Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

19 juillet 2017

Thèse en Statistiques/Traitement du Signal/ Séries Temporelles appliquée dans le domaine de la Qualité de l'Air Intérieur


Catégorie : Doctorant


Nous cherchons un candidat pour une thèse de doctorat à l'Université Paris-Est, au laboratoire CERTES, en collaboration avec le CSTB, Champs-sur-Marne.

La thèse, financée par l’Institut Carnot, est intitulée "Développement de solutions d’information et d’optimisation de la qualité de l’air intérieur renseignée en temps réel".

We offer the opportunity of a PhD thesis at the University of Paris-Est Créteil, at the CERTES laboratory (Centre d’Etudes et de Recherche en Thermique, Environnement et Systèmes- Centre of Study and Research in Thermic and Environmental Sciences and Systems) in collaboration with the CSTB (Centre Scientifique et Technique du Bâtiment-Scientific and Technical Centre for Building).

The thesis, financially supported by the Carnot Institute, is entitled “Development of information and optimisation solutions for real-time monitoring of indoor air quality”.

 

Mots-clé

Air Intérieur, Modélisation Inverse, Séries Temporelles, Data Mining (Fouille des données), Blind Source Separation (Séparation Aveugle des Sources), Analyse Multivariée, Décomposition en Facteurs Latents, Classification, Deep Learning, Optimisation, Programmation, Statistiques, Traitement du Signal

L'originalité de la thèse consiste en l'application des outils statistiques et traitement du signal, en particulier des séries temporelles, dans un domaine qui a été très peu étudié jusqu'à présent : la qualité de l'air intérieur.

Profil du candidat et compétences recherchées

Le candidat recherché doit avoir de bonnes bases en Statistiques et en particulier la maîtrise de l’analyse multivariée ; des connaissances sur la Factorisation Matricielle pour la séparation des sources (Blind Source Separation ou méthodes comme la Factorisation Matricielle Positive-PMF) seront les bienvenues, ainsi qu’en traitement du signal et analyse des séries temporelles. Idéalement, l’application de ces méthodes serait sur des bases de des données environnementales, en particulier pollution de l’air.Le candidat devrait maîtriser au moins un des logiciels : R, Matlab ou Python. Des connaissances en programmation scientifique avancée seraient également appréciées.

Niveau académique : BAC+5 (Ingénieur ou Master 2)

Contact

Pour candidater, envoyer :

à :

Description détaillée du sujet

Enjeux scientifiques :

Le monde du bâtiment vient de commencer sa révolution numérique, dans lequel les matériaux et équipements deviennent communicants par l’intégration de métadonnées dès la conception. Par ailleurs, les capteurs et objets connectés se multiplient et permettent le développement de services dédiés à l’amélioration du confort des occupants et l’optimisation de leurs usages. Le traitement de ces données collectées en continu en est encore à ses débuts et reste essentiellement tourné vers une exploitation monodimensionnelle des données. Pour autant, être capable de fournir un service d’information sur le niveau de confort et de qualité de l’air à un instant donné dans une pièce définie, nécessite une approche à la fois multidimensionnelle et agrégée des données fournies par des capteurs, en tenant compte de leur évolution temporelle. Parfois, les indicateurs mesurés, comme le formaldéhyde (dû aux sources intérieures au bâtiment) et les particules (provenant des sources extérieures et intérieures au bâtiment), fournissent une information contradictoire en termes de qualité de l’air intérieur. L’enjeu est donc de fournir une information cohérente en termes de qualité de l’air d’un point de vue de l’occupant de la pièce et des solutions d’optimisation d’action à mettre en place à l’échelle de l’ensemble des occupants du bâtiment.

Objectif :

L’objectif est de développer des méthodes de traitement de données innovantes associant les méthodes statistiques classiques et robustes de data mining et les méthodes mathématiques propres aux séries temporelles et au traitement du signal, pour comprendre la fluctuation des processus sous-jacents, et mieux les anticiper. Ces méthodes permettraient de 1) fournir une information pertinente en termes de qualité de l’air et 2) optimiser l’action à mettre en place pour réduire l’exposition des occupants. Ces solutions de traitement d’information et d’optimisation seraient ensuite traduites en algorithmes intégrables à des web-services. Les données collectées en temps réel dans un environnement tertiaire sur plusieurs années avec un pas de temps fin serviront de base à ce développement. La mise en pratique de ces solutions au sein d’une application web de collecte et traitement de l’information sera également étudiée.

Démarche :

La démarche consiste à développer une modélisation inverse à partir d’enregistrements de paramètres caractéristiques de la qualité de l’air intérieur et extérieur, des conditions climatiques intérieures et extérieures, des conditions d’usage (occupation et état des ouvrants), pour en extraire les informations pertinentes issues d’un ou plusieurs processus. Il s’agit notamment d’explorer les méthodes de séparation de sources basées sur la factorisation matricielle en intégrant des variables exogènes à la qualité de l’air. Les résultats obtenus seront analysés au regard de la caractérisation de la structure des données. La robustesse des méthodes permettra d’évaluer leur capacité de généralisation. L’analyse des typologies basées sur différentes classifications peut servir d’alternative pour mettre en évidence les situations caractéristiques. Les méthodes et paramétrages les plus appropriés seront sélectionnés pour automatiser la procédure d’analyse de l’information et recommander l’action à entreprendre la mieux adaptée.Résultats attendus :

Les solutions à développer dans le cadre de cette thèse seront axées sur le traitement de l’information en termes de qualité de l’air intérieur (QAI). Elles peuvent néanmoins représenter une base de développement pour le traitement d’autres types d’information telle que le confort. Les résultats de cette thèse permettront de 1) faire évoluer les méthodes vers le développement de web-services dédiés à la santé et au confort, 2) développer les méthodes d’optimisation nécessaires pour traiter les informations contradictoires en termes de qualité de l’air et de confort et 3) intégrer la dimension QAI dans le smart building.

Profil et compétences recherchés :

Le (la) candidat(e) possède idéalement des connaissances en statistiques et en particulier l’analyse multidimensionnelle des données, en factorisation matricielle, en analyses de séries temporelles appliquées à des données environnementales. Une expérience d’au moins un des logiciels suivants R, Matlab, Scilab ou Python est requise. Des compétences en programmation scientifique sont un plus.

Niveau académique :

BAC+5 (ingénieur ou M2)

Structure d’accueil :

La thèse de doctorat sera réalisée à Créteil (94) au laboratoire CERTES (Centre d’Etude et de Recherche en Thermique, Environnement et Systèmes EA 3481) de l’Université Paris-Est Créteil, en collaboration avec le CSTB (Centre Scientifique et Technique du Bâtiment).

Financement :

Thèse financée par l'Institut Carnot dans le cadre de l'accord entre le CERTES (Université Paris-Est Créteil) et le CSTB, Champs-sur-Marne.

Nom de l'établissement recruteur :

Université Paris-Est Créteil, Centre d'Etudes et de Recherche en Thermique, Environnement et Systèmes (CERTES) et le Centre Scientifique et Technique du Bâtiment (CSTB) Champs- sur-Marne.

Présentation de l'établissement recruteur :

La thèse se déroulera au laboratoire CERTES (Centre d'Etudes et de Recherche en Thermique, Environnement et Systèmes) EA 3481, de l'Université Paris-Est, Créteil, dans la thématique "Sources et Transferts des Aérocontaminants" (STA), dirigée par Dr. Anda IONESCU, en étroite collaboration avec le Centre Scientifique et Technique du Bâtiment (CSTB), Direction Santé Confort / Division Expologie - Observatoire de la qualité de l'air

intérieur- Dr. Olivier RAMALHO, Chef de projet Multi-expositions / Qualité de l'air intérieur. Le CERTES comporte une vingtaine d'enseignants-chercheurs permanents. Selon la dernière évaluation de l'AERES, son positionnement est "original sur deux thématiques spécifiques; Sources et Transferts des Aérocontaminants [...]". Les points forts de la thématique STA sont la Physique et la Métrologie des Aérosols, d'une part, et la modélisation inverse (analyse et traitement des données) appliquée à l'environnement (intérieur ou extérieur), d'autre part. Le doctorant travaillera dans le cadre de la partie modélisation inverse. Les mesures ont été effectuées par le CSTB et une première analyse a été réalisée dans le cadre de la thèse de R. Ouaret, soutenue en juillet 2016. 

 


 

Keywords

Indoor Air, Inverse Modelling, Time Series, Data Mining, Blind Source Separation, Multivariate Analysis, Latent Factors Decomposition, Classification, Deep Learning, Optimisation, Programming, Statistics, Signal Processing

The originality of this thesis consists in a novel application of the previously cited methods in the field of Indoor Air Quality, very few explored up to present.

Candidate’s profile and skills

The candidate should possess requisite knowledge and skills in Statistics and in particular methods such as Multivariate Analysis, Matrix Factorisation (Blind Source Separation or methods such as Positive Matrix Factorization) and Time Series Analysis, ideally with application to environmental data.

The candidate should be familiar with at least one of the following software: R, Matlab, Python. Skills in advanced scientific programing could be also very useful.

Academic Level: BAC+5 (Engineer or Master 2 Graduate) Contact:

To candidate, please send:

to:

Detailed description of the proposed subject

Scientific Issues:

The digital revolution is reshaping the building environment, where communication between materials and devices becomes possible with specific metadata integrated at the design stage of the building. Furthermore, lots of sensors and connected objects are available and with them the development of services dedicated to comfort improvement of occupants and their well-being. Meanwhile, the processing of these continuously collected data is still at its beginning and usually limited to simple data treatment.

However, to be able to provide reliable information on the comfort level and the air quality at a given moment in a given room, requires a multidimensional approach of the data provided by the sensors altogether, by taking into account their temporal evolution. Sometimes, the monitored indices such as formaldehyde (mostly generated by the sources inside the building) and the particulate matter (originating from sources which can be located both inside or outside the building) produce the risk of a contradictory information concerning the air quality. Thus, the challenge is to supply coherent information on air quality from the room occupant point of view and to propose optimal solutions to be implemented at the scale of the whole building occupants.

Objective:

The objective is to develop a novel approach of data processing combining both the classical and robust methods of data mining with the mathematical methods specific to time series analysis and to signal processing, in order to explain the fluctuations of the underlying processes and their causes, and thus, be able to better anticipate their consequences.

These methods should permit 1) to provide pertinent information in terms of air quality exposure and 2) to optimise the action to implement in order to reduce the occupants’ exposure. These solutions of information processing and action optimisation have to be translated in algorithms implemented in web-services. This approach will be developed using real-time data monitored in a tertiary environment during several years, with a high time resolution (one or several minutes).Approach:

The approach is based on inverse modelling based on the recordings of different parameters characterising indoor and outdoor air quality, climatic indoor and outdoor recordings and specific uses: human presence (occupation) and state of opening elements (opened or closed windows or doors), in order to extract the pertinent information of the underlying process(es). To do so, several tracks can be explored, namely the Blind Source Separation Methods (BSS) based on matrix factorization under constraints and using, in addition to air quality data, some exogenous variables having a potential impact on it. The obtained results will be analysed with regard to the data structure characteristics. According to the methods’ robustness, their generalisation capacity will be evaluated. The analysis of typologies obtained by different classification methods can be an alternative to highlight the clustering effects corresponding to the most representative situations. The most appropriate methods and parameters will be than selected in order to automate the procedure of information analysis and recommendation of the most suitable action.

Expected Results:

The solutions to be developed will be based essentially on the information processing concerning Indoor Air Quality. Nevertheless, they can represent a basis for the development in other final purposes, such as the comfort.

The results of this thesis will allow 1) to adapt these methods for web-services dedicated to health and comfort, 2) to develop optimisation methods necessary to process contradictory information on air quality or comfort and 3) to integrate the Indoor Air Quality dimension in the concept of Smart Building.

Keywords:

Indoor Air, Inverse Modelling, Time Series, Data Mining, Blind Source Separation, Multivariate Analysis, Latent Factors Decomposition, Classification, Deep Learning, Optimisation, Programming, Statistics, Signal Processing

Workplace and hosting team:

The PhD thesis will be located in Créteil, Val de Marne (Paris outskirts), France (F-94000), at the University of Paris-Est, Créteil), in the CERTES laboratory (Centre d’Etudes et de Recherche en Thermique, Environnement et Systèmes EA 3481- Centre of Study and Research in Thermic and Environmental Sciences and Systems) in the team “Indoor Air Quality-Sources and Transfer of Aerocontaminants” (Qualité de l’air intérieur-Sources et Transferts des Aérocontaminants) led by Dr. Anda IONESCU, in collaboration with the CSTB (Centre Scientifique et Technique du Bâtiment-Scientific and Technical Centre for Building), Champs sur Marne, France, and more specifically by Dr. Olivier Ramalho, Head of the Health and Comfort Department.

Financial Support:

The PhD thesis is supported by the Carnot Institute within the frame of the agreement between the CERTES laboratory (Université Paris-Est Créteil) and the CSTB, Champs-sur- Marne.

Candidate’s profile and skills:

The candidate should possess requisite knowledge and skills in Statistics and in particular in exploring methods such as Multivariate Analysis, Matrix Factorisation (Blind Source Separation or methods such as Positive Matrix Factorization) and Time Series Analysis, ideally with application to environmental data.The candidate should be familiar with at least one of the following software: R, Matlab, Python. Skills in advanced scientific programing could be also very useful.

Academic Level:

BAC+5 (Engineer or Master 2 Graduate)

Note : the PhD manuscript can be written in French or in English.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.