Développement d'un outil d'intelligence artificielle pour la prédiction et l'optimisation des performances acoustiques des éléments de façade de bâtiments

Lieu de la thèse : Laboratoire de Mécanique des Structures et des Systèmes Couplés (LMSSC), Conservatoire national des arts et métiers (Cnam), 2 rue Conté, 75003 Paris, France
http://www.lmssc.cnam.fr/fr

Partenaire : Le comité professionnel de développement des industries françaises de l'ameublement et du bois (Codifab - http://www.codifab.fr/)

Encadrement : Walid Larbi (Professeur des Universités au Cnam)

Suivi industriel : Philippe Macquart (Délégué Général de l'UFME (Union des Fabricants des Miniséries) – Professeur associé au Cnam

Financement : environ 1750 euros net/ mois + des vacations d'enseignement dès la première année

École doctorale : ED SMI 432 (Sciences des Métiers de l'Ingénieur)

Période : Septembre 2025 / Septembre 2028

Mots-clés : Acoustique, méthodes numériques, intelligence artificielle, optimisation

Candidat recherché :

Le candidat doit être titulaire d'un master 2 et/ou d'un diplôme d'ingénieur dans l'un des domaines suivants : mécanique, acoustique, calcul haute performances, méthodes numériques.

Pièces constitutives du dossier de candidature :

  • CV détaillé
  • Diplômes
  • Bulletins de notes et classement
  • Lettre de recommandation du dernier diplôme
  • Lettre de motivation

à envoyer par mail à : walid.larbi@lecnam.net

Contexte scientifique et objectifs :

Les performances acoustiques des menuiseries et éléments de façade (entrées d'air, fenêtres, bouches d'aération, coffres de volet roulant) sont classiquement évaluées à l'aide d'essais normalisés, pour assurer une répétabilité et une reproductibilité suffisantes. Néanmoins, de nombreuses études [1, 2] montrent que les mesures en laboratoire des performances acoustiques présentent de fortes incertitudes - particulièrement à basse fréquence - et soulignent la nécessité de les quantifier. En effet, la taille des salles d'essais, l'influence des modes de salles, la position et l'orientation des haut-parleurs et des microphones ou les conditions de montage sont autant de facteurs qui peuvent impacter la précision des résultats, malgré l'application rigoureuse des normes.

Pour pallier les inconvénients des essais en laboratoire, la modélisation physique et numérique de ces éléments de façade s'est développée et est devenue omniprésente dans le secteur de l'acoustique du bâtiment grâce à l'augmentation de la puissance de calcul des machines. Ces modèles numériques présentent plusieurs avantages. Du point de vue de la conception, il serait possible de faire évoluer autant de paramètres géométriques ou matériaux que souhaité afin d'optimiser l'affaiblissement acoustique. De plus, la modélisation numérique s'inscrit dans une démarche de gain de temps et de réduction des coûts puisqu'il ne serait plus nécessaire de fabriquer et tester en laboratoire chaque configuration. Enfin, les résultats d'un modèle numérique ne dépendent que de paramètres connus ; cela permet de s'affranchir des facteurs environnementaux de nature inconnue.

Dans ce contexte, le CODIFAB a récemment initié et financé trois thèses de doctorat sur le développement d'outils numériques de prédiction des performances acoustiques et leur optimisation des :

  • fenêtres en bois, thèse de Chaima Soussi [2016 - 2019]
  • entrées d'air, thèse de Julien Puig [2019 - 2023]
  • coffres de volet roulant, thèse de Soraya Bakhouche [2021 - 2024]

Ces trois thèses ont été réalisées au sein du Laboratoire de Mécanique des Structures et des Systèmes Couplés (LMSSC) du Conservatoire national des arts et métiers (Cnam). Les algorithmes prédictifs développés dans le cadre de ces recherches reposent sur des méthodes numériques de haute performance, telles que la méthode des éléments finis pour les basses fréquences [3, 4, 5], l'approche PTF (Patch Transfer Function) [6] et la méthode des matrices de transfert [7] pour les hautes fréquences. Les prédictions issues de ces modèles ont été comparées aux résultats d'essais expérimentaux, démontrant ainsi la pertinence et la fiabilité des outils numériques développés. En outre, ces modèles numériques ont été utilisés pour l'optimisation des performances acoustiques des éléments étudiés, en particulier par le biais d'études de sensibilité basées sur des métamodèles. Cela a permis de sélectionner les meilleures configurations de matériaux poreux utilisés dans les entrées d'air et les coffres de volets roulants, dans le but d'améliorer leur isolation sonore.

Malgré les performances remarquables de ces outils numériques développés dans ces projets, un inconvénient demeure lorsqu'on veut procéder à faire varier les paramètres du problème (dimensions, conditions aux limites, propriétés mécaniques des matériaux utilisés, propriétés acoustiques des milieux poreux) entrainant ainsi un temps de calcul qui peut être long lié au temps de simulation pour chaque jeu de données. Ainsi pour réduire le temps nécessaire à l'exécution des tâches et le nombre de ressources requises et dans le cadre d'une stratégie de transformation numérique avancée, nous proposons dans ce nouveau projet de recherche l'application de l'intelligence artificielle (IA) pour la prédiction des performances acoustiques des éléments de façade (fenêtre, entrées d'air, coffre de volet roulant) et leur optimisation.

L'intelligence artificielle (IA) désigne le développement de systèmes informatiques capables d'exécuter des tâches qui nécessitent normalement l'intelligence humaine, comme la perception visuelle, la reconnaissance vocale et la prise de décision. L'apprentissage automatique (ou Machine Learning (ML)) est une branche de l'IA qui permet aux systèmes d'apprendre à partir de données sans avoir besoin d'instructions spécifiques pour chaque problème. Son objectif est de créer des modèles capables de faire des prédictions ou de prendre des décisions basées sur ces données.

Contrairement aux méthodes classiques, où les règles sont explicitement programmées, les algorithmes de Machine Learning construisent un modèle mathématique qui apprend à établir des liens entre les données et les résultats souhaités. Une condition essentielle est que les connaissances acquises à partir des données puissent être généralisées, c'est-à-dire appliquées à de nouveaux problèmes ou à des données jamais rencontrées auparavant pour faire des prédictions. Le Deep Learning, une sous-catégorie du Machine Learning, pousse cette idée encore plus loin en utilisant des réseaux de neurones artificiels (Artificial Neural Networks (ANNs)). Ces réseaux, inspirés du fonctionnement du cerveau humain, sont capables d'apprendre de manière hiérarchique à partir de grandes quantités de données. Contrairement aux algorithmes de Machine Learning classiques, le Deep Learning excelle dans des tâches complexes comme la reconnaissance d'images car il peut apprendre des représentations plus abstraites et profondes des données.

Dans le domaine de l'acoustique du bâtiment, des modèles de réseaux de neurones artificiels (ANN) ont été utilisés avec succès pour prédire l'isolation acoustique des panneaux sandwichs et estimer l'indice d'affaiblissement acoustique pondéré, Rw (dB). Ces prédictions ont montré une précision remarquable, avec une marge d'erreur inférieure à 3 dB et un niveau de confiance supérieur à 95 % [8]. Des recherches similaires ont été menées sur l'isolation acoustique des fenêtres en bois, permettant d'estimer le Rw en fonction de divers paramètres techniques tels que la typologie de la fenêtre, l'épaisseur du cadre, le nombre de joints, ainsi que les indices Rw du vitrage [9].

Cependant, ces études se limitaient à l'estimation de la seule valeur de l'indice pondéré, sans prendre en compte les courbes de mesure complètes sur différentes bandes de fréquence. Dans [10] les auteurs présentent un outil d'intelligence artificielle pour la prédiction des différents système de vitrage (simple, double, triple, etc...) de l'indice Rw et la transmission sonore. L'outil est basé sur le Machine Learning. Un programme web nommé «SOUNDLAB AI Tool» a été développé pour offrir une analyse rapide et précise de diverses configurations de vitrage, validée par des tests en laboratoire. L'outil est en utilisation libre sur internet.

L'objectif principal de cette thèse est de développer un outil d'intelligence artificielle basé sur des algorithmes de Machine Learning pour la prédiction et l'optimisation des performances acoustiques des fenêtres, des entrées d'air et des coffres de volets roulants. Cet outil permettra de déterminer l'indice d'affaiblissement acoustique pondéré pour ces éléments, quelle que soit leur configuration, ainsi que la transmission sonore par bande d'octave et de tiers d'octave sur l'ensemble des bandes de fréquence. Les résultats des essais expérimentaux seront utilisés pour alimenter la base de données des algorithmes jusqu'à obtenir une bonne convergence, mesurée par des indicateurs appropriés (Figure 1). De plus, l'outil sera conçu pour optimiser la réduction de la transmission sonore en proposant les meilleures configurations géométriques et matérielles afin de maximiser l'atténuation sonore.

Figure 1 : Organigramme d'intelligence artificielle pour la prédiction et optimisation acoustique

Bibliographie :

[1] C. Scrosati, S. F., B. M., M. Mussin et G. Zambon, “Uncertainty analysis by a round robin test of field measurements of sound insulation in buildings : Single numbers and low frequency bands evaluation-airborne sound insulation,” Noise Control Engineering journal, vol. 61, p.291–306, 2013.

[2] M. Machimbarrena, C. R. A. Monteiro, S. Pedersoli, R. Johansson et S. Smith,“Uncertainty determination of in situ airborne sound insulation measurements,” Applied Acoustics, vol. 89, p. 199–210, 2014.

[3] C. Soussi, M. Aucejo, W. Larbi, J.-F. Deü, Numerical analyses of the sound transmission at low frequencies of a calibrated Insulating Glazing Unit, Applied Acoustics, 179, 108065 (13 pages), 2021.

[4] C. Soussi, M. Aucejo, W. Larbi, J.-F. Deü, Numerical analyses of the sound transmission at low frequencies of a calibrated domestic wooden window, Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 235 (14), 2637–2650, 2021.

[5] S. Bakhouche, W. Larbi, J.-F. Deü, P. Macquart, Numerical and experimental investigation of sound transmission through roller shutter boxes, Applied Acoustics, 214, 109679 (14 pages), 2023.

[6] S. Bakhouche, W. Larbi, R. Aloui, P. Macquart, J.-F. Deü, Global sensitivity analysis of sound attenuation in double-wall system with porous layer, Mechanics of Advanced Materials and Structures, in press, 2024.

[7] J. Puig, M. Aucejo, J.-F. Deü, W. Larbi, P. Macquart, A hybrid sub-structuring method for prediction of air inlet sound transmission, Journal of Sound and Vibration, 569, 117994 (18 pages), 2024.

[8] N. Garg, S. Dhruw, L. Gandhi, Prediction of sound insulation of sandwich partition panels by means of artificial neural networks. Arch. Acoust. 42, 643–651, 2017.

[9] C. Buratti, L. Barelli, E. Moretti, Wooden windows: Sound insulation evaluation by means of artificial neural networks. Appl. Acoust. 74, 740–745, 2013.

[10] M. Drass, M.A. Kraus, H. Riedel, I. Stezler, SoundLab AI - Machine learning for sound insulation value predictions of various glass assemblies, Glass Structures and Engineering 7(1), 2022.