Suivi dynamique par apprentissage et intelligence artificielle des signaux dédiés à la surveillance de l'environnement

Dynamic monitoring by learning and artificial intelligence of signals dedicated to environmental monitoring

• Auteur / Autrice : Lisa Poirier--herbeck
• Direction : Sylvie Marcos
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 18/01/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Signaux et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : Signaux
• Partenaire(s) de recherche : référent : CentraleSupélec

Mots clés

Mots clés libres

Procédé automatisé

Modèles d'apprentissage et techniques d'intelligence artificielle

Analyse statistique et probabilités

Extraction d'information d'intérêt

Modélisation numérique

Traitement temps réel

Statistical analysis and probabilities

Learning models and artificial intelligence techniques

Automated process

Real time processing

Numerical modeling

Extraction of information of interest

Résumé

Suivi dynamique et d'apprentissage par intelligence artificielle des signaux dédiés à la surveillance de l'environnement. Présentation du projet doctoral, contexte et objectif L'objectif de ce doctorat est le développement d'un procédé automatisé de quantification et d'alerte suite à un dépassement de seuil. Le procédé devra suivre et interpréter de façon dynamique les signaux dédiés à la surveillance d'impact sur un environnement particulier ou de suivi de phénomènes particulier. Ce procédé sera prioritairement appliqué au suivi de rejet cheminée, de la radioactivité dans l'environnement, d'une pollution atmosphérique ou liquide. Le défi de cette thématique est l'extraction de l'information d'intérêt dans un signal complexe variable dans le temps avec une fiabilité et une sensibilité quantifiées, en temps réel et sans interprétation humaine. Le signal est, en première approximation, composé d'une partie « bruit de fond » et d'une partie « information utile ». Ces parties évoluent de façon dynamique et sont impactées par l'environnement de la mesure tels que, par exemple, les conditions météorologiques ou les activités anthropiques. Idéalement le procédé intègre un apprentissage lui permettant d'identifier l'impact de l'environnement de la mesure sur la forme du signal enregistré. Il a pour thématiques de recherche : le contrôle non destructif, l'analyse numérique (statistiques et probabilités), la mesure physique nucléaire ou non, le traitement du signal et la métrologie. Ce doctorat appellera donc à mettre en oeuvre des expériences, de la modélisation numérique, des codes de calcul de modélisation de phénomènes physiques, des définitions de modèles d'apprentissage et d'analyse de comportement. Les techniques d'intelligence artificielles ou de deep learning pourront avantageusement être employées pour la réalisation de ce procédé Le procédé devra délivrer à l'opérateur en temps réel les informations de présence de la grandeur recherchée dans le signal suivi en continu, quantifier cette grandeur suivant son évolution dans le temps avec l'indice de confiance associé à ces informations. Pour cela, la méthodologie devra s'adapter aux évolutions des conditions de mesures ou d'ambiance tout au long de la mesure. Il devra aussi signaler le début, la durée et la fin du phénomène. Le but est d'établir, à partir d'outils mathématiques peu ou idéalement non paramétriques, un procédé permettant : • d'extraire les informations utiles présentes dans le signal pour une majorité de types de forme de signal, • d'extraire le continuum sous le signal sur l'ensemble de l'acquisition, • de déterminer si la grandeur recherchée a bien été détectée ainsi que la plus petite valeur quantifiable en continu. Si cette dernière est supérieure aux seuils réglementaires, d'alerter et d'ajuster les paramètres prédéfinis pour atteindre la valeur de seuil réglementaire, • une durée de traitement de l'ordre de quelques minutes au maximum. Le doctorant analysera l'état de l'art, notamment au travers des procédés existants, listera de la façon la plus exhaustive possible les formes de signaux existantes pour les différents types de suivi ainsi que les formes de fond existantes. A partir de ces données et des informations recherchées, le doctorant s'attachera à développer l'exploitation automatisée de ces mesures afin que soient extraites les informations utiles recherchées (quantité, durée, début, fin phénomène observé, fond propre, bruit de fond) sur n'importe quel signal. De même, toutes les incertitudes liées au processus d'extraction seront quantifiées de façon automatisée. Les expérimentations pour tester la stratégie développée porteront sur le suivi en continu du rayonnement gamma par une balise de surveillance de l'environnement et du rayonnement alpha/béta par une balise de surveillance du rejet cheminée. Profil et compétences recherchées La candidate/le candidat a un master 2 recherche ou un diplôme d'ingénieur en traitement du signal. Des compétences en mathématiques et en informatique et un intérêt pour la physique sont attendus.

Dynamic monitoring by learning and artificial intelligence of signals dedicated to environmental monitoring. Presentation of the doctoral project, context and aim. The objective of this doctorate is the development of an automated process for quantifying and alerting when a threshold is exceeded. The process must dynamically monitor and interpret the signals dedicated to monitoring the impact on a particular environment or monitoring particular phenomena. This process will be applied primarily to monitoring stack discharge, radioactivity in the environment, atmospheric or liquid pollution. The challenge of this thematic is to extract the information of interest from a complex time-varying signal with quantified reliability and sensitivity, in real time and without human interpretation. The signal is, as a first approximation, composed of a part "background noise" and a part "useful information". These parts evolve dynamically and are impacted by the environment of the measurement such as, for example, weather conditions or human activities. Ideally, the process incorporates learning allowing it to identify the impact of the measurement environment on the shape of the recorded signal. Its research themes are: non-destructive testing, digital analysis (statistics and probabilities), physical measurement, nuclear or not, signal processing and metrology. This doctorate will therefore call for the implementation of experiments, numerical modeling, calculation codes for modeling physical phenomena, definitions of learning models and behavior analysis. Artificial intelligence or deep learning techniques can advantageously be used to carry out this process The method will have to deliver to the operator in real time the information on the presence of the desired quantity in the continuously monitored signal, quantify this quantity according to its evolution over time with the confidence index associated with this information. For this, the methodology will have to adapt to changes in measurement or environmental conditions throughout the measurement. He will also have to indicate the beginning, the duration and the end of the phenomenon. The goal is to establish, from little or ideally non-parametric mathematical tools, a process allowing: • extract the useful information present in the signal for a majority of types of signal shape, • extract the continuum below the signal over the entire acquisition, • to determine whether the desired quantity has been detected as well as the smallest continuously quantifiable value. If the latter is greater than the regulatory thresholds, alert and adjust the predefined parameters to reach the regulatory threshold value, • a treatment time of the order of a few minutes at most. The doctoral student will analyze the state of the art, in particular through existing methods, will list as exhaustively as possible the existing signal forms for the different types of monitoring as well as the existing background forms. From these data and the information sought, the doctoral student will endeavor to develop the automated use of these measurements so that the desired useful information is extracted (quantity, duration, start, end observed phenomenon, clean background, background noise) on any signal. Likewise, all the uncertainties linked to the extraction process will be quantified in an automated manner. The experiments to test the strategy developed will focus on the continuous monitoring of gamma radiation by an environmental monitoring beacon and alpha / beta radiation by a stack discharge monitoring beacon. Profile and skills required The candidate has a research master's degree or an engineering degree in signal processing. Mathematical and computer skills and an interest in physics are expected.