Jumeau numérique pour une intralogistique durable

Digital Twin for Sustainable Intralogistics

• Auteur / Autrice : Adnane Drissi elbouzidi
• Direction : Samir Lamouri, Abdessamad Ait el cadi
• Type : Projet de thèse
• Discipline(s) : Génie industriel
• Date : Inscription en doctorat le 01/12/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : LAMIH - Laboratoire d'Automatique, de Mécanique, d'Informatique industrielles et Humaines - Laurent DUBAR
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)

Mots clés

Mots clés libres

Jumeau numérique

Simulation

Apprentissage automatique

Industrie 4.0

Supply chain

Intelligence Artificielle

Digital Twin

Simulation

Machine Learning

Industry 4.0

Supply chain

Artificial Intelligence

Résumé

Nous souhaitons développer un jumeau numérique profitant des technologies/outils du 4.0. Dans un premier temps, nous aimerions développer une solution fondée sur la simulation pour avoir une représentation fidèle du modèle réel. Ensuite, nous développerons des algorithmes d'optimisation pour explorer les différents scénarios. Après, l'objectif sera d'incorporer des modules d'Intelligence Artificielle (Niveau d'autonomie : auto-apprentissage, autodiagnostic). Ces trois modules permettront l'aide à la prise de décision pour la gestion intralogistique ainsi que l'optimisation de l'impact environnemental des activités d'entreposage. Finalement, nous souhaiterions intégrer ce modèle au système réel, permettent les échanges entre l'objet réel et son clone virtuel.

We want to develop a digital twin taking advantage of 4.0 technologies/tools. First, we would like to develop a simulation-based solution to have a faithful representation of the real model. Then, we will develop optimization algorithms to explore different scenarios. Then, the objective will be to incorporate Artificial Intelligence modules (Autonomy level: self-learning, self-diagnosis). These three modules will allow decision support for intralogistics management as well as the optimization of the environmental impact of warehousing activities. Finally, we would like to integrate this model to the real system, allowing exchanges between the real object and its virtual clone.