Download L`ENERGIE GRISE

Dans ce cas, il est possible d'étudier l'impact d'une variation de x% d'un flux
élémentaire sur l'inventaire, d'un facteur de pondération sur le score final, etc. À
partir de là, il est possible d'extrapoler des facteurs de dépendance (ou de
corrélation). Les inputs ayant un fort pouvoir de corrélation sur l'output doivent alors
être regardé de près pour assurer que ces valeurs, dont l'impact est majeur, sont
aussi précises que possibles.
Cette analyse peut amener à revoir le champ d'étude et les objectifs en fonction de
la sensibilité de certaines données.
• Sensibilité à un critère discret c'est à dire à des choix. Il faut alors, dans la
mesure du possible, analyser les autres choix que ceux fait et s'assurer que
les résultats obtenus selon les différents scenarios demeurent dans une
fourchette admissible.
- 8.1.1.2.4-
CONTRÔLE DE COHÉRENCE
L'objectif de ce contrôle est de s'assurer que les résultats obtenus sont conformes
au champ de l'étude initialement formulé. Dans le cas de comparaison entre
différents scénarii, il est également conseillé de démontrer que les hypothèses
choisies dans chacun des scenarii sont cohérentes les unes par rapport aux autres.
Ces différences entre les scenarii peuvent venir de différences dans les sources des
données, dans la précision des données, dans les représentations technologiques.
Les différences liés au facteur temps, au facteur géographique, à l'âge des données,
et aux indicateurs sont également à prendre en compte.
-8.1.1.3- Évaluation De La Qualité Des Données
Normalement, dès les premières étapes de l'inventaire, les praticiens doivent établir
des recommandations concernant la qualité des données, notamment les
couvertures temporelles et géographiques, la précision, la représentativité, la
cohérence et la reproductibilité des mesures, les sources des données et les niveaux
d'incertitude.
Durant la phase de vérification, les données utilisées doivent être comparées aux
recommandations initiales. Les écarts doivent être documentés et justifiés.
- 8.1.1.3.1-
ANALYSE D'INCERTITUDE
Vise à vérifier l'impact de l'incertitude des données principales sur les résultats du
modèle. Ceci se fait habituellement avec des outils informatiques en utilisant par
exemple un Méthode de Monte-Carlo. Certains des outils d'analyse du cycle de vie
permettent d'entrer l'incertitude d'une valeur avec une distribution. Le programme va
alors ressortir une distribution de résultat qui permettra soit de s'assurer que la
variabilité n'a pas d'impact trop important, soit que le résultat d'un comparatif entre
plusieurs scénario est valide dans les conditions d'incertitude.
- 8.1.2- STANDARDISATION DE L'ANALYSE DE CYCLE DE VIE (ACV)
La série de la norme ISO 14040 fournit de la documentation pour chacune des
étapes de l'ACV:
Page 85 sur 92