Prédiction, réseau de neurones et optimisation : applications aux domaines des agro-matériaux et de la télécommunication

Prediction, neural network, and optimization : applications to the fields of agro-materials and telecommunication

• Auteur / Autrice : Shohre Sadeghsa
• Direction : Mhand Hifi, Adeline Goullieux
• Type : Thèse de doctorat
• Discipline(s) : Informatique. Recherche opérationnelle et optimisation
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Amiens
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Eco-procédés, optimisation et aide à la décision (2012-....)
• Jury : Président / Présidente : Ahmed Rachid
• Jury : Examinateurs / Examinatrices : Gérard-Michel Cochard, Vassilis Zissimopoulos
• Jury : Rapporteurs / Rapporteuses : Méziane Aïder, Imed Kacem

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Composites

Optimisation combinatoire

Mots clés libres

Optimisation

Matériaux agrosourcés

Prédiction

Intelligence artificielle

Vegetal-Composite

Artificial intelligence

Combinatorial optimization

Résumé

Dans un contexte de changements planétaires, l'utilisation d'agro-ressources dans les matériaux composites est une solution alternative à l'exploitation des ressources fossiles. Le développement d'agromatériaux contenant des végétaux enrobés nécessite de prendre en compte la disponibilité spatiale et temporelle des matières premières biosourcées, leur interchangeabilité et les conséquences sur les propriétés fonctionnelles résultantes. Face à la diversité des données à disposition, à la difficulté d'établir les relations de cause à effet et à la nécessaire gestion de l'imprévu, un système fiable et durable est nécessaire afin de produire un composite contenant un végétal enrobé avec une production à efficacité constante. Les méthodes d'intelligence artificielle doivent permettre d'améliorer la compréhension et le contrôle de la production liée aux matériaux concernés. Étant donné l'incertitude et la variabilité des données, nous avons appliqué l'apprentissage automatique et l'intelligence artificielle pour prédire les paramètres des expériences de manière dynamique. Un modèle pourra ainsi s'adapter en fonction des données d'apprentissage. Les prédictions sont dynamiques et les résultats sont influencés par les données. Le composite végétal est étudié sous trois aspects : prédiction de la résistance à la compression du composite, prédiction de la résistance à la flexion du composite et création d'un modèle de simulation afin de prédire les paramètres de test de résistance à la compression du composite. Le développement du composite végétal nécessite de prendre en compte les paramètres spécifiques des matières premières bio-sourcées tels que la disponibilité temporelle, l'interchangeabilité, et les conséquences sur les propriétés fonctionnelles résultantes. L'optimisation des composites végétaux peut être considérée comme un problème complexe lié à différents domaines tels que la biologie, la physico-chimie et l'ingénierie des procédés. L'optimisation et la production durables de matériaux végétaux nécessitent également une gestion de la localisation, la centralisation et la consolidation des sites de la chaîne d'approvisionnement. Les problèmes de la chaîne d'approvisionnement sont principalement la localisation des sites de production, le cheminement, l'ordonnancement, le stockage des matières premières, la distribution finale et la commercialisation. Le regroupement, la consolidation ou le clustering font référence à l'acte de fusionner deux ou plusieurs sites de supply-chain. Cela implique une réduction du nombre de centres existants. Afin de maintenir l'efficacité continue des chaînes d'approvisionnement et de production, chaque site doit offrir l'ensemble des services qui étaient servis par les sites remplacés. Le problème du regroupement peut se situer à tout niveau de la supply-chain. Le problème du k-clustering peut être défini dans une des deux parties de la chaîne d'approvisionnement qui sont en relation directe. Cette thèse a pour but de traiter la complexité rencontrée pour optimiser le composite végétal et assurer la durabilité des centres d'approvisionnement, de production et de commercialisation. Le premier objectif est atteint en optimisant les caractéristiques du matériau composite à l'aide de l'intelligence artificielle et est détaillé en première partie. Le second objectif est exposé dans la deuxième partie de cette étude. Il s'agit de la fusion des sites de la chaîne d'approvisionnement en utilisant la méthode du K-clustering. Différentes méthodes de solution d'optimisation sont proposées. L'approche transversale appliquée permettant la mise en œuvre de plusieurs compétences est présente dans l'unité de recherche EPROAD. Les méthodes proposées sont issues du domaine de l'intelligence artificielle, de la modélisation discrète issue des mathématiques appliquées, de l'analyse de sensibilité, et du domaine du génie des procédés pour le développement de méthodes coopératives intelligentes

In the context of global changes in the world, the use of vegetal resources in composite materials is an alternative solution to the exploitation of fossil resources. However, the development of the vegetal composite requires taking into account the time and space availability of bio-sourced raw materials, their interchangeability, and their consequences on resulting functional characteristics. Optimization of the vegetal composite faces a variety of available data, the complexity to establish cause and effect relationships, and the mandatory handling of unexpected events (such as disaster, crises, break down, etc, ...). Thus, a reliable and sustainable system is required in order to produce the vegetal composite with constant efficiency. Artificial intelligence methods should allow improving the understanding and control of the production related to the concerned materials. Considering the uncertainty and changeability of the data related to the vegetal materials, we applied machine learning and artificial intelligence methods to predict the parameters of the experiments dynamically. A model can adapt itself based on the training data. Predictions are dynamic, and the results are data-oriented.Herein, the vegetal composite is studied with three aspects: to predict the compressive strength of the composite, to predict the flexural strength of the composite, and a simulation model to predict the parameters of the compressive composite strength test. To overcome the mentioned problems, artificial intelligence and machine learning methods are suggested as a solution that learns from the old data in order to converge towards better local optima. The development of the vegetal composite requires taking into account the specific parameters of the bio-sourced raw materials such as temporal availability, interchangeability, and the consequences on the resulting functional properties. Optimization of the vegetal composites can be viewed as a complex problem related to different domains such as biology, physico-chemistry, and process engineering. The sustainable optimization and production of the vegetal materials also require the localization, centralization, and consolidation of the supply chain sites. The supply chain problems consist of localizing the production sites, routing, and scheduling, and storage of raw materials, and final distribution and marketing. Regrouping, consolidating or clustering are referred to the act of merging two or more sites. It is the act of reducing the number of existing centers. In order to keep the continuous efficiency in the supply and production chains, each site has to provide the whole services that used to be served by the replaced sites. The regrouping problem can be seen in any part of this chain. The k-clustering problem can be defined in any of the two parts of the supply chain that are in direct relations. This thesis aims to deal with the complexity encountered to optimize the vegetal composite and to ensure the sustainability of the supply, production, and marketing sites. The former is achieved, in the first part, by optimizing the characteristics of the composite material using artificial intelligence methods. The latter is presented in the second part of this study. The proposed method merges the supply chain site(s) using the K-clustering problem. Different optimization solution methods are proposed. The applied transversal approach allowing the coupling of skills is presented within the research unit EPROAD. The proposed methods are from the field of artificial intelligence, combinatorial optimization, discrete modeling resulting from applied mathematics, sensitivity analysis, and the field of process engineering for the development of intelligent cooperative methods