Etude et développement d'une Serre Verticale Adaptative

Study and development of an Adaptive Vertical Farm

• Auteur / Autrice : Echrak Chnib
• Direction : Ali Zemouche, Patrizia Bagnerini
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance en 2025
• Etablissement(s) : Université de Lorraine en cotutelle avec Université de Gênes
• Ecole(s) doctorale(s) : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
• Partenaire(s) de recherche : Laboratoire : CRAN - Centre de Recherche en Automatique de Nancy
• Jury : Président / Présidente : Angelo Alessandri
• Jury : Examinateurs / Examinatrices : Ali Zemouche, Patrizia Bagnerini, Mauro Gaggero, Catherine Bonnet, Enrica Zereik, Naïma Ait oufroukh, Benoit Marx
• Jury : Rapporteurs / Rapporteuses : Enrica Zereik, Naïma Ait oufroukh

Mots clés

Mots clés libres

Serre Verticale Adaptative (SVA)

Modèle Boîte noire

Modèle de croissance des cultures

Inégalités matricielles linéaires (LMI)

Synthèse d'observateurs nonlinéaires

Uav

Adaptive Vertical Farm (AVF)

Data Driven Modeling

Crop Growth Model

Linear Matrix Inequalities (LMIs)

Nonlinear Observer Design

UAVs

Résumé

La population mondiale devrait atteindre près de 10 milliards d'ici 2050, entraînant une hausse attendue de la demande alimentaire due à la croissance démographique, au développement économique et à l'urbanisation. Pour répondre à cette demande de manière durable, les systèmes de cultures en serre, notamment l'agriculture verticale, se sont imposés comme une solution prometteuse, offrant des rendements élevés par unité de surface cultivée. La Serre Verticale Adaptative (SVA) est une serre verticale industrielle innovante qui ajuste dynamiquement la distance entre ses étagères empilées, optimisant ainsi les conditions de croissance à mesure que les plantes progressent dans leurs stades de développement. Ce principe adaptatif permet de surmonter le conflit traditionnel entre le maintien de conditions optimales et la minimisation de la consommation d'énergie. Cette thèse présente deux axes de recherche principaux contribuant au développement de la SVA. Le premier axe consiste à développer un modèle de croissance des cultures basé sur des données et une approche boîte noire pour les plantes cultivées dans les SVA. Étant donnée l'environnement dynamique de la cultivation qui s'adapte à la croissance des plantes tout au long du cycle de la production, un modèle précis de croissance des cultures est essentiel pour optimiser le mouvement des étagères et le contrôle du système. Tandis que les modèles de croissance dynamique traditionnels dépendent souvent de nombreux paramètres et sont spécifiques à certains types de cultures, nous proposons une approche boîte noire utilisant des réseaux de neurones á action directe pour prédire la hauteur des plantes à chaque étape. Ce modèle est adaptable à divers types de cultures, efficace en termes de calcul après l'entraînement et particulièrement adapté aux systèmes d'agriculture verticale innovants tels que la SVA. L'efficacité du modèle est démontrée à travers des ensembles de données synthétiques et réelles, mettant en avant son potentiel dans l'optimisation de la production agricole. Le second axe de recherche se concentre sur l'automatisation de la SVA grâce à l'intégration de véhicules aériens sans pilote (UAV) dans le cadre de l'agriculture de précision. L'intégration des UAV permet de réaliser des applications telles que le suivi de la santé des cultures en complément des données recueillies par les capteurs stationnaires existants, la pollinisation automatique, la pulvérisation et l'irrigation, etc., optimisant ainsi les opérations agricoles à travers les étagères empilées et complétant les capteurs stationnaires existants. Pour soutenir cette automatisation, nous proposons différentes méthodes de synthèse d'observateurs pour des systèmes non linéaires utilisant des inégalités matricielles linéaires (LMI) fournissant ainsi une estimation précise de l'état des UAV et garantissant la convergence exponentielle de l'observateur. Deux contributions majeures sont présentées : premièrement, une nouvelle condition LMI moins conservatrice appliquée pour résoudre le critère circulaire H_infty, et deuxièmement, une méthode de synthèse d'observateur non linéaire basée sur une extension dynamique de la sortie. Cette méthode minimise l'impact du bruit de mesure et garantit la propriété de stabilité entrée-état (ISS) de l'erreur d'estimation via une nouvelle condition LMI.

The world's population is projected to approach 10 billion by 2050, driving an expected rise in food demand due to population growth, economic development, and urbanization. To meet this demand sustainably, greenhouse systems, particularly vertical farming, have emerged as a promising solution, offering high crop yields per unit of cultivation area. The Adaptive Vertical Farm (AVF), is an innovative industrial vertical greenhouse that dynamically adjusts the distance between its stacked shelves, optimizing growing conditions as plants progress through their growth stages. This adaptive principle overcomes the traditional conflict between maintaining optimal conditions and minimizing energy consumption. This thesis presents two main research axes contributing to the development of the AVF. The first axis focuses on developing a data-driven, black-box growth model for crops cultivated in AVFs. Given the dynamic adaptation to plant growth, an accurate crop growth model is essential for optimizing shelf movement and system control. While traditional dynamic growth models often rely on numerous parameters and are specific to certain crop types, we propose a black-box approach using feedforward neural networks to predict plant height at each time step. This model is adaptable to various crop types, computationally efficient after training, and particularly suitable for innovative vertical farming systems like the AVF. The effectiveness of the model is illustrated through synthetic and real-world datasets, showcasing its potential in optimizing crop production. The second research axis focuses on automating the AVF using Unmanned Aerial Vehicles (UAVs) within the context of Precision Agriculture. UAVs support applications such as crop health monitoring, automatic pollination, spraying, and irrigation, optimizing farm operations across stacked shelves and complementing the existing stationary sensors. To support this automation, we introduce observer designs for nonlinear systems using Linear Matrix Inequalities (LMIs) to provide accurate state estimation for UAVs, ensuring exponential convergence of the observer. Two key contributions are presented: first, a new, less conservative LMI condition applied to solve the H_infty circle criterion design, and second, a nonlinear observer design based on output dynamic extension. This method minimizes the impact of measurement noise and guarantees the Input-to-State Stability (ISS) property of the estimation error via a novel LMI condition.