Apprentissage automatique et analyse de données à hautes performances pour la conception de chemins de fer de nouvelle génération

High Performance Machine Learning and Data Analytics for next generation railway design

• Auteur / Autrice : Hugo Gabrielidis
• Direction : Stéphane Vialle
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 15/11/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : Equipe de recherche : ParSys - Systèmes Parallèles
• Partenaire(s) de recherche : Référent : CentraleSupélec

Mots clés

Mots clés libres

Analyse de données à Haute Performance (HPDA)

Apprentissage

Passage à l'échelle

Building Information Modelling (BIM)

Big Data

Infrastructure ferroviaire

Building Information Modelling

Big Data

Railway infrastructure

Scalability

High Performance Data Analytics (HPDA)

Machine Learning

Résumé

Le projet MINERVE a pour objet la conception et le développement de méthodes et d'outils numériques pour la modélisation de l'infrastructure ferroviaire française tout au long de son cycle de vie. Ce projet regroupe 4 partenaires industriels (SNCF, RATP, Colas Rail, et Kayrros), 1 institut de recherche privé (IREX), et 1 institution académique (CentraleSupélec, école d'ingénieurs de l'Université Paris-Saclay). Cette thèse contribuera au projet MINERVE en développant un flux de travail scientifique et computationnel pour la conception de futurs chemins de fer. Les principales étapes seront l'automatisation du nettoyage des données et de la détection des données suspectes, le développement d'algorithmes d'apprentissage automatique parallèles à grande échelle, leur intégration dans une suite logicielle de prototypage ferroviaire permettant de passer à l'échelle sur des architectures distribuées, et enfin l'automatisation du déploiement d'un workflow parallèle permettant d'étudier rapidement de nombreux scénarios ferroviaires.

The MINERVE project is about designing and developing numerical methods and tools for modeling the French rail infrastructure all over its life cycle. This project gathers 4 industrial partners (SNCF, RATP, Colas Rail, and Kayrros), 1 private research institute (IREX), and 1 academic institution (CentraleSupélec, engineering school of Université Paris-Saclay). This thesis will contribute to the MINERVE project by developing a scientific and computational workflow for the design of future railways. The main steps will be the automation of data cleaning and suspicious data detection, the development of large-scale parallel machine learning algorithms, their integration into a railway prototyping software suite allowing to scale up on distributed architectures, and finally the automation of the deployment of a parallel workflow allowing to rapidly study many railway scenarios.