Thèse en Intelligence Artificielle & Optimisation Multicritère

Objet : Apprentissage automatique et optimisation multicritère pour le pilotage intelligent d’un dispositif de production d’eau chaude sanitaire.

Intitulé du doctorat : Automatique, Génie informatique, Traitement du Signal et des Images, université de Lille.

Laboratoires d’accueil :

• IMT Nord Europe, Centre de recherche de Douai, CERI Systèmes Numériques.
• Ecole Nationale Supérieure des Mines de Saint-Etienne, Institut Henri Fayol.

Partenaire industriel : elm.leblanc, Drancy, France

Contexte industriel

La thèse s’inscrit dans un partenariat fort avec elm.leblanc, le leader français du confort thermique qui conçoit et fabrique en France des solutions de chauffage et de production d’eau chaude gaz et aux énergies renouvelables, dans un souci d’apporter des solutions technologiques en vue d’offrir le meilleur rapport qualité/prix aux utilisateurs. Pour atteindre ces objectifs, une dynamique d’innovation est cultivée au sein du centre de recherche et développement de l’entreprise.

Le chauffage, la production et le stockage d’eau chaude représentent la majeure partie des dépenses énergétiques des foyers. La fonction de stockage quel que soit le système de chauffage, constitue un élément clé pour réguler la consommation d’énergie et le confort. Dans cette perspective, l’entreprise elm.leblanc cherche à créer l’élément de stockage d’eau chaude sanitaire du futur, qui soit plus performant d’un point de vue énergétique, moins coûteux en matières premières, recyclable, auto-adaptatif et intelligent en fonction des besoins de l’utilisateur final et plus durable grâce à une conception adaptée et un meilleur contrôle pour un fonctionnement optimal. Ce projet d’ampleur répond aux enjeux stratégiques que tout industriel doit relever : innover de manière responsable en prenant en compte, dès la phase de conception, le contexte d’utilisation du produit pour s’adapter à son utilisateur, tout en anticipant la fin de son cycle de vie dans une approche d’économie circulaire.

Mise en place de la thèse :

Les enjeux actuels nous incitent à développer des solutions d’amélioration des performances énergétiques dans les habitations, les équipements de consommations et systèmes et composants industriels. Dans le cas des équipements ayant la fonction de conservation de l’énergie, les stratégies de pilotage ont un impact fondamental. La problématique posée est celle de la production d’eau chaude à la quantité et à la température désirées par les utilisateurs, en minimisant la consommation d’énergie et l’usure du système de production. Il s’agit par conséquent de tenter de satisfaire « au mieux » un ensemble d’objectifs antagonistes en exploitant des connaissances parcellaires et incertaines (notamment les besoins des usagers).

Ainsi, à partir de données d’usage « open data » (telles que par exemple celles fournies par ENEDIS, ou celles documentées autour de la RE2020) et de données issues d’un simulateur intégrant un nombre important de cas d’usage en termes de consommation d’eau chaude sanitaire (E.C.S), il faudra définir, développer et évaluer des algorithmes d’optimisation multicritères destinés au pilotage intelligent du système de production d’E.C.S. La fonction objectif devra intégrer les termes suivants : satisfaction des besoins utilisateurs (à définir à l’aide de métriques appropriées), coût de production de l’E.C.S (lié au celui des sources d’énergie disponibles, éventuellement variable au cours du temps) et maintien durable du système de production d’E.C.S dans des conditions de bon fonctionnement (en lien avec les travaux d’un post-doctorant sur les 20 derniers mois de la thèse).

Les étapes prévisionnelles de ce travail de thèse sont les suivantes :

• Prise en main du simulateur, des données agrégées disponibles, des données standardisées (CSTB, CEGIBAT, COSTIC) et du modèle de système de production d’E.C.S.
• Proposition de critères et de métriques pour l’évaluation multi-critère de la satisfaction de l’usager (confort, énergie, durabilité), dépendante au type d’usager, au type d’utilisation, à la date de disponibilité, à la température de l’E.C.S produite et la quantité effectivement disponible, etc.)
• Recensement des facteurs d’influence et étude de leurs impacts sur la fonction de satisfaction (propriétés intrinsèques, paramètres d’utilisation et de confort, conditions d’exploitation et de fonctionnement, variables d’environnement, dégradations et avaries …)
• Sélection et évaluation des approches pour la prévision des besoins à partir des données d’usage (simulées et/ou réelles).
• Définition et mise en place de l’approche basée sur l’optimisation multicritère.

Formation Ingénieur ou Master doté de bonnes connaissances en Analyse de données, Machine Learning et Optimisation Multicritères. Des notions en modélisation des systèmes dynamiques, en démarche 6-sigma, autour de l’expriment design et outils associés seront appréciées.

Les travaux seront réalisés pour moitié sur le site de l’Ecole des Mines de Saint Etienne et sur le site d’IMT Nord Europe.

Prise de fonction : 01/10/2021

Date limite de candidature : 10/06/2021

Procédure :

Les candidat(e)s sont invités à envoyer un CV détaillé, les relevés de notes (M1 et M2), une lettre de motivation, ou tous documents permettant d’appuyer votre candidature à mylene.lagardere@imt-lille-douai.fr, avec copie aux encadrants ci-après.

Pour faire acte de candidature, merci de vous connecter sur notre plate-forme de recrutement via le
lien suivant : https://institutminestelecom.recruitee.com/o/these-en-intelligence-artificielle-optimisation-multicritere-a-imt-lille-douai

Encadrants :

• Mireille BATTON-HUBERT : Mireille.BATTON-HUBERT@emse.fr
• Jacques BOONAERT : jacques.boonaert@imt-lille-douai.fr
• Stéphane LECOEUCHE : stephane.lecoeuche@imt-lille-douai.fr