèmes et qui pallie les difficultés rencontrées par les méthodes actuelles.L’approche d’évaluation proposée dans ce mémoire est constituée de quatre étapes principales : la détermination d’une séquence de test, l’essai du système dans un banc d’essai semi-virtuel selon la séquence déterminée, l’acquisition des données et l’identification d’un réseau de neurones artificiels (RNA) du système et enfin la simulation du modèle en vue de l’estimation de la consommation du système dans l’environnement désiré. L’avantage d’utiliser un modèle complètement « boîte noire » du système complet à l’aide des RNA la rend totalement « non intrusive ». La connaissance des paramètres internes aux systèmes (rendements, conductivités thermiques, régulation etc.) n’est en conséquence pas nécessaire pour l’application de la méthodologie.La validation de la méthodologie a été réalisée à travers plusieurs expérimentations numériques, pour 7 systèmes issus de 3 typologies différentes, durant lesquelles les estimations des RNA ont été comparées aux calculs des modèles physiques dans plusieurs conditions différentes (qualité du bâtiment, climat et surface du capteur). Une application de l’approche développée dans le cas de 5 systèmes réels a permis la confirmation de la pertinence de la méthodologie. / Solar thermal systems combined with a backup system such as a boiler, a heat pump or incorporating an absorption chiller, can play an important role in reducing buildings energy consumption for heating, cooling and hot water production needs. In this sense, characterizing the energy performance of thermal systems is crucial.Currently available methods of system characterization are either based on several separate physical tests of system components to be evaluated, which do not take into account the real interactions between them, or on physical models that can be complex and difficult to identify especially because systems nowadays are compact and prefabricated in the factory. Due to the lack of a reliable method to estimate the performance of solar thermal systems before their integration into buildings, their market faces a lot of impediment to be developed.In this context, it becomes essential to develop a generic methodology that can be applied to different types of systems which overcomes the difficulties encountered by the current ones.The proposed evaluation approach in this manuscript is composed of four main steps: determining a test sequence, testing the system in a semi-virtual test bench according to predetermined sequence, data acquisition and identifying an artificial neural network (ANN) of the system and finally the model simulation in order to estimate the system consumption in the desired boundary condition. Using a completely "black box" model of the whole system using the ANN makes the methodology totally "non-intrusive". No prior knowledge about the systems internal parameters (yields, thermal conductivities, regulation etc.) is necessary to apply the proposed approach.The methodology validation was performed through several numerical experiments for seven systems coming from three different typologies. During the validation process, ANN estimates were compared with calculations of physical models in several different conditions (quality of building, climate and collector area). The developed approach was applied to five real systems as well. The application results allowed the confirmation of the methodology relevance.

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal.

La modélisation hydrologique Pluie - Débit compte parmi les outils incontournables pour prévoir les crues, car elle permet d'atteindre des horizons plus lointains que de nombreuses autres méthodes. Pour tenter d'améliorer la qualité des prévisions, les hydrologues ont proposé de nombreuses approches d'assimilation de données. Cette thèse s'intéresse à un modèle Pluie - Débit fonctionnant au pas de temps horaire. Elle propose une comparaison de nombreuses méthodes de mise-à-jour de ce modèle par l'assimilation de la donnée de débit observé à l'exutoire du bassin versant, dans le but de fournir des prévisions de crue à des horizons allant de quelques heures à quelques jours. Les mises-à-jour étudiées portent sur les paramètres du modèle, ses états et ses sorties. Certaines sont déterministes, d'autres probabilistes. Ce travail a permis de mettre en avant l'interaction qui existe entre la structure du modèle hydrologique et les mises-à-jour. Ces deux éléments se caractérisent par des dynamiques temporelles différentes. Nos résultats plaident pour que le modèle soit considéré comme un tout et non comme la juxtaposition d'un modèle hydrologique et d'une procédure de mise-à-jour. Il nous paraît préférable d'optimiser la structure et de caler le modèle en tenant compte des mises-à-jour qui seront appliquées. Le modèle donnant les meilleures prévisions associe une structure hydrologique très proche de celle obtenue au pas de temps journalier et deux mises-à-jour du modèle, l'une modifiant un état crucial du modèle, l'autre corrigeant ses sorties par un réseau de neurones artificiels. Cette combinaison a été évaluée à l'aide d'une sélection de critères de performance adaptés à l'objectif du modèle, sur un vaste ensemble de bassins versants français. Ses performances sont robustes et se comparent favorablement à d'autres modèles de prévision.

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal