Réseaux profonds basés graphes pour la prédiction d’efficience de placements 2D
Auteur / Autrice : | Corentin Lallier |
Direction : | Guillaume Blin, Bruno Pinaud |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 19/12/2022 |
Etablissement(s) : | Bordeaux |
Ecole(s) doctorale(s) : | École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire bordelais de recherche en informatique |
Jury : | Président / Présidente : Pascal Desbarats |
Examinateurs / Examinatrices : Pierre Gançarski | |
Rapporteurs / Rapporteuses : Vincent Barra, Marc Plantevit |
Mots clés
Résumé
La minimisation de la consommation de matériaux dans la production textile est une préoccupation majeure. La pierre angulaire de cette optimisation est le problème de placement qui consiste à disposer un ensemble de pièces irrégulières en 2D sur une surface rectangulaire appelée zone de placement tout en respectant un ensemble de contraintes. Il s’agit notamment de maximiser l’efficience, c’est à dire le rapport entre la matière utilisée et la surface totale de matière utilisable. Malheureusement, pour connaître l’efficience, il faut résoudre le problème du placement, qui est consommateur de calculs et prouvé NP-Difficile. Ce travail présente une approche basée sur de l’apprentissage machine pour estimer l’efficience sans résoudre le problème de placement. Notre approche modélise le problème de placement sous la forme d’un graphe où les sommets sont des images dérivées des pièces et les arêtes représentent les contraintes. Nous proposons de combiner des réseaux de neurones convolutifs pour les aspects liés aux images et des réseaux de neurones attentionnels orientés graphes pour les aspects liés aux contraintes. Nous évaluons une implémentation de notre approche sur des données de clients et montrons des résultats suffisamment précis pour permettre une utilisation industrielle. En parallèle, nous présentons les performances et les capacités de généralisation de quatre architectures de réseaux de neurones orientés graphes sur ces graphes de placement, dont les propriétés diffèrent des ensembles de données graphes de la littérature