Architecture, mécanique des fluides et intelligence artificielle scientifique — je prolonge aujourd'hui les résultats expérimentaux de ma thèse sur les tours à vent par un postdoctorat sur l'optimisation des géométries climatiques par apprentissage physique.
Chercheur à l'intersection entre architecture et langages de programmation, je développe des modèles numériques et des systèmes intelligents dédiés à l'habitat zéro carbone. Mes travaux portent sur la modélisation énergétique, l'intelligence artificielle appliquée au bâtiment et la conception computationnelle durable.
Ventilation naturelle et rafraîchissement passif · Dynamique des fluides computationnelle (CFD) et essais en soufflerie · Modélisation thermodynamique du bâtiment · Architecture vernaculaire et patrimoine bâti · Intelligence artificielle appliquée à la modélisation physique (Physics-Informed Neural Networks).
Cette contribution se rattache en priorité à l'Axe 1 "Architecture et Numérique (AN)" de l'EVCAU, qui investit les méthodes et modèles de conception architecturale à l'ère des processus numériques et des modèles génératifs entraînés par les données. Elle entre également en résonance avec l'Axe 2 "Transitions : Histoire et Écologies des Modèles Architecturaux (THEMA)", les tours à vent étant un dispositif vernaculaire réactivé ici par des moyens numériques contemporains.
Les outils de simulation architecturale actuels sont essentiellement descriptifs : ils évaluent une forme déjà conçue, mais ne génèrent jamais directement une géométrie optimale au regard d'un objectif climatique. Ce postdoctorat s'attaque à cette limite pour les espaces du vide — conduits, tours à vent, cheminées solaires, doubles façades ventilées.
La base expérimentale de la thèse (mesures in situ, essais en soufflerie, simulations CFD validées sur le badgir de Siraf) a quantifié un phénomène majeur : près de la moitié du flux d'air capté par la tour ressort directement par les conduits opposés sans jamais atteindre l'espace habité. Des limites ont également été identifiées sur le stockage thermique des parois et l'efficacité du rafraîchissement évaporatif.
Contrairement aux approches purement data-driven, qui exigent des milliers de simulations, les PINN intègrent directement les équations de Navier-Stokes et de l'énergie dans la fonction de perte du réseau — permettant un apprentissage efficace à partir d'un nombre limité de données expérimentales et numériques de haute qualité, précisément celles produites par la thèse.
Boucle méthodologique : données expérimentales et équations physiques entraînent le PINN, qui alimente l'optimisation inverse ; les géométries obtenues sont revalidées en soufflerie.
Constitution d'une base enrichie à partir des mesures de thèse et de simulations CFD ciblées (plan d'expériences).
PINN 3D intégrant les contraintes physiques pour prédire le couplage aéraulique-thermique selon les paramètres géométriques.
Réduction des pertes par court-circuitage tout en maximisant le débit utile et le confort thermique.
Essais en soufflerie des géométries optimisées, puis extension prudente aux cheminées solaires, puits climatiques, atriums.
Laboratoire GSA, École doctorale Ville, Transports et Territoires. Thèse soutenue le 5 décembre 2014 sous la direction de Joël Sakarovitch et Robert Le Roy (co-directeur, HDR) — jury : Bruno Chanetz (ONERA), Christian Pédelahore (ENSA Paris-La Villette), Jean-Denis Parisse (IUSTI, Marseille).
Trois années d'enseignement en résistance des matériaux, conception architecturale et architecture vernaculaire — soit plus de trente ans d'expérience combinée en enseignement, architecture, numérique et ingénierie.
Portant principalement sur les tours à vent, la ventilation naturelle et la dynamique des fluides, ainsi que sur le patrimoine bâti et les matériaux de construction.