Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

17 octobre 2019

Thèse CIFRE à Ecole Centrale de Marseille, Institut Fresnel


Catégorie : Doctorant


Thèse de doctorat dans le cadre d'un contrat CIFRE à l’École Centrale de Marseille, l’Institut Fresnel, sur le thème de Digitalisation des réseaux d’assainissement dans un contexte de l'IoT industriel.

 

 

Cette thèse se déroulera en collaboration avec la société GreenCityZen située à Marseille et les acteurs majeurs du secteur économique concerné.

 

Contacts :

Ali KHALIGHI,

Institut Fresnel, École Centrale de Marseille, D.U. Saint-Jérôme, 13397 Marseille cedex 20

Ali.Khalighi@fresnel.fr

François HAMON,

GreenCityZen, 68 rue sainte 13001 Marseille

francois.hamon@greencityzen.fr

 

Mots clés : IoT industriel, analyse de données, détection d’anomalie, prédiction, modèles d’apprentissage, machine learning.

Compétences requises : Bases solides en traitement du signal ; programmation en Matlab, C et Python ; électronique analogique et numérique.

 

L’industriel financeur de la thèse travaille sur le sujet de la digitalisation du cycle de l’eau dans la ville. Cette collaboration a déjà permis le déploiement de projets pilotes sur les thématiques de la réduction déchets urbains rejetés vers le milieu marin ou bien la réduction des nuisances olfactives. Cette digitalisation passe par le déploiement de capteurs environnementaux ainsi que le déploiement d’une plateforme capable de collecter les données des capteurs, de les cartographier, de les traiter, et enfin, d’induire les tableaux de bord utiles aux décisions opérationnelles.

 

Les premiers cas d’usages concernent l’instrumentation du réseau d’eaux pluviales de la ville, avec des capteurs pour mesurer le volume de déchets qui s’y accumulent. D’autres capteurs mesurant les odeurs seront déployés également. Ces mesures environnementales seront enrichies par des appréciations humaines subjectives.

Le but de cette thèse est de développer des outils efficaces de traitement pour traiter en temps réel de grandes quantités de données collectées afin d’atteindre les objectifs suivants :

-Comprendre la dynamique du réseau ;

-Caractériser de nouveaux capteurs en termes de précision et de grandeurs d’influence ;

-Construire un modèle d’apprentissage capable de taguer les sites à risque dès la phase de déploiement ;

-Détecter les anomalies et les « points noirs » de formation récurrente des déchets avec du machine learning ;

-Proposer des solutions pour la gestion des métadonnées consultables par les opérateurs ;

-Prédiction de l’apparition des nuisances afin d’anticiper les opérations de maintenance ;

-Post-analyser et évaluer la qualité et l’efficacité de la solution proposée à partir de KPIs (Key Performance Indicator) partagés.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.