Littérature scientifique sur le sujet « Jumeaux numériques »

Un jumeau numérique est une représentation virtuelle d’un système, tel qu’un organe ou un processus de soins. L’articulation des jumeaux numériques à des simulations réalisées dans le monde réel semble une piste prometteuse afin que les professionnels deviennent des praticiens rationnels et pragmatiques, capables à la fois de gérer des risques et d’appréhender l’incertitude. Cet article montre comment, au sein d’un hôpital, les décideurs peuvent mobiliser cette technologie pour améliorer la qualité des soins, en particulier dans un contexte de crise sanitaire.

L'industrie 4.0, caractérisée par l'intégration des technologies de l'information et de la communication (TIC) dans les processus de production, a conduit à l'émergence des jumeaux numériques comme une solution clé pour améliorer la productivité et l'efficacité. Les jumeaux numériques sont des répliques virtuelles des objets ou des processus du monde réel qui permettent une analyse approfondie, une optimisation et une meilleure compréhension des systèmes industriels. La formation des ingénieurs aux défis de l'industrie 4.0 devient donc essentielle pour assurer la compétitivité et l'innovation dans le monde de demain. Dans cet article, nous présentons un retour d’expérience sur l'utilisation des jumeaux numériques pour la formation des futurs ingénieurs aux défis de l'industrie 4.0. Les utilisateurs sont deux groupes d’étudiants, en deuxième année de cycle ingénieur, un groupe en formation initiale et un groupe en formation continue, au sein de l’École d'ingénieurs en Sciences Industrielles et Numérique (EiSINe) de l’Université de Reims Champagne-Ardenne.

L’utilisation de jumeaux numériques associés à de l’intelligence artificielle devient de plus en plus fréquente pour gérer les installations de production d’eau potable et de traitement des eaux usées. Depuis plusieurs années Suez propose aux collectivités une nouvelle manière d’appréhender la gestion de leur patrimoine qui va leur donner accès non seulement à une représentation virtuelle de la réalité du terrain, mais également à une connaissance accrue, source de données fiables pour une gestion patrimoniale maîtrisée.

L’intelligence artificielle (IA) et l’apprentissage automatique produisent des modèles prédictifs qui aident à la prise de décisions dans le processus de découverte de nouveaux médicaments. Cette modélisation par ordinateur permet de représenter l’hétérogénéité d’une maladie, d’identifier des cibles thérapeutiques, de concevoir et optimiser des candidats-médicaments et d’évaluer ces médicaments sur des patients virtuels, ou des jumeaux numériques. En facilitant à la fois une connaissance détaillée des caractéristiques des patients et en prédisant les propriétés de multiples médicaments possibles, l’IA permet l’émergence d’une médecine de précision « computationnelle » offrant des traitements parfaitement adaptés aux spécificités des patients.

La comparaison permettant de distinguer, de spécifier et d’asseoir la connaissance, dans la lignée des articles de ce numéro thématique sur la mesure de l’intelligence humaine, nous questionnons ce qu’est l’intelligence artificielle. Qu’en est-il ? Que sont ces systèmes techniques, ces ordinateurs, robots mais aussi habits et habitacles, qualifiés d’intelligents : habit intelligent, voiture intelligente , maison intelligente, ville intelligente ? Sont-ils destinés à résoudre des problèmes qui sont les nôtres ? Peut-on mesurer leur intelligence ? À l’ère de l’IA générative et des jumeaux numériques humains, nous préconisons que la mesure de l’intelligence artificielle soit à la mesure de son adaptation à l’humain : savoir à quel point la machine est adaptée à son utilisateur humain.

Dans le cadre d’un enseignement progressif de l’automatisme, nous verrons dans cet article qu’il est intéressant d’utiliser un jumeau numérique d’un système réel pour aller vers la programmation de systèmes complexes industriels. Nous utilisons pour cela trois logiciels Siemens communiquant ensemble à savoir NX MCD, pour le jumeau numérique, PLC SIM Advanced pour le simulateur d’automate et TIA Portal pour la partie programmation. Les TP utilisant le jumeau numérique pour réaliser la commande d’un poste de notre cellule flexible ayant été réalisés par deux profils d’élèves ingénieurs en apprentissage de niveau bac+4, un questionnaire leur a été soumis afin de récupérer leur retour et leur perception du jumeau numérique. Globalement les retours sont bons même s’il faut distinguer dans l‘analyse du questionnaire les profils automaticiens, des profils plus maintenance.

Si bon nombre de praticiens sont équipés de scanners optiques intrabuccaux pour réaliser leurs empreintes numériques 3D, plus rares sont ceux qui utilisent les fichiers 3D issus de l’Imagerie volumétrique par CBCT (Cone Beam Computed Tomography) et encore moins sont ceux qui utilisent des scans 3D de visage de leur patient. Toutes ces images 3D dont la visualisation de l’image en couleur est attirante permettent déjà une analyse immédiate intéressante du patient. Mais peut-on aller plus loin ? Est-ce que ces fichiers 3D issus des différentes technologies sont interfaçables, connectables ? Les fichiers 3D générés par les différents systèmes technologiques d’acquisition correspondent chacun à une partie virtualisée du patient, malgré des formats de fichiers quelque fois différents, il est possible de les regrouper afin d’obtenir un patient virtuel complet : le « Jumeau virtuel ». Plusieurs logiciels de modélisation graphique 3D permettent d’importer, convertir et utiliser les fichiers des différents types d’acquisition 3D. Évidemment, l’utilisation de ces logiciels nécessitent un certain apprentissage initial mais finalement les procédures numériques sont simples. De la sorte, l’objectif de cet article est de vous sensibiliser avec ces techniques d’utilisation de l’imagerie 3D numérique.

Le pilotage en Conwip (Constant Work In Process) est utilisé pour tendre les flux et réduire les délais dans les ateliers qui fabriquent de nombreuses références de produits, avec des trajectoires de gammes diverses et un mix produit variable. Comme pour un Kanban, le support d’un pilotage en Conwip est généralement un tableau avec des étiquettes physiques. La digitalisation des tableaux Conwip est une solution portée par l’industrie 4.0 qui apporte de nombreux avantages comme la synchronisation avec les ERP/MES, la réplication des tableaux de pilotage en plusieurs lieux de l’atelier, et la capitalisation automatique des données de terrain. Toutefois, les résultats très mitigés obtenus dans le passé par les solutions de Kanban digital montrent qu’il faut apporter d’autres fonctionnalités que la seule virtualisation pour assurer l’adoption des solutions numériques de pilotage en atelier. Dans ce cadre, le concept de Jumeau Numérique semble une piste prometteuse pour ajouter de la valeur d’usage aux tableaux digitaux de pilotage d’atelier.

Le pilotage en Conwip (Constant Work In Process) est utilisé pour tendre les flux et réduire les délais dans les ateliers qui fabriquent de nombreuses références de produits, avec des trajectoires de gammes diverses et un mix produit variable. Comme pour un Kanban, le support d’un pilotage en Conwip est généralement un tableau avec des étiquettes physiques. La digitalisation des tableaux Conwip est une solution portée par l’industrie 4.0 qui apporte de nombreux avantages comme la synchronisation avec les ERP/MES, la réplication des tableaux de pilotage en plusieurs lieux de l’atelier, et la capitalisation automatique des données de terrain. Toutefois, les résultats très mitigés obtenus dans le passé par les solutions de Kanban digital montrent qu’il faut apporter d’autres fonctionnalités que la seule virtualisation pour assurer l’adoption des solutions numériques de pilotage en atelier. Dans ce cadre, le concept de Jumeau Numérique semble une piste prometteuse pour ajouter de la valeur d’usage aux tableaux digitaux de pilotage d’atelier.

La demande globale d'énergie augmente rapidement dans le monde entier. La catalyse hétérogène est à l'origine de la plupart des principes de la chimie verte : procédés d'économie d'énergie, efficacité de l'atome, procédés de nettoyage, etc. La catalyse en général, et la catalyse hétérogène, est très vite devenue un outil essentiel pour le développement de la chimie industrielle. Actuellement, 85 % des procédés industriels utilisés dans le monde sont catalytiques. Dans ce contexte, de nombreux efforts sont déployés pour optimiser les catalyseurs hétérogènes afin de répondre à la demande croissante d'énergie tout en réduisant l'impact environnemental des carburants. Pour ces raisons, et bien d'autres, la conception de nouveaux matériaux catalytiques est aujourd'hui un sujet de grande importance. L'approche actuelle concernant la conception de catalyseurs tend vers une élaboration contrôlée de matériaux dont la texture est maîtrisée, ordonnée et hiérarchisée de l'échelle nanométrique à l'échelle micrométrique. Ces catalyseurs devront être plus actifs, stables (efficacité énergétique), et plus sélectifs (économie d'atomes, moins de rejets). Dans ce cadre, ce travail de recherche se concentre sur la création de jumeaux numériques de microstructures visant in-fine le rétro-design de matériaux poreux pour des propriétés d'usage optimales. Les applications concernent les supports de catalyse et les matériaux de construction, avec une priorité donnée à l'amélioration des propriétés multi-physiques en considérant les propriétés texturales de ces matériaux. La contribution de cette thèse est un nouveau cadre numérique permettant la modélisation et la caractérisation de ces matériaux. Cette nouvelle approche s'appuie sur des modèles aléatoires pour représenter des microstructures réalistes multi-échelles et complexes. Pour extraire les propriétés texturales de ces microstructures, deux méthodes numériques ont été développées dans un premier temps. La première nous permet de caractériser le réseau de porosité d'une microstructure et de calculer sa distribution de taille de pore, et la seconde nous permet de calculer la tortuosité géométrique de ces matériaux avec une approche rapide de recherche sur graphe. Sur le même sujet, notre contribution majeure est un modèle morphologique qui simule de manière originale la physisorption par gaz au moyen de la morphologie mathématique et des opérateurs de percolation. La physisorption par gaz est l'une des techniques expérimentales les plus utilisées pour la caractérisation des propriétés texturales des matériaux poreux. Le modèle a été validé sur des matériaux réels conçus pour cette thèse. L'apprentissage profond a également été largement exploré. Tout d'abord, une nouvelle approche s'appuyant sur les réseaux de neurones convolutifs a été proposée. Cette dernière propose une solution pour améliorer la qualité de l'apprentissage lorsque les données d'entraînement en entrée sont peu nombreuses. Une deuxième contribution nous a permis de stocker les informations morphologiques du modèle précédent dans un volume 3D, et de capturer les informations inter-coupes dans des coupes 2D. L'ensemble du processus a transformé le problème initial en un problème d'apprentissage profond, ce qui a considérablement réduit le temps de calcul du modèle de physisorption par gaz
The global demand for energy is increasing rapidly around the world. Heterogeneous catalysis is behind most of the principles of green chemistry: energy saving processes, atom efficiency, cleaning processes, etc. Catalysis in general, and heterogeneous catalysis, has very quickly become an essential tool for the development of industrial chemistry. Currently, 85 % of the industrial processes used throughout the world are catalytic. In this context, many efforts are being made to optimize heterogeneous catalysts to meet the increasing demand for energy while reducing the environmental impact of fuels. For these reasons, and many others, the design of new catalytic materials today is a hot topic. The current approach regarding the design of catalysts tends towards a controlled elaboration of materials whose texture will be controlled, ordered, and hierarchically structured from the nanometer to the micrometer scale. These catalysts will have to be more active, and stable (energy efficiency), and more selective (saving atoms, less rejects). Within this framework, this research work focuses on the creation of numerical twins of microstructures aiming in-fine the retro-design of porous materials for optimal usage properties. The applications concern catalysis supports and construction materials, with priority given to the improvement of multi-physical properties considering textural properties of these materials. The contribution of this thesis is a new numerical framework allowing the modeling and characterization of these materials. This new approach builds upon random models to represent realistic multi-scale and complex microstructures. To extract the textural properties of these microstructures, two numerical methods have been developed in a first step. The first one allows us to characterize the porosity network of a microstructure and to compute its pore size distribution, and the second one allows us to compute the geometrical tortuosity of these materials with a fast graph search approach. Regarding the same topic, our major contribution is a morphological model that simulates in an original way gas physisorption by means of mathematical morphology and percolation operators. Gas physisorption is one of the most used experimental techniques for the characterization of the textural properties of porous materials. The model has been validated on real materials designed for this thesis. Deep learning has also been widely explored. First, a new approach building upon convolutional neural networks has been proposed. The latter proposes a solution to improve the learning quality when there is little input training data. A second contribution allowed us to store the morphological information of the previous model in a 3D volume, and to capture inter-slice information into 2D slices. The overall process transformed the initial problem into a deep learning problem, which considerably reduced the computation time of the gas physisorption model

Ces travaux de thèses s'inscrivent dans le projet ANR Lorraine-Intelligence Artificielle qui se veut un projet multi-disciplinaire promouvant la recherche à la fois sur l'intelligence artificielle elle-même et sur ses applications à d'autres domaines de recherche. A ce titre, cette thèse s'intéresse au développement et à l'utilisation de modèles d'apprentissage automatique comme modèles de substitution a des modèles de simulation. L'intérêt pour ce sujet de recherche est, en particulier, porté par l'engouement des milieux académiques et industriel pour le concept d'ombres et jumeaux numériques, vus comme une évolution des modèles de simulation pour une utilisation pérenne au cœur des systèmes et des processus. La contribution principale de ces travaux de thèse est la proposition d'une stratégie de couplage entre un modèle de simulation et un modèle de substitution réalisant une même tâche de prédiction de manière répétée sur un flux de données. Le modèle de simulation est supposé avoir un haut niveau de fidélité mais être trop lent ou coûteux en calcul pour être utilisé seul pour réaliser l'intégralité des prédictions requises. Le modèle de substitution est un modèle d'apprentissage automatique qui approxime le modèle de simulation. L'objectif premier de la stratégie de couplage proposée est l'utilisation efficiente des ressources en calcul limitées par l'allocation intelligente de chaque prédiction à effectuer à un des deux modèles. Cette allocation est, en particulier, inspirée de l'apprentissage actif et basée sur l'évaluation de niveaux de confiance dans les prédictions du modèle d'apprentissage automatique. Des expériences numériques sont d'abord menées sur huit jeux de données de la littérature scientifique. Une application à l'industrie du sciage est ensuite développée
This thesis is part of the ANR project Lorraine-Artificial Intelligence, a multi-disciplinary project promoting research into both artificial intelligence itself, and its applications to other fields. As such, this thesis focuses on the development and use of machine learning models as a substitute for simulation models. Interest in this research topic is fueled by academic and industrial interest in the concept of digital shadows and twins, seen as an evolution of simulation models for long-term use at the heart of systems and processes. The main contribution of this thesis is the proposal of a coupling strategy between a simulation model and a surrogate model performing the same prediction task repeatedly on a data stream. The simulation model is assumed to have a high level of fidelity, but to be too slow or computationally expensive to be used alone to perform the full range of prediction required. The surrogate model is a fast machine-learning model that approximates the simulation model. The primary objective of the proposed coupling strategy is the efficient use of limited computational resources by intelligently allocating each prediction request to one of the two models. This allocation is, in particular, inspired by active learning and based on the evaluation of the level of confidence in the predictions of the machine learning model. Numerical experiments are first carried out on eight datasets from the scientific literature. An application to the sawmilling industry is then developed

Les empilements hybrides composés des couches composites CFRP, du TA6V et d'alliage d'aluminium, appelés multi-matériaux, sont largement utilisés dans les composants aérospatiaux. Le perçage one-shot, au moyen d'une Unité de Perçage Automatique (UPA), de ces empilements pose des défis majeurs en raison de la différence d'usinabilité entre les différents matériaux présents dans l'empilement. Pour répondre aux exigences de qualité, améliorer la tenue des outils et atteindre une pleine productivité lors du perçage de multi-matériaux sur UPA électrique, l’adaptation des paramètres de coupe au cours de l’usinage s’impose. Cela implique une détection fiable des matériaux usinés, la détection de l'usure de l'outil, ainsi que la détection d'incidents (bris d’outil, bourrage copeaux, problème de lubrification, écaillage des arêtes de coupe). Cependant, il n’existe pas actuellement des outils permettant de répondre à ce besoin. Le travail effectué dans cette thèse propose donc des solutions basées sur l’apprentissage automatique pour le développement des méthodologies robustes et fiables d’identification des matériaux, de détection de l'usure de l'outil, ainsi que de détection des incidents pour la mise en en place des stratégies de perçage intelligent (smart-drilling) intégrant de l’usinage auto-adaptatif. Dans un premier temps, une nouvelle approche de détection des incidents a été proposée en s’appuyant sur des données industrielles non étiquetées et des algorithmes de clustering : le K-means et la classification hiérarchique ascendante. Cette approche a permis d’identifier un certain nombre d’incidents et a mis en évidence les difficultés liées au traitement des données industrielles (rareté d’incidents et absence des étiquettes) et les difficultés liées à la définition des paramètres optimaux des algorithmes d’ apprentissage automatique. Dans un second temps, des essais sur un banc expérimental multi-instrumenté dédié et sur des empilements Al7175/CFP et CFRP/Al7175 ont permis de développer et de valider une méthodologie originale d’identification des matériaux basée sur les forêts aléatoires (Random Forest ou RF). Les résultats obtenus en termes de classification par types de matériaux (Al7175, CFRP), ont permis une extension du modèle RF sur différentes configurations d’empilements (CFRP/Al7175/TA6V, TA6V/Al7175/CFRP), avec différents diamètre outils et un large domaine de conditions de coupe. Cette méthodologie permettra d’envisager la mise en œuvre d’un processus d’usinage adaptatif sur UPA électrique pour le perçage de multi-matériaux.Mots clés : Usinage auto-adaptatif, Perçage multi-matériaux, Reconnaissance des matériaux, Forêts aléatoires, Usure outil, Apprentissage non supervisé, UPA électrique, Analyse des signaux
Hybrid stacks comprising of composite CFRP layers, TA6V, and aluminum alloy, referred to as multi-material, are widely used in aerospace components. One-shot drilling, using an Automatic Drilling Unit (UPA), of these stacks poses major challenges due to the difference in machinability among the various materials within the stack. To meet quality requirements, improve tool life and achieve optimal productivity during the drilling of multi-material stacks with an electric UPA, it is essential to adapt cutting parameters during machining. However, there are currently no tools available to meet this need. This theisis conerns machine learning-based solutions for the implementation of smart drilling strategies incorporating adaptive machining. These solutions focus on the development of robust and reliable methodologies for identifying materials, detecting tool wear, and detecting multi-material drilling-related incidents (tool breakage, chip jamming, lubrication issues, cutting edges chipping). Fristly, a new approach to incident detection was proposed, based on unlabeled industrial data and clustering algorithms: K-means and hierarchical ascending classification. This approach enabled us to identify a number of incidents, and highlighted the difficulties associated with processing industrial data (rarity of incidents and absence of labels) and the difficulties associated with defining the optimum parameters for machine learning algorithms. Subsequently, experiment are performed on an specialized instrumented drilling bench and on Al7175/CFP and CFRP/Al7175 stacks. This led to the development and validation of an original material identification methodology based on Random Forest (RF). The results, in terms of material classification (Al7175, CFRP), enabled the extension of the RF model to different stack configurations with various tool diameters and a wide range of cutting conditions. This methodology will enable the implementation of an adaptive machining process on an electric UPA for multi-material drilling.Keywords : Adaptive drilling, Multi-material stacks drilling, Material recognition, Random Forest, Tool Wear, Unsupervised learning, Electric UPA, Signals analysis

Les avancées technologiques de l’Industrie 4.0 ont ouvert la voie à la mise en place de nouvelles méthodologies et technologies, notamment les jumeaux numériques (DT) et les outils de réalité étendue (XR). Bien que ces innovations soient déjà largement exploitées dans la maintenance industrielle, leur potentiel reste à démontrer dans le secteur de la construction. Elles promettent d’aider à la prise de décision en donnant accès à des informations spécifiques, via la XR, lors d’opérations de maintenance et en permettant des simulations de comportement grâce au DT. Cependant, la complexité croissante des installations, associée à l’impératif de recourir à une expertise externe lors des opérations de maintenance, appelle à repenser les méthodes d’assistance à distance, en particulier à la lumière des préoccupations environnementales et sanitaires. Pour répondre à ces enjeux, nos travaux de recherche basés sur un état de l’art approfondi de la littérature scientifique et technologique, se concentrent sur l’exploitation de ces technologies pour améliorer les procédures de maintenance. Tout d’abord, une revue de littérature a permis d’évaluer comment les outils XR et les jumeaux numériques peuvent enrichir les informations utilisées lors des opérations de maintenance. Cette analyse souligne l’intérêt de tirer parti des données du BIM (Building Information Modeling) pour créer un jumeau numérique, ainsi que les améliorations apportées à la visualisation de ces données par les outils XR. De plus, une étude des solutions de collaboration existantes a révélé les exigences et les contraintes inhérentes au travail collaboratif entre un opérateur sur le terrain et un expert distant, telles que la nécessité d’un environnement de travail commun et les difficultés de synchronisation des échanges. Dans une deuxième phase de notre recherche, en nous appuyant sur ces constats, nous avons développé une architecture permettant d’améliorer la collaboration lors des inspections entre un opérateur sur site et un expert à distance, en utilisant les capacités de visualisation des outils XR et les données du jumeau numérique de l’installation. Cette démarche a abouti à la création de la solution DT-RAMCoRE, permettant le partage d’informations via la manipulation indirecte du jumeau numérique de l’installation par la méthode RAMCoRE. Conscients de la diversité des dispositifs XR et de l’évolution rapide de la technologie, nous avons conçu cette solution avec l’objectif d’assurer sa pérennité et son interopérabilité entre les différents supports disponibles, grâce à la norme OpenXR. En analysant une étude de cas, nous avons démontré que l’utilisation de la solution DT-RAMCoRE lors d’une inspection collaborative permet à l’opérateur de comprendre plus rapidement les informations transmises par un expert par rapport à une approche classique basée sur un appel vidéo, tout en réduisant les erreurs liées à l’identification des composants de l’installation. En conclusion, nous formulons des recommandations pour optimiser les informations fournies aux acteurs de la collaboration. Enfin, nous avons développé un concept de simulation, composant du DT, permettant de fournir à l’opérateur sur le terrain et l’expert à distance des outils d’analyses avancées facilitant le travail d’inspection. En perspectives à ces travaux, nous présentons une méthodologie pour exploiter les modèles de simulation du DT via les outils de XR
Technological advances in Industry 4.0 have paved the way for new methodologies and technologies, including digital twins (DT) and extended reality (XR) tools. While these innovations are already widely exploited in industrial maintenance, their potential in the construction sector remains to be demonstrated. They promise to help decision-making by providing access to specific information, via XR, during maintenance operations, and by enabling behavioral simulations thanks to the DT. However, the growing complexity of installations, combined with the need to call on external expertise during maintenance operations, calls for a rethinking of remote assistance methods, particularly in the light of environmental and health concerns. To explore these challenges, our research work, based on an in-depth review of scientific and technological literature, focuses on exploiting these technologies to improve maintenance procedures. Firstly, a literature review explored how XR tools and digital twins can enrich the information used during maintenance operations. This analysis highlights the value of leveraging BIM (Building Information Modeling) data to create a digital twin, as well as the improvements XR tools bring to the visualization of this data. In addition, a study of existing collaboration solutions revealed the requirements and constraints inherent in collaborative work between a field operation and a remote expert, such as the need for common work environment and difficulties in synchronizing exchanges. In a second phase of our research, based on these findings, we developed an architecture to enhance collaboration during inspections between an on-site operator and a remote expert, using the visualization capabilites of XR tools and data from the system’s digital twin. This led to the creation of the DT-RAMCoRE solution, enabling Information to be shared via indirect manipulation of the system’s digital twin usingthe RAMCoRE method. Aware of the diversity of XR devices and the rapid evolution of the technology, we designed this solution with the aim of ensuring its durability and interoperability between the different media available, thanks to the OpenXR standard. By analyzing a case study, we have demonstrated that using the DT-RAMCoREsolution during a collaborative inspection helps the operator to understand the information transmitted by an expert more quickly than with a conventional approach based on a video call, while reducing errors linked to the identification of system components. In conclusion, we formulate recommendations for optimizing the information provided to collaborative users. Finally, we have developed a simulation concept, a key component of the DT, to provide the field operator and the remote expert with advanced analysis tools to facilitate inspection work. As a perspective to this work, we present a methodology for exploiting DT simulation models via XR tools

L'Internet Industriel des Objets (IIoT) offre un paysage complexe avec de nombreuses contraintes, notamment en raison de son utilisation pour piloter des applications critiques dans l'Industrie 4.0. Les exigences dans un tel contexte, en termes d'efficacité énergétique et de qualité de service (délai, fiabilité, déterminisme et robustesse), sont strictes et d'une importance capitale. Il en découle un besoin impératif de mécanismes de gestion sophistiqués tout au long de leur cycle de vie pour répondre à ces exigences. Cette thèse explore deux axes technologiques pour relever ce défi : l'ordonnancement basé sur l'Apprentissage par Renforcement pour le protocole TSCH (Time Slotted Channel Hopping) et le Jumeau Numérique du Réseau (JNR). L'ordonnancement TSCH dans l'IIoT est identifiée comme un domaine essentiel pour optimiser la performance de ces réseaux. Plusieurs travaux ont proposé des techniques d'ordonnancement basées sur l'Apprentissage par Renforcement pour les protocoles MAC TDMA (Time Division Multiple Access) , et plus particulièrement pour TSCH. Toutefois, l'utilisation de cette approche dans un réseau contraint comme l'IIoT présente le risque d'une consommation énergétique accrue. Cela est dû au processus d'apprentissage continu et à la coordination entre les nœuds nécessaire pour gérer le problème de non-stationnarité du réseau, considéré comme un Système Multi-Agents. Cette thèse présente un nouvel algorithme d'ordonnancement distribué basé sur l'Apprentissage par Renforcement, nommé QL-TSCH-plus. Cet algorithme est conçu pour être adaptatif et efficace, avec des objectifs de réduction de la consommation d'énergie et des délais propres aux environnements IIoT. En parallèle du développement de l'ordonnancement pour TSCH, cette thèse adopte le concept de JNR comme solution viable pour une gestion efficace de l'IIoT. Les jumeaux numériques sont de plus en plus utilisés pour optimiser les performances des systèmes industriels. En capitalisant sur cette technologie, une architecture JNR holistique pour l'IIoT est proposée, où le réseau est intégré avec d'autres composants industriels. L'architecture exploite les réseaux définies par logiciel (SDN) pour permettre une gestion en boucle fermée du réseau tout au long de son cycle de vie (de la conception au service). Cette architecture facilite la validation rapide des solutions réseau dans un environnement industriel grâce au lien continu entre le JNR et le réseau IIoT physique. De plus, nous proposons de modéliser l'IIoT dans le JNR en utilisant des réseaux de Petri, permettant des réseaux de Petri basés sur les données. Ces modèles servent de modèles formels à gros grains, permettant une simulation rapide pour l'exécution de scénarios hypothétiques et une détection des fautes en temps réel, essentielle dans les applications industrielles critiques
The Industrial Internet of Things (IIoT) presents a complex landscape with numerous constraints, particularly due to their use to control critical applications in Industry 4.0. The requirements in such a context in terms of energy efficiency and quality of service (delay, reliability, determinism and robustness) are strict and of paramount importance. Consequently, there is a pressing need for sophisticated management mechanisms throughout their entire lifecycle to meet these needs. This thesis explores two technological fronts to address this challenge: Reinforcement Learning-based Time Slotted Channel Hopping (TSCH) scheduling and Network Digital Twin (NDT). TSCH scheduling in IIoT, is identified as a crucial area to optimize the performance of these networks. Several works proposed Reinforcement Learning-based scheduling techniques for TDMA (Time Division Multiple Access ) MAC protocols, and particularly for TSCH. However, using this approach in a constrained network like the IIoT carries the risk of elevated energy consumption. This is due to the continuous learning process and coordination among the nodes necessary to manage the non-stationarity issue in the network, which is viewed as a Multi-Agent System. This thesis introduces a novel Reinforcement Learning-based distributed scheduling algorithm, QL-TSCH-plus. This algorithm has been designed to be adaptive and efficient, with reduced energy consumption and delay targets inherent to IIoT environments. Parallel to the development of TSCH scheduling, this thesis adopts the concept of NDT as a viable solution for effective IIoT management. Digital twins have been increasingly used to optimize the performances of industrial systems. Capitalizing on this technology, a holistic NDT architecture for the IIoT is proposed, where the network is integrated with other industrial components. The architecture leverages Software Defined Networking to enable closed-loop network management across the entire network life-cycle (from design to service). This architecture enables quick validation of networking solutions in an industrial environment because of the continuous link between the NDT and the physical IIoT network. Moreover, we propose to model the IIoT in the NDT using Petri-nets, enabling data-driven Petri-nets. These serve as coarse-grained formal models enabling fast simulation time for what-if scenarios execution, and real-time fault detection that is crucial in mission-critical industrial applications

Avec l'augmentation de la demande de soins dans le monde, les services hospitaliers sont de plus en plus sollicités. Leur performance est étroitement liée à la performance de leur bloc opératoire. En effet, le bloc opératoire est un important centre de revenus et de dépenses puisqu'il représente 40% du budget de l'hôpital (Macario et al. 1997), et que 60% des patients viennent à l'hôpital pour une intervention chirurgicale (Fugener et al. 2017). Il est donc nécessaire que les blocs opératoires soient efficients. Cependant, cela est rendu difficile par la complexité de leur organisation due à la diversité des parcours patients, la multiplicité des métiers, les liens étroits avec les services amont et aval, la synchronisation de plusieurs ressources et flux logistiques (personnels, médicaments et dispositifs médicaux), etc. D'autre part, la variabilité des durées et les perturbations inhérentes à la pratique médicale, comme les cas d'urgence, sont les principaux facteurs et événements qui dégradent le programme opératoire et impliquent que le personnel prenne de fréquentes décisions pour maintenir l'activité du bloc opératoire de manière optimale. Par conséquent, les activités de planification et d'ordonnancement du bloc opératoire intéressent de plus en plus la communauté scientifique. Dans cette thèse de doctorat, nous nous concentrons sur les niveaux opérationnels hors ligne et en ligne (Hans et Vanberkel 2012). Ceci nous amène aux questions de recherche suivantes : (1) Comment évaluer la robustesse et la résilience du programme opératoire avant son exécution (dimension prospective) ? (2) Comment rejouer le programme opératoire pour avoir un retour d'expérience et évaluer les décisions prises lors de son exécution (dimension rétrospective) ? La contribution de ce manuscrit est triple : (1) Nous proposons un système d'aide à la décision basé sur un jumeau numérique pour la simulation et l'analyse prospectives et rétrospectives de l'exécution du programme opératoire. (2) Nous décrivons une méthodologie standardisée pour concevoir, construire et mettre en œuvre cet outil dans n'importe quel bloc opératoire. (3) Cette méthodologie est appliquée à un bloc opératoire inspiré de l'Hôpital Privé de La Baie (groupe Vivalto Santé), afin de disposer d'une preuve de concept permettant de simuler un programme opératoire de façon prospective et rétrospective
With healthcare demand rising worldwide, hospital services are increasingly needed. Hospitals' performance is tightly linked to their surgical suite performance. Indeed, the surgical suite is an important revenue and expense center with over 40% of the hospital's budget dedicated to it (Macario et al. 1997) and 60% of the patient coming into the hospital for surgical intervention (Fugener et al. 2017). This makes it necessary for surgical suites to be efficient. However, running a profitable surgical suite is quite hard and requires a methodological approach due to the complexity of its functioning: the diversity of patient pathways, the multiplicity of professions, the tight link with upstream and downstream wards, the synchronization of several resources and logistic flows (drug and medical devices), etc. On the other hand, durations variability and disruptions inherent in medical care like emergency cases are the main factors and events that degrade the scheduled execution and involve the staff making decisions frequently to preserve the surgical suite activity in an optimal way. Therefore, OR planning and scheduling activities are of increasing interest to the scientific community. In this PhD thesis, we focus on offline operational and online operational levels (Hans and Vanberkel 2012). This leads us to the following research questions: (1) How can we assess the robustness and the resilience of the schedule before its execution (prospective way)? (2) How can we replay the schedule to have feedback and assess the decisions made during its execution (retrospective way)? The contribution of this manuscript is threefold: (1) we propose a digital twin-based decision support system for the prospective and retrospective simulation and analysis of the operating room schedule execution, (2) we describe a standardized methodology to conceive, build and implement this tool in any surgical suite, (3) This methodology is applied to an operating room inspired by the Private Hospital of La Baie (Vivalto Santé group, France), in order to have a proof of concept allowing to simulate an operating program prospectively and retrospectively

Les systèmes industriels modernes utilisent souvent une combinaison de matériaux tels que les métaux, le béton et les composites, soigneusement optimisés pour obtenir des performances supérieures tout en minimisant les coûts. Les structures sont principalement soumises à des charges dynamiques pendant leur durée de vie. Les problèmes de fabrication et/ou les sollicitations perpétuelles entraînent souvent des changements dans un système qui ont un impact négatif sur ses performances actuelles et/ou futures; ces changements peuvent être définis comme des dommages. L'identification des dommages est un processus crucial qui garantit le bon fonctionnement des équipements ou des structures tout au long de leur cycle de vie. Elle alerte le service de maintenance pour qu'il prenne les mesures nécessaires à la réparation. Le Structural Health Monitoring (SHM) est une technique potentielle d'identification des dommages qui a attiré plus d'attention au cours des dernières décennies. Elle permet de surmonter les inconvénients des méthodes traditionnelles de contrôle non destructif. Dans cette thèse, nous avons utilisé la technique des ondes guidées ultrasoniques (GW) pour le SHM. La sensibilité des ondes guidées aux conditions environnementales et opérationnelles (EOC) modifie les signaux de réponse et peut masquer les signatures de défauts. Il est donc difficile d'isoler les signatures de défauts à l'aide de méthodes telles que la comparaison à une référence, qui consiste à comparer des signaux GW sans dommages avec les acquisitions actuelles. Les méthodes sans état de référence peuvent constituer une alternative, mais elles sont limitées à des géométries simples. En outre, la grande sensibilité des ondes guidées aux variations des EOC et au bruit de mesure constitue un défi pour la modélisation des ondes guidées. Les récentes avancées en matière d'apprentissage automatique ont créé de nouveaux axes de modélisation, notamment la modélisation basée sur les données et la modélisation basée sur la physique, souvent désignée sous le nom d'apprentissage automatique scientifique. La modélisation basée sur les données est extrêmement utile pour modéliser les phénomènes qui ne peuvent être expliqués par la physique, ce qui permet d'isoler les signatures de défauts subtils et de développer des procédures robustes de détection des dommages. Toutefois, les méthodes de ML basées sur la modélisation nécessitent davantage de données pour capturer toutes les informations permettant d'améliorer la capacité de généralisation des modèles ML. Le SHM, quant à lui, tend à générer des données généralement exemptes de dommages, car les épisodes de dommages sont rares. Cette lacune particulière peut être comblée par une modélisation basée sur la physique. Dans cette approche, les capacités de modélisation physique sont combinées avec des données de mesure pour expliquer des phénomènes inexplicables à l'aide de la modélisation physique. L'objectif principal est de développer une méthodologie de détection des défauts dans les panneaux composites. Cette méthodologie est conçue pour surveiller des structures similaires, telles que des pales d'éoliennes ou de turbines à réaction, sans exiger des états sans dommages de toutes les structures, évitant ainsi le besoin de comparaisons directes à un état de référence. Le deuxième objectif est de développer un modèle de ML basé sur la physique pour intégrer des simulations avec des données expérimentales. Le développement de ce modèle implique une modélisation multi-fidélité et métamodélisation. Pour valider ce modèle, nous utilisons un ensemble de données expérimentales et de simulation sur une plaque en aluminium. En outre, le modèle développé est utilisé pour générer des réponses GW réalistes à la taille de l'endommagement et à la position des capteurs. Ces signaux générés sont ensuite utilisés pour calculer une courbe de probabilité de détection (POD), afin d'évaluer la fiabilité d'un système SHM basé sur le GW
Modern engineering systems and structures often utilize a combination of materials such as metals, concrete, and composites, carefully optimized to achieve superior performance in their designated functions while also minimizing overall economic costs. Primarily, engineering structures are subjected to dynamic loads during their operational life. The manufacturing issues and/or the perpetual dynamic operations often lead to some changes into a system that adversely impact its present and/or future performance; these changes can be defined as damage. The identification of damage is a crucial process that ensures the smooth functioning of equipment or structures throughout their life cycle. It alerts the maintenance department to take the necessary measures for repair. Structural Health Monitoring (SHM) is a potential damage identification technique which has attracted more attention in the last few decades. It has the capability to overcome the downsides of traditional Non-Destructive Testing (NDT). In this thesis, we used Ultrasonic Guided Waves (GW) technique for SHM. However, sensitivity of GW to Environmental and Operational Conditions (EOC) modify the response signals to mask defect signatures. This makes it difficult to isolate defect signatures using methods such as baseline comparison, where damage-free GW signals are compared with current acquisitions Baseline-free methods can be an alternative, but they are limited to simple geometries. Moreover, high sensitivity of GW to EOC and measurement noise poses a challenge in modelling GW through physics-based models. The recent advancements in Machine Learning (ML) has created a new modelling axis, including data-driven modelling and physics-based modelling, often referred to as Scientific ML. Data-driven modelling is extremely helpful to model the phenomena that cannot be explained by physics, allowing for the isolation of subtle defect signatures and the development of robust damage detection procedures. However, ML-based methods require more data to capture all the information to enhance the generalization capability of ML models. SHM, on the other hand, tends to generate mostly damage-free data, as damage episodes seldom occur. This particular gap can be filled through physics-based modeling. In this approach, the modeling capabilities of physics-based models are combined with measurement data to explain unexplainable phenomena using ML. The primary objective of this thesis is to develop a data-driven damage detection methodology for identifying defects in composite panels. This methodology is designed for monitoring similar structures, such as wind or jet turbine blades, without requiring pristine (damage-free) states of all structures, thereby avoiding the need for direct baseline comparisons. The second goal is to develop a physics-based ML model for integrating physics-based simulations with experimental data within the context of a Digital Twin. The development of this physics-based ML model involves multi-fidelity modeling and surrogate modeling. To validate this model, we utilize an experimental and simulation dataset of an Aluminium panel. Furthermore, the developed model is employed to generate realistic GW responses at the required damage size and sensor path. These generated signals are then used to compute a Probability of Detection (POD) curve, assessing the reliability of a GW-based SHM system

Cette thèse est consacrée à la conception d’un jumeau numérique pour système de ventilation industriel dans un contexte de surveillance et de diagnostic. Les mesures d’entrées du modèle sont exclusivement électriques et aucun capteur mécanique n’est utilisé. Les cas particuliers de la vitesse fixe et variable sont étudiés. À vitesse constante, la démodulation des courants électriques est particulièrement étudiée et un algorithme original, basé sur un générateur de signaux orthogonaux est proposé, comparé aux principales méthodes connues, et validé expérimentalement. À vitesse variable, l’approche proposée est basée sur les méthodes d’order tracking sans capteur mécanique dans lesquelles les signaux d’analyse sont échantillonnés en fonction de l’angle mécanique. Dans ce cas, les composantes spectrales deviennent indépendantes de la vitesse de rotation et l’analyse fréquentielle peut être exploitée. Une méthode originale est présentée. Elle est basée sur la définition d’un observateur à partir d’un nombre réduit d’informations sur le moteur considéré. La vitesse estimée est exploitée pour déduire la position mécanique et réaliser le ré-échantillonnage angulaire. Une généralisation de la notion d’order tracking est par ailleurs présentée, permettant de définir des angles de ré-échantillonnages adaptés aux défauts surveillés. Cette méthode est testée sur un banc d’essai du LIAS et sur le procédé de ventilation industriel
This thesis is devoted to the design of a digital twin for industrial ventilation systems in a monitoring and diagnostic context. The input measurements of the model are exclusively electrical and no mechanical sensors are used. The particular cases of fixed and variable speed are studied. At constant speed, the demodulation of electrical currents is particularly studied and an original algorithm, based on an orthogonal signal generator, is proposed, compared to the main known methods, and validated experimentally. At variable speed, the proposed approach is based on order tracking methods without mechanical sensor in which the analysis signals are sampled as a function of the mechanical angle. In this case, the spectral components become independent of the rotation speed and the frequency analysis can be exploited. An original method is presented. It is based on the definition of an observer from a reduced number of information on the considered motor. The estimated speed is used to deduce the mechanical position and to perform the angular resampling. A generalization of the concept of ordertracking is also presented, allowing to define resampling angles adapted to the monitored faults. This method is tested on a LIAS test bench and on the industrial ventilation process

La croissance du numérique au sein l'industrie de la construction conduit au BIM (Building Information Modeling). Inspiré du bâtiment, le BIM est adopté plus tard sur des projets d’infrastructure linéaire. Ces projets nécessitent une maitrise de bout en bout de la chaîne d’information. Le PLM (Product Lifecycle Management) favorise cette continuité numérique dans l’industrie manufacturière. Des études expérimentent une utilisation complémentaire des approches BIM et PLM pour ce type de projet. Adaptant des méthodes développées pour la construction de bâtiments, ces études se limitent à l’élaboration de référentiels de données. Cela rend difficile la gestion de l’infrastructure dans sa phase d’usage, où la maquette numérique doit devenir un jumeau numérique. Ces travaux consistent à développer une stratégie pour la conception, la mise en œuvre et l’exploitation d’une infrastructure linéaire. Cible de la démarche, le jumeau numérique intégrera non seulement BIM et PLM, mais aussi toute autre source d’information qui resitue l’infrastructure dans son environnement. Agrégateur de données, il devrait permettre d’assurer la gestion du cycle de vie d’une infrastructure linéaire. Ce système est éprouvé sur une infrastructure linéaire particulière, un passage à niveau. La continuité numérique et la traçabilité des données sont des facteurs importants pour un tel ouvrage. Notre proposition permet de suivre l’évolution de la donnée, et de lier des données d’exploitation aux données de conception et de construction de l’infrastructure
The digital growth of the construction industry led to BIM (Building Information Modeling). Developed for buildings, BIM is later used on linear infrastructure projects. Such projects require end-to-end control of information. PLM (Product Lifecycle Management) supports digital continuity in the manufacturing industry. Studies evaluate the relevance of a complementary use of the BIM and PLM approaches for linear infrastructure projects. With an adaptation of methods used for building construction, those studies are mostly restricted to the implementation of data repositories. This makes it difficult to consider the infrastructure post-construction phase, where the 3D model is no longer a digital model, but a digital twin. This research work consists in developing a strategy for the design, the implementation and the operations and maintenance of a linear infrastructure. The digital twin of the infrastructure is the target of our approach. It will take into consideration not only BIM and PLM methodologies, but also any other data source positioning the infrastructure in its geographical environment. Data aggregator, our digital twin should make it possible to manage the lifecycle of a linear infrastructure. This system is tested on a specific linear infrastructure, a level crossing. Digital continuity and data traceability are important factors for those constructions. Through the digital twin, our proposal helps to follow the data, and thus to link operational data to the design and construction data of the linear infrastructure

Ce chapitre s’intéresse à l’introduction de l’intelligence artificielle (IA) dans le cadre de l’Edge et du Cloud Networking. Le chapitre examine l’IA dans le contrôle du SDN et dans l’aide à la gestion du Cloud Networking. Pour terminer, il décrit l’utilisation de jumeaux numériques intelligents pour contrôler les réseaux.

Structurer l’information par le BIM implique de construire le jumeau numérique de l’ouvrage construit. La norme ISO 19650 du jumeau numérique structure l’objet à réaliser : « le système à faire » et les processus, garantissant le cycle de vie : « le système pour faire». La transition numérique introduit la question de la valorisation de l’information