Quand on rénove un bâtiment, les économies d'énergie promises et celles réellement constatées ne coïncident pas — c'est l'écart de performance. Ce stage postdoctoral de trois ans, mené avec un partenaire industriel québécois de la rénovation énergétique, s'attaque à cet écart : construire un graphe de connaissances qui unifie les données de projets réels, y greffer des modèles d'apprentissage machine interprétables, et produire des prévisions corrigées du biais d'optimisme en les fondant sur des projets comparables passés plutôt que sur la seule simulation.
Profil recherché
Doctorat en génie informatique, génie électrique, génie du bâtiment ou en science des données appliquée. Web sémantique — RDF, SPARQL, SHACL, ingénierie d'ontologies — et à l'aise avec Python et une base de graphes. En apprentissage automatique, l'interprétabilité est ici une exigence et non un raffinement : les prévisions doivent pouvoir être expliquées à un client. Une familiarité avec les ontologies du bâtiment (Brick, Haystack, ASHRAE 223P), les données de systèmes de gestion (BACnet, Modbus), les modèles BIM ou la mesure et vérification est directement transférable. Le français ou l'anglais est requis ; les travaux se publient en anglais.
Financement
Financement Mitacs Accélération sur trente-six mois, en unités de quatre à six mois, avec un partenaire industriel. Le travail se partage entre le laboratoire et l'entreprise, qui ouvre l'accès à l'historique de ses projets et à ses spécialistes en thermique et en mesure et vérification.
Direction
Encadrement mixte : suivi scientifique au LIREI (UQTR), mentorat technique chez le partenaire industriel. Rencontres bimensuelles et présentation des travaux à la fin de chaque unité de stage.