Deux financements de projets doctoraux retenus par la Région Grand EST
Dans cette page :
- Projet FROENDS : Optimisation des traitements pour une prédiction énergétique précise et efficiente grâce à l’IA et au BIM
- Optimisation de la chaîne logistique : une approche intégrée pour une flexibilité accrue et une meilleure gestion des imprévus
Suite aux délibérations et vote des élus, la région EST de CESI s’est vue octroyer deux financements pour deux allocations doctorales. La formulation des projets, les compétences et la pluridisciplinarité de l’équipe de recherche, en phase avec les enjeux actuels, ont orienté le soutien de la Région vers ces propositions, parmi de nombreux autres dossiers.
Le premier projet sera encadré par Simon CAILLARD et Hajar NOUINOU, le second par Jean-François DOLLINGER et Amine BRAHMIA, Enseignants-Chercheurs sur les campus CESI de Strasbourg et Nancy.
Projet FROENDS : Optimisation des traitements pour une prédiction énergétique précise et efficiente grâce à l’IA et au BIM
L’arrivée du numérique dans les bâtiments, notamment au travers de la maquette BIM, constitue un enjeu essentiel pour limiter le gaspillage énergétique. Le projet vise à utiliser des techniques d’IA avancées pour prédire les consommations énergétiques et adapter les besoins à l’usage sans compromettre le confort ou la fonction principale des locaux. Or, l’obtention de résultats précis et pertinents est couteux en temps de calcul. Aussi le projet comporte-t-il une composante importante autour du traitement efficace des informations du bâtiment. En effet, les calculs réalisés pour obtenir un modèle d’IA seront opérés sur des infrastructures de nouvelle génération, combinant l’utilisation du cloud, incarné par des datacenters distants, et de ressources locales d’edge computing, situées à proximité des sources de données BIM. L’objectif principal de la thèse sera d’orchestrer les traitements de sorte à minimiser les temps d’exécution des opérations.
Optimisation de la chaîne logistique : une approche intégrée pour une flexibilité accrue et une meilleure gestion des imprévus
Pour les entreprises, la maitrise de leurs chaînes logistiques devient indispensable afin de garantir la flexibilité des différentes opérations. Des concepts comme celui du Just-In-Time (JIT) sont largement utilisés pour réduire les coûts de logistique. Cependant, de telles approches impliquent la nécessité de respecter des délais et peuvent s’avérer inutiles si la chaine logistique n’est pas suffisamment maitrisée, et si elle n’est pas suffisamment flexible face aux imprévus. Dans le cadre de ce projet, nous nous proposons de mettre en place une méthode qui permet de réaliser conjointement l’ordonnancement des tâches de production et de livraison. De part sa difficulté intrinsèque, ce problème est généralement traité séparément dans la littérature. Afin d’être au plus proche du réel, la méthode proposée prendra en compte les imprévus (pannes machines, arrivée ou annulation de commandes, etc.). Pour cela, nous comptons nous appuyer sur l’IA et sur l’historique des commandes et événements passés ayant pu survenir sur les chaines logistiques.