LE MODÈLE MULTICRITÈRE

POUR LA SÉLECTION DES

MATÉRIAUX DE
CONSTRUCTION : UNE
APPROCHE BASÉE SUR LA
LOGIQUE FLOUE.
samira elghiwani
 Introduction

Les prix élevés de l'énergie et le changement climatique mondial poussent la société d'aujourd'hui à modifier
ses habitudes de consommation énergétique. De plus, une conséquence d'une consommation d'énergie
inefficace est une production accrue de celle-ci, entraînant ainsi un impact négatif plus important sur
l'environnement de manière inutile.
D'autre part, le développement rapide du secteur du logement dans les années 1960 a conduit à la construction
d'un grand nombre de bâtiments résidentiels qui sont aujourd'hui de grands consommateurs d'énergie, car ils ont
été construits à une époque où il n'y avait aucune réglementation sur l'efficacité énergétique des bâtiments.
De plus, aujourd'hui, il existe différents types de matériaux de construction dont les propriétés de thermo-isolation
influent directement sur l'efficacité énergétique des bâtiments. Le processus de construction et d'exploitation
d'un bâtiment peut être divisé en trois phases : la phase de préparation, la phase de construction et la phase
d'exploitation. Chacune de ces phases implique la sélection de critères et la prise de certaines décisions. La
signification d'une certaine phase et dans quelle mesure un certain élément influence la décision finale dépend de
l'utilisateur du bâtiment. L'objectif ultime est de choisir le matériau optimal avec lequel le bâtiment sera construit.
 Le modèle de la logique floue de
base et le système de logique floue

Les modèles basés sur la logique

floue sont constitués de règles "Si
- Alors". Les règles "Si - Alors" sont
interconnectées par l'expression
"Sinon"
Modèle général du système flou pour la sélection
des matériaux de construction
 Le concept décrit ici crée la base pour modéliser le système donné de dépendance des
critères d'entrée en tant que système flou complexe pour la sélection des matériaux de
construction (Fig. 5). Le concept de base du modèle se compose de quatre modules
organisés de manière hiérarchique sur deux niveaux, Fig. 5. La taille de sortie dans le
modèle représente la mesure de la priorité des matériaux, chaque matériau observé
(paille, bois, brique et béton/acier) recevant une valeur spécifique de la fonction de
critère, sur la base de laquelle l'utilisateur du système sélectionne le matériau de
construction.
Le système flou complexe a été conçu de telle sorte que les facteurs qui sont en sortie au
premier niveau (inférieur) (niveau I) deviennent des entrées au niveau supérieur (niveau
II). On peut voir sur la Fig. 5 que le premier module du premier niveau (phase I de la
sélection du matériau) est influencé par les facteurs suivants : impact environnemental,
coûts d'équipement en infrastructure, coûts du site et risque de compromettre le
matériau. Il en va de même pour les facteurs des modules II et III du premier niveau.
 l’analyse du problème

La modélisation d'un système de logique floue commence par une analyse détaillée du
problème afin de déterminer le nombre de variables et leur interdé[Link] système de
logique floue pour la sélection des matériaux de construction se compose de trois modules
au premier niveau et d'un module au deuxième niveau. Tous les modules du premier niveau
ont quatre variables d'entrée et une variable de sortie (Fig. 6).
 l’analyse du problème

le deuxième niveau avec

trois variables d'entrée
floues et quatre variables
de sortie. Chaque variable
d'entrée est décrite avec
quatre variables
linguistiques, tandis que
les variables de sortie sont
décrites avec trois
variables linguistiques.
 les valeurs linguistiques

La variable linguistique, comme son nom l'indique, prend ses valeurs dans le langage. Ces valeurs peuvent être des
mots ou des phrases du langage parlé ou des expressions artificiellement synthétisées. Les variables linguistiques
sont représentées à l'aide d'ensembles flous. Tous les modules du premier niveau (module I, module II et module
III) se composent de quatre variables linguistiques d'entrée :
Le module I (phase I de la sélection du matériau) a pour variables linguistiques d'entrée l'impact sur
l'environnement, le coût de l'équipement en infrastructure, les coûts du site et le risque de compromettre le
matériau.
Le module II (phase II de la sélection du matériau) a pour variables linguistiques d'entrée la vitesse de
construction, le besoin en main-d'œuvre qualifiée, la disponibilité des matériaux et les coûts de construction.
Le module III (phase III de la sélection du matériau) a pour variables linguistiques d'entrée l'impact sur
l'environnement, la qualité de vie dans le bâtiment, les coûts d'exploitation et la durabilité du bâtiment.

Le module du deuxième niveau de la sélection des matériaux est constitué de trois variables linguistiques d'entrée
qui sont en même temps les variables de sortie de chaque module du premier niveau. Les quatre variables de
sortie du deuxième niveau du module représentent les matériaux de construction à partir desquels la sélection est
faite (paille, bois, brique et béton/acier)
 les valeurs linguistiques

Le nombre descripteurs
linguistiques, Fig. 8, est T = 10 :
non essentiel - U ,faiblement
essentielUL, très faible - FL, très
bas - VL, bas - L, moyen - M,
élevé - H, moyennement élevé -
MH, très élevé - VE et parfait - P.
Après avoir obtenu les valeurs
linguistiques des variables
d'entrée, la défuzzification des
nombres flous est effectuée.
Sélection de la fonction
d'adhésion
 fonctions triangulaires:
Dans la phase initiale de conception du système, des fonctions triangulaires ont été
choisies comme fonctions d'appartenance. Cependant, les ajuster n'a pas permis d'obtenir
une précision et une sensibilité suffisantes du système. La figure 9 présente la sensibilité
du premier module du premier niveau avec des fonctions d'appartenance triangulaires.
Sur la figure 9, nous observons des parties de l'intervalle de confiance des variables de
sortie (sections plates du diagramme) où le modèle flou n'était pas sensible et était inerte.
De plus, des parties de l'intervalle de confiance ont été identifiées dans lesquelles de
petits changements dans les valeurs d'entrée entraînent de grands changements dans la
sortie (sections abruptes du diagramme).
 Courbes de Gauss :
Dans la prochaine phase d'ajustement du système au sein du système flou, les courbes
gaussiennes ont été utilisées. Les fonctions gaussiennes offrent une bonne description des
variables d'entrée et de sortie des modules des premier et deuxième niveaux, assurant
ainsi une sensibilité satisfaisante du système. La sensibilité du premier module du premier
niveau avec des fonctions d'appartenance gaussiennes est présentée dans la figure 10. On
peut voir dans la figure 10 que le système est sensible dans toutes les parties de
l'intervalle de confiance et que les fonctions gaussiennes garantissent une graduation
satisfaisante de la sortie.
 comparaison avec d’autre
fonctions :
Tab. 1 montre les paramètres des fonctions d'appartenance des
variables d'entrée et de sortie des modules du premier niveau. Le
premier nombre représente la distribution gauche et droite de la
courbe gaussienne le long de l'abscisse, et le deuxième nombre
représente la valeur à laquelle la fonction gaussienne a une valeur
de 1 sur l'abscisse. Les paramètres de la fonction d'appartenance
pour les variables de sortie du premier niveau sont présentés dans
le tableau 2.

Étant donné qu'il s'agit d'un système logique flou, le type de fonctions
d'appartenance de type Sugeno a été décrit par une constante qui est unique
pour un point caractéristique de l'intervalle de confiance, tandis que les autres
points de l'intervalle ont une valeur de zéro.
Former la base des
règles
Les règles linguistiques sont utilisées comme lien entre les
entrées et les sorties des modules du système flou,
Comme nous l'avons déjà souligné, pour chaque module, il
y a quatre variables linguistiques d'entrée (n = 4), décrites
par trois valeurs linguistiques - les fonctions
d'appartenance (M = 3), et elles peuvent être combinées
dans la base avec un total de Mn = 3^4 = 81 règles. Cela
signifie que dans notre modèle, chaque module du premier
niveau aurait 81 règles (soit un total de 243 règles), tandis
qu'un module du deuxième niveau aurait Mn = 3^3 = 27
règles. Un si grand nombre de règles signifierait quasiment
une incohérence certaine dans l'une d'entre elles, ce qui
rendrait impossible l'ajustement du système
 Sélection des méthodes de conclusion
et de défuzzification

La fuzzification a pour but de

déterminer à quel ensemble flou
appartient la variable d'entrée et
d'exprimer cette appartenance avec
une valeur numérique dans le domaine
[0; 1]. En fuzzifiant la valeur de l'impact
sur l'environnement, on obtient les
valeurs d'appartenance à la variable
"impact sur l'environnement", comme
indiqué dans la Fig. 11.
La fuzzification des variables d'entrée
pour les deuxième et troisième modules
du premier niveau, ainsi que des
modules flous du deuxième niveau, est
réalisée de la même manière
Après la fuzzification des valeurs d'entrée, une analyse des valeurs s'ensuit,
suivie de leur comparaison avec les ensembles des prémisses des règles de la
base de règles. Dans cet exemple, l'analyse a confirmé que les règles 2, 8, 10 et
13 ont été activées. Chaque règle donne son propre résultat intermédiaire, qui
peut être représenté par un ensemble flou correspondant.
La règle numéro 2 est la première à être exécutée : "SI l'impact sur
l'environnement est Moyen^le coût de l'équipement en infrastructure est
Élevé^les coûts du site sont Bas^le risque de compromettre le matériau est Bas
ALORS la sélection du matériau est Bois". Sur la Fig. 11, on peut voir que, en
défuzzifiant le descripteur linguistique H (Élevé), on obtient un nombre réel de
5,86, qui, dans le cadre de l'ensemble flou Moyen impact sur l'environnement,
correspond à la valeur 0,981.
Deuxièmement, la règle numéro 8 est exécutée : "SI l'impact sur
l'environnement est Moyen ^ le coût de l'équipement en infrastructure est Élevé
^ les coûts du site sont Bas ^ le risque de compromettre le matériau est Moyen
ALORS la sélection du matériau est la brique"
 Troisièmement, la règle
numéro 10 est exécutée : "SI
l'impact sur l'environnement est
Moyen ^ le coût de l'équipement
en infrastructure est Élevé ^ les
coûts du site sont Bas ^ le risque
de compromettre le matériau
est Bas ALORS la sélection du
matériau est la paille
Quatrièmement, la règle
numéro 13 est exécutée. Cette
règle indique : "SI l'impact sur
l'environnement est Bas ^ le
coût de l'équipement en
infrastructure est Moyen ^ les
coûts du site sont Bas ^ le risque
de compromettre le matériau
est Bas ALORS la sélection du
matériau est la paille".
 - L'opération d'union est effectuée sur les
ensembles flous et le résultat de l'ensemble
flou est en même temps le résultat de la
conclusion du premier module du premier
niveau. Lorsque nous appliquons l'opération
d'union aux ensembles flous de la Figure 12,
nous obtenons l'ensemble flou résultant
illustré dans la Figure 13

-La méthode du centre de gravité a été

choisie comme méthode de défuzzification,
car elle est courante et adaptée au
développement de ce type de système flou,
assurant la continuité et la gradation
nécessaires de la sortie.
 Les valeurs obtenues par la défuzzification des ensembles flous résultants des
modules du premier niveau représentent les données d'entrée qui doivent être
fuzzifiées dans le module du deuxième niveau. La fuzzification des données d'entrée du
module du deuxième niveau est illustrée dans la Figure 14
 Tout comme pour
les modules du
premier niveau, la
méthode choisie
pour la
défuzzification était
la méthode du
centre de gravité,
car elle garantit la
continuité et la
gradation
nécessaires de la
sortie
 conclusion

Le document présente un nouveau modèle d'évaluation et de prédiction pour la sélection

des matériaux de construction, utilisant une méthode floue basée sur la logique floue. Les
auteurs estiment que cette nouvelle approche permet une avancée qualitative considérable
dans la méthodologie appliquée à la facilitation du choix des matériaux de construction. Le
modèle élargit le cadre théorique des connaissances dans le domaine du choix des matériaux
de construction, en proposant une nouvelle approche originale. Il résout le problème
existant en utilisant une nouvelle méthodologie, jetant ainsi les bases d'une mise à niveau
théorique et pratique ultérieure
Le modèle flou présenté dans ce document présente trois avantages principaux par rapport
à d'autres méthodes. Premièrement, il peut refléter une variété de critères de prise de
décision au besoin. Deuxièmement, le modèle est efficace dans des conditions d'incertitude,
aidant les décideurs dans la sélection des matériaux de construction. Troisièmement, il peut
être implémenté en tant que système informatique, soutenant ainsi un processus dynamique
de prise de décision dans la sélection des matériaux de construction. Le modèle permet une
évaluation rapide et objective des facteurs de coût et de risque dans la sélection des
matériaux de construction dans un environnement changeant.