Appel à candidature pour un doctorat

Eco-design prédictive. Outil d’aide à la conception inverse intégrant les critères de performance environnementale

Contexte

Cet appel à projet prend place dans le projet CAPTURE. CAPTURE vise à développer une approche intégrée d’aide à la conception de façades climatiques adaptées au site (typologie de bâtiment, morphologie urbaine/îlot, climat) et aux profils d’habitants (appropriation esthétique, équité), afin d’améliorer la performance énergétique (efficacité, production intégrée), la qualité de vie à l’intérieur et à l’extérieur (confort et bien-être).

Il s’appuie sur la conception des façades holistiques multifonctionnelles combinant solaire passif et photovoltaïque, végétalisation, albédo élevé, double-peau, inertie, en évaluant aussi leurs effets parfois antagonistes.

L’organisation repose sur un trio de thèses : ingénierie (chaînage simulations–optimisation, indicateurs énergie/confort), architecture (espace des solutions à l’échelle des îlots) et psychologie (intégration des dimensions de psychologie environnementale).

Les verrous scientifiques, à l’interface ingénierie–architecture–psychologie, portent sur : (i) une modélisation bidirectionnelle bâtiment-façade-microclimat ; (ii) l’écoconception prédictive – outils, conception inverse, modèle prédictif ; (iii) des enquêtes quantitatives par questionnaire et par mesures implicites, une approche qualitative par focus group in situ.

Le projet CAPTURE poursuit ainsi trois objectifs principaux : 1) implémenter une cartographie de combinaisons de solutions de façades paramétrables ; 2) développer une modélisation inverse (objectifs → configurations) et formaliser des règles d’aide à la décision en phase amont ; 3) produire des règles de choix et profils d’usagers pour hiérarchiser les compromis Performances & Préférences et anticiper l’appropriation.

Les développements s’appuieront sur une IA frugale, ouverte (sobriété, explicabilité, reproductibilité) et contribueront à structurer une communauté via un partage de données, codes et ateliers (enjeux de bien-être, résilience et sobriété).

L’interdisciplinarité sera soutenue par une animation scientifique régulière favorisant l’acculturation croisée entre ingénierie, architecture et psychologie environnementale. Celle-ci reposera sur des réunions mensuelles animées par les doctorants autour d’un article de leur discipline (avec compte rendu), ainsi que sur deux présentations annuelles communes devant les encadrants visant à expliciter les convergences, complémentarités et interactions entre les hypothèses, les méthodes et les résultats des trois thèses.

Objet et ambition de la thèse

Les travaux visent à mobiliser et caractériser les modalités d’instrumentation génératif de la conception architecturale en mobilisant les récents développement de l’intelligence artificielle (Zhuang et al., 2025). Il s’agit d’envisager l’instrumentation du processus de conception en intégrant des algorithmes d’apprentissage et en considérant la modélisation et l’évaluation de la performance des façades et de la morphologie architecturale à l’échelle de l’îlot. Les enjeux portent sur les phases initiales de la conception : les effets des techniques génératives sur le processus de conception sont recherchés et caractérisés, et la performance environnementale est intégrée en tant que paramètre de conception. Il s’agit de basculer d’un processus de simulation vers un processus de prédiction de la performance. Les enjeux de l’îlot de fraîcheur, de la lumière naturelle ainsi que le poids carbone des solutions de façade sont considérés. L’entraînement d’un modèle est envisagé afin que la forme architecturale, intégrant la définition de ses dispositifs de façade, puisse être obtenue à partir de la spécification des objectifs de performance et en considérant les principes de morphogenèse et de composition.

La méthodologie passe par la réalisation de prototypes logiciels qui sont mis à l’épreuve à travers des expérimentations conduites avec des professionnels et des étudiants. Par ces expérimentations, l’évaluation des outils ainsi que la caractérisation des effets de ces techniques sur le processus de conception sont étudiées. Des entretiens et des questionnaires sont mis en œuvre pour qualifier ces usages (Hinderks et al., 2019). L’environnement logiciel est composé de la plateforme Rhino/Grasshopper et des extensions Ladybug, Honeybee, OneClickLCA et par exemple AIXD pour l’entraînement et l’inférence du modèle (Maissen et al., 2025).

L’entraînement du modèle se fait à l’aide d’un jeu de données artificielles. Les 6 classes bâties du Local Climat Zone (Stewart & Oke, 2012) sont reprises et pour chacune, des cas réels d’étude sont identifiés. Les éléments de contexte et météorologiques sont réunis. Des modèles paramétriques sont implémentés pour décrire l’objet des conceptions, des fonctions d’évaluation sont constituées. Les jeux de données sont synthétisés à l’aide d’algorithmes génétiques. Ils sont constitués d’un ensemble de paramètres de forme, de la description des matériaux et du contexte, des évaluations de performance. Ces jeux de données permettent l’entraînement d’un modèle de type auto-encoder variationnel. Dans un second temps, son inférence est réalisée à partir de la spécification d’un niveau de performance ; les formes et compositions architecturales correspondantes peuvent alors être générées par le modèle. Un basculement est ainsi opéré entre un processus traditionnel, articulant modélisation, simulation puis prise de connaissance, et un processus inverse de prédiction de la forme à partir de la spécification de la performance. Cette instrumentation accompagne l’activité d’exploration de l’espace des solutions en permettant l’émergence de solutions singulières.

Encadrement et localisation des travaux

La thèse sera dirigée par le Professeur Philippe Marin, directeur du laboratoire MHA de l’ENSAG-UGA et co-encadrée par Alessia Boccalatte, titulaire d’une chaire de professeure junior à l’USMB (CPJ SOLSTIS – SOlaire Souveraineté Territoire Information Systèmes) et rattachée au laboratoire LOCIE.

Le/la doctorant.e sera accueilli.e au laboratoire MHA, localisé à l’ENSAG-UGA, à Grenoble. La thèse sera inscrite à l’ED SHPT de l’UGA.

Le laboratoire MHA

Le laboratoire MHA (Méthodes et Histoire de l’Architecture)[1] est une unité de recherche du Ministère de la Culture et de l’Université Grenoble Alpes (UGA), elle est hébergée au sein de l’École Nationale Supérieure d’Architecture de Grenoble (ENSAG-UGA).

MHA structure ses activités scientifiques autour de trois axes : 1 / Dimensions critiques et théoriques de l’architecture, avec un regard sur les processus de construction des idées et des concepts ; 2/ Dimensions projectuelles et instrumentales, en considérant les outils et les instruments de la conception architecturale ; 3/ Dimensions matérielles et physiques, en construisant une connaissance historique du bâti.

Le laboratoire MHA héberge la chaire AI4ARCHI (IA pour la conception générative architecturale et urbaine). La chaire AI4ARCHI est soutenue par le cluster IA MIAI (Multidisciplinary Institute in Artificial Intelligence) de l’Université Grenoble Alpes (UGA). Elle développe des activités scientifiques, de formation et d’innovation. Les travaux scientifiques sont organisés autour de deux axes : 1) Co-Créativité Computationnelle, qui étudie les effets des techniques génératives et des LLM sur les processus de conception ; 2) Data Driven Design, centré sur les processus et outils de conception inversée et les techniques génératives intégrant la performance environnementale.

La chaire réunit 7 enseignants-chercheurs titulaires issus de 4 institutions et 5 laboratoires (UGA/LIG, UGA/ENSAG/MHA, CEA/LITEN/DTS/SMPV, CEA/DRT/DINOV, USMB/LOCIE-ERMES). Par ailleurs elle rassemble une vingtaine d’acteurs académiques et socio-économiques.

Les travaux du ou de la doctorant·e prendront place dans les activités de la chaire AI4ARCHI et des interactions avec l’ensemble des laboratoires partenaires de la chaire et du programme CAPTURE sont à prévoir. Le ou la doctorant·e évoluera dans un écosystème scientifique particulièrement riche et dynamique.

Le laboratoire LOCIE[2]

Le laboratoire LOCIE de l’USMB mène des recherches avancées sur l’intégration des systèmes solaires à différentes échelles spatiales, en articulant la caractérisation de la ressource, la physique du bâtiment et la modélisation fondée sur les données. Ces travaux sont conduits en lien étroit avec la plateforme INES (Institut National de l’Énergie Solaire) et le réseau Solar Academy, offrant ainsi un environnement multidisciplinaire à l’interface entre l’énergie, le climat et les sciences du numérique.

Au sein du LOCIE, l’équipe ERMES (Énergies Solaires et Territoires), reconnue comme Équipe Mixte de Recherche (EMR 5002) par le CNRS, se consacre à la modélisation multi-échelle des systèmes énergétiques solaires, à leurs interactions avec les environnements urbains, ainsi qu’au couplage entre les processus radiatifs, climatiques et morphologiques.

Profil recherché

Le ou la candidat·e devra être titulaire d’un Master 2 (ou sur le point de l’obtenir) dans les domaines de l’architecture, du design, de l’ingénierie ou de la science des données, et démontrer :

Une appétence pour la recherche en architecture et en urbanisme, et un intérêt pour les enjeux environnementaux, les transitions socio-écologiques et numériques ;
Une capacité à articuler expérimentation et analyse ;
Une culture des enjeux environnementaux appliqués au bâtiment (énergie, carbone, matériaux, ACV, climat urbain) ;
Une maîtrise ou un fort potentiel en IA / traitement de données (machine learning, méthodes d’optimisation, manipulation de datasets, Python ou équivalent) ;
Une maîtrise des outils de conception (Rhino/Grasshopper, éventuellement Revit) et une capacité à orchestrer des systèmes d’IA au sein de ces environnements.
De solides compétences en communication, avec des capacités à travailler en équipe et à présenter efficacement ses travaux.

Dossier de candidature

La candidature comprendra :

Une lettre de motivation ;
Un CV accompagné des diplômes et relevés de notes disponibles au moment de la candidature ;
Optionnel : un texte pouvant témoigner des capacités d’écriture (article, mémoire, billet de blog,…).

Les candidatures sont à envoyer à philippe.marin@grenoble.archi.fr et alessia.boccalatte@univ-smb.fr au plus tard le 31 aout à minuit (heure de Paris).

Une première sélection de candidatures donnera lieu à des auditions dans la deuxième quinzaine du mois de septembre pour les candidat·es pré-sélectionné·es et avec des membres de l’équipe recherche.

Bibliographie

Hinderks, A., Schrepp, M., Domínguez Mayo, F. J., Escalona, M. J., & Thomaschewski, J. (2019). Developing a UX KPI based on the user experience questionnaire. Computer Standards & Interfaces, 65, 38‑44. https://doi.org/10.1016/j.csi.2019.01.007

Maissen, A., Apolinarska, A. A., Kuhn, S. V., Salamanca, L., Kraus, M. A., Tatsis, K., Casas, G., Bischof, R., Rust, R., Kaufmann, W., Pérez-Cruz, F., & Kohler, M. (2025). AIXD : AI-eXtended Design Toolbox for data-driven and inverse design. Computer-Aided Design, 189, 103945. https://doi.org/10.1016/j.cad.2025.103945

Stewart, I. D., & Oke, T. R. (2012). Local Climate Zones for Urban Temperature Studies. Bulletin of the American Meteorological Society, 93(12), 1879‑1900. https://doi.org/10.1175/BAMS-D-11-00019.1

Zhuang, X., Zhu, P., Yang, A., & Caldas, L. (2025). Machine learning for generative architectural design : Advancements, opportunities, and challenges. Automation in Construction, 174, 106129. https://doi.org/10.1016/j.autcon.2025.106129

[1] https://mha.grenoble.archi.fr

[2] https://www.univ-smb.fr/locie/