Optimisation d'un réseau de capteurs par les techniques d'apprentissage automatique pour la géolocalisation de sources polluantes

Optimization of a sensor network by machine learning techniques for the geolocation of polluting sources

• Auteur / Autrice : Sidi mohammed Alaoui
• Direction : Khalifa Djemal, Ayman Alfalou
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 22/03/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
• Partenaire(s) de recherche : référent : Université d'Évry-Val-d'Essonne (1991-....)

Mots clés

Mots clés libres

Intelligence artificielle

Apprentissage automatique

Optimisation

Identification

Dispersion atmosphérique

Réseau de capteurs

Artificial intelligence

Machine learning

Optimization

Identification

Atmospheric dispersion

Sensors network

Résumé

Il est avéré que la qualité de l'air a un impact réel sur la santé de la population et ce particulièrement à l'échelle urbaine. L'identification et la géolocalisation de sources de pollution atmosphérique par le biais de réseaux de capteurs de gaz multimodaux fixes et/ou embarqués (terrestre et/ou aérien) est donc un enjeu important. Dans ce cadre, l'efficacité d'un réseau optimum destiné à la caractérisation d'une ou plusieurs sources de pollution, est mesurée par sa capacité à déterminer les paramètres de la source à savoir sa position, son débit, sa hauteur, etc. Différents travaux sur l'optimisation d'un réseau de capteurs ont été publiés ces dernières années, dont certains se basent sur l'optimisation d'une fonction de coût souvent construite à partir de différentes considérations mathématiques et physiques, comme par exemple le maximum d'une fonction d'entropie, les moindres carrés renormalisés, etc. L'optimisation d'un réseau de capteurs peut être considérée comme un problème NP-difficile. En effet, lorsque les dimensions du problème sont raisonnables et des hypothèses distributionnelles sont vérifiées, les techniques statistiques d'optimisation du réseau de capteurs s'avèrent optimales, surtout dans le cas d'échantillons de taille restreinte. En revanche, dès que les hypothèses distributionnelles ne sont pas vérifiées et que les relations supposées entre les variables à modéliser ne sont plus linéaires, ces techniques déterministes, coûteuses en temps de calcul, peu compatible avec des objectifs temps réel, permettent d'approcher cet optimum sans avoir toutefois la garantie absolue de l'avoir atteint. Pour améliorer l'optimisation et se rapprocher de l'optimum du modèle, on peut recourir à des méthodes d'apprentissage automatique. Les techniques d'apprentissage automatique développées récemment ont montré leur capacité d'adaptabilité dans des contextes variés ; notamment pour les systèmes d'identification et de prédiction automatique de paramètres d'optimisation, et ce grâce à des modèles spécifiques d'apprentissage de données. Ce projet de thèse concerne donc essentiellement l'optimisation d'un réseau de capteurs de sources polluantes par les techniques d'apprentissage automatique. Il s'agira pour partie d'optimiser la fonction coût associée au modèle caractérisant un réseau de capteurs. En outre, le candidat participera à l'enrichissement de la base de données existante en vue de la rendre riche et consistante. Le modèle ainsi optimisé permettra une meilleure identification et géolocalisation des sources polluantes dans une zone urbaine.

It is a proven fact that air quality has a real impact on the health of the population, particularly on an urban scale. The identification and geolocation of air pollution sources through networks of fixed and/or embedded multimodal gas sensors (land and/or air) is therefore an important issue. In this context, the efficiency of an optimal network intended for the characterization of one or several pollution sources is measured by its capacity to determine the parameters of the source, i.e. its position, flow rate, height, etc. Different works on the optimization of a sensor network have been published in the last few years, some of which are based on the optimization of a cost function often constructed from different mathematical and physical considerations, such as the maximum of an entropy function, the renormalized least squares, etc. The optimization of a sensor network can be considered as an NP-problem. Indeed, when the dimensions of the problem are reasonable and distributional assumptions are verified, statistical techniques for sensor network optimization are optimal, especially in the case of small sample sizes. On the other hand, as soon as the distributional hypotheses are not verified and the assumed relationships between the variables to be modeled are no longer linear, these deterministic techniques, which are costly in terms of computation time and not very compatible with real time objectives, make it possible to approach this optimum without, however, having the absolute guarantee of having reached it. To improve the optimization and to get closer to the model optimum, we can use machine learning methods. The machine learning techniques developed recently have shown their adaptability in various contexts; in particular for automatic identification and prediction of optimization parameters, thanks to specific data learning models. This thesis project concerns the optimization of a network of pollutant sensors using machine learning techniques. The aim is to optimize the cost function associated with the model characterizing the sensor network. In addition, the candidate will participate in the enrichment of the existing database in order to make it rich and consistent. The optimized model will allow a better identification and geolocalization of polluting sources in an urban area. Translated with www.DeepL.com/Translator (free version)