Un jumeau numérique pour l’aide à la décision dans un contexte de gestion portuaire avec incertitudes : Une approche à base de connaissances issue de l'apprentissage automatique

Digital twin for decision making to manage port operation with uncertainties : a knowledge approach based on machine learning.

• Auteur / Autrice : Siraprapa Wattanakul
• Direction : Napaporn Reeveerakul, Yacine Ouzrout
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/10/2022
• Etablissement(s) : Lyon 2 en cotutelle avec Mahāwitthayālai Chīang Mai
• Ecole(s) doctorale(s) : École doctorale InfoMaths (Lyon ; 2009-....)
• Partenaire(s) de recherche : Laboratoire : DISP - Décision et Information pour les Systèmes de Production (Lyon, INSA) - Décision et information pour les Systèmes de
• Jury : Président / Présidente : Nopasit Chakpitak
• Jury : Examinateurs / Examinatrices : Sébastien Henry, Keshav Dahal, Ratapol Wudhikarn
• Jury : Rapporteur / Rapporteuse : Gülgün Alpan, Punnarumol Temdee

Mots clés

Mots clés contrôlés

Incertitude

Séries chronologiques

Ports -- Administration

Systèmes d'aide à la décision

Mots clés libres

Planification des ressources portuaires

Jumeau numérique

Traçabilité des données

Modèle de prédiction

Gestion de l'incertitude

Gestion des connaissances

Port resource planning

Digital twin

Traceability data

Time-series prediction

Uncertainty management

Knowledge management

Résumé

Avec un trafic portuaire mondial ayant été multiplié par quatre en 20 ans passant de 200 millions à 800 millions de conteneurs, la maitrise des performances du fret maritime se relève être cruciale pour le commerce mondial mais délicate. Le port, ou terminal conteneur, est l’unité de base du réseau mondial de fret maritime et le noeud des interactions où se cristallise l’impact des incertitudes dont la United Nations Conference on Trade and Development a mis en exergue la diversité en 2020. Plus tôt l’impact est quantifié, meilleure est la réaction. Ainsi, les travaux menés visent à prédire au plus tôt l’impact des aléas sur le respect des objectifs initiaux.Un état de l’art sur la planification des ressources portuaires a montré la difficulté à formaliser les relations entre la durée des opérations et les incertitudes. Face à ces limites, l’approche développée basée sur l’ingénierie des connaissances propose dans un premier temps une démarche de construction d’un jumeau numérique d’un terminal conteneur. Ce jumeau numérique est ensuite exploité afin de construire un modèle de prédiction de séries temporelles LSTM. La première série d'expériences montre que l'inférence proposée est applicable pour l'apprentissage et la prédiction des opérations portuaires. La deuxième série d'expériences montre l'utilisation d’un modèle de prévision de séries temporelles LSTM en plusieurs étapes. Avec des prédictions renouvelées périodiquement, le responsable d'exploitation d’un terminal conteneur visualisera en permanence l’évolution du planning des opérations, notamment les éventuels écarts entre la date de fin planifiée initialement et celle prédite en fonction des données réelles à l’instant considéré.

With global port traffic having quadrupled in 20 years from 200 million to 800 million containers, controlling the performance of sea freight is proving to be crucial for world trade but delicate. The port, or container terminal, is the basic unit of the global maritime freight network and the hub of interactions where the impact of uncertainties is accrued. The United Nations Conference on Trade and Development has highlighted the diversity of these uncertainties in 2020. The sooner the impact is quantified, the better the reaction. Thus, the work carried out aims at predicting as soon as possible the impact of hazards on the respect of initial objectives.A state of the art on port resource planning has shown the difficulty in formalizing the relationship between the duration of operations and uncertainties. Faced with these limitations, the developed approach based on knowledge engineering proposes first of all an approach to build a digital twin of a container terminal. This digital twin is then exploited to build a prediction model of LSTM time series. The first set of experiments shows that the proposed inference is applicable for learning and predicting port operations. The second set of experiments shows the use of a multi-step LSTM time series prediction model. With periodically renewed predictions, the operations manager of a container terminal will continuously visualize the evolution of the operations schedule, including possible deviations between the initially planned end date and the predicted one based on the actual data at the considered time.