Apprentissage par transfert pour l’analyse prédictive intelligente

Transfer Learning for Smart Predictive Analytics.

• Auteur / Autrice : Loïc Iapteff
• Direction : Julien Jacques
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/09/2022
• Etablissement(s) : Lyon 2
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon (2009-....)
• Partenaire(s) de recherche : Equipe de recherche : Entrepôts, Représentation et Ingénierie des Connaissances
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Lumière (Lyon ; 1969-....)
• Jury : Président / Présidente : Mathilde Mougeot
• Jury : Examinateurs / Examinatrices : Francisco Chinesta, Céline Helbert, Roda Bounaceur, Victor Costa, Victor Costa
• Jury : Rapporteurs / Rapporteuses : Clémentine Prieur

Mots clés

Mots clés contrôlés

Modélisation prédictive

Mots clés libres

Apprentissage par transfert

Régression

Plan d’expérience

Processus Gaussien

Modèle cinétique

Transfer learning

Regression

Design of experiment

Gaussian process

Kinetic modeling

Résumé

L'une des principales activités d'IFPEN consiste à concevoir des catalyseurs pour la production de carburants renouvelables, de carburants fossiles propres et de produits pétro-chimiques. Les catalyseurs accélèrent les réactions chimiques de plusieurs ordres de grandeur et sont indispensables pour une exploitation économique. La mise sur le marché d'un nouveau catalyseur nécessite un modèle de prédiction pour optimiser l'empilement des catalyseurs et les conditions opératoires et ainsi convaincre les clients. Le modèle est entraîné sur des points de données expérimentaux acquis dans des conditions de laboratoire et en nombre limité en raison du coût de l'expérience. Les modèles peuvent être soit statistiques, soit basés sur des équations physiques. Certaines des propriétés analytiques sont coûteuses à mesurer, et nous cherchons donc à les mesurer uniquement sur un échantillon de taille réduite. L'objectif est de prédire les quantités d'intérêt en utilisant ce peu d'information sur un nouveau catalyseur et les connaissances des anciens catalyseurs. Le cœur de la thèse est donc la capacité à transférer des modèles prédictifs. Dans cette thèse, des approches bayésiennes sont proposées pour transférer différents types de modèles paramétriques, ce qui conduit à une réduction du nombre d'observations nécessaires pour obtenir des modèles efficaces. Les plans d'expériences pour ce type de modèles sont également étudiés.

One of IFPEN's core business is to design catalysts for production of renewable fuels, clean fossil fuels and petrochemicals. Catalysts speed up chemical reactions by several orders of magnitude and are mandatory to achieve economical operation. Putting on the market a new catalyst requires a prediction model to optimize the catalysts stacking and the operating conditions and to convince customers. The model is trained on experimental data points acquired in lab-scale conditions and in limited number due to experimental cost. The Models can be either statistical or based on physical equations. Some of these analytical properties are expensive to measure, so we seek to measure them only on a small sample size. The aim is to predict the quantities of interest using this reduced information on a new catalyst and the knowledge of old catalysts. The core of the thesis is therefore the ability to transfer predictive models. In this thesis, Bayesian approaches are proposed to transfer different types of parametric models, which leads to a reduction of the number of observations required to obtain efficient models. The experimental design for this type of model is also studied.