Home » Thèses

Thèses soutenues 2024



  Ramiz Gindullin, Apprentissage de modèles à contraintes concis à partir de données sans erreurs : études sur l’acquisition d’équations arithmétiques booléennes et de modèles d’ordonnancement à court terme
Apprentissage de modèles à contraintes concis à partir de données sans erreurs : études sur l’acquisition d’équations arithmétiques booléennes et de modèles d’ordonnancement à court terme
Auteur : Ramiz Gindullin
Manuscript :


Mots-clés : Programmation par contraintesAcquisition de modelesLimites nettes
Résumé

Utilisant la programmation logique par contrainte, l'objectif de cette thèse est de développer plusieurs techniques d'acquisition de contraintes pour les situations où nous disposons de données sans erreur. De telles situations rendent la majorité des techniques de ML inutilisables et de nouvelles approches sont nécessaires. Les techniques d'acquisition de contraintes proposées sont appliquées à deux cas d'utilisation : la recherche de nouvelles conjectures de limites fortes pour huit objets combinatoires et l'acquisition de contraintes à partir d'un calendrier de production à court terme unique et valide. Les contributions de la thèse comprennent (i) un modèle de contrainte pour acquérir des expressions booléennes-arithmétiques à partir de données, (ii) une base de données générée automatiquement de contraintes anti-réécriture qui empêchent la génération d'équations booléennes-arithmétiques simplifiables, (iii) un certain nombre de techniques de synthèse de formules qui peuvent acquérir une formule unique combinant plusieurs biais d'apprentissage, (iv) l'acquisition d'une variété de contraintes d'ordonnancement telles que les contraintes temporelles, de ressources, de calendrier et d'équipes, et dans ce dernier cas (v) la génération d'un modèle d'ordonnancement MiniZinc.


Date de soutenance : 25-03-2024
Président du jury : Nicolas Beldiceanu
Jury :
  • François Clautiaux [Président]
  • Nadjib Lazaar [Rapporteur]
  • Jean-Charles Régin [Rapporteur]

  Adrien Gauché, Stratégies d'optimisation à l'aide d'un contrôle par commande prédictive de microréseaux avec stockage d'énergie hybride batteries/hydrogène
Stratégies d'optimisation à l'aide d'un contrôle par commande prédictive de microréseaux avec stockage d'énergie hybride batteries/hydrogène
Auteur : Adrien Gauché
Manuscript :


Mots-clés : Planification des stockagesGestion de l’énergieEngagement des unitésMicroréseau électriqueStockage hydrogèneRéseau îlotéÉnergies renouvelablesGénération solaire
Résumé

Cette thèse propose d’améliorer le contrôle prédictif des microréseaux avec générations renouvelables et stockage hybridebatterie-hydrogène. L’objectif est de trouver une planification des stockages applicable à toutes les stations PowiDian, en dépassant les limitations de l’optimiseur actuel. La première contribution est une formulation générique de microréseaux avec stockage. Ensuite, des optimiseurs "boîte noire" sont intégrés et comparés dans l’Energy Management System (EMS) pour planifier la puissance de l’électrolyseur et de la pile à combustible sur l’horizon d’une journée. La formulation et ses différents optimiseurs sont évalués avec des données réelles sur une année entière. La seconde contribution montre que le choix du meilleur optimiseur repose sur la charge de calcul, car la pertinence de la commande et le coût évalué de la fonction objectif sont similaires quel que soit l’optimiseur. Enfin, la thèse propose une formulation linéaire en nombres entiers d’Unit Commitment issu des grands réseaux électriques adaptée au stockage hydrogène. L’objectif est de garantir l’optimalité, de réduire la complexité de calcul et d’intégrer des méthodes classiques (gestion de l’incertain, temps de fonctionnement...).


Date de soutenance : 06-03-2024
Président du jury : Malek Ghanes
Jury :
  • Hervé Guéguen [Président]
  • Nezha Maamri-Trigeassou [Rapporteur]
  • Maurice Fadel [Rapporteur]
  • David Morin

  Elmokhtar Mohamed Moussa, Conversion d’écriture hors-ligne en écriture en-ligne et réseaux de neurones profonds
Conversion d’écriture hors-ligne en écriture en-ligne et réseaux de neurones profonds
Auteur : Elmokhtar Mohamed Moussa
Manuscript :


Mots-clés : Écriture manuscriteCNNTransformer
Résumé

Cette thèse se focalise sur la conversion d’images statiques d’écriture hors- ligne en signaux temporels d’écriture en-ligne. L’objectif est d’étendre l’approche à réseau de neurone au-delà des images de lettres isolées ainsi que de les généraliser à d’autres types de contenus plus complexes. La thèse explore deux approches neuronales distinctes, la première approche est un réseau de neurones convolutif entièrement convolutif multitâche UNet basé sur la méthode de [ZYT18]. Cette approche a démontré des bons résultats de squelettisation mais en revanche une extraction de trait problé- matique. En raison des limitations de modélisation temporelle intrinsèque à l’architecture CNN. La deuxième approche s’appuie sur le modèle de squelettisation précédent pour ex- traire les sous-traits et propose une modélisation au niveau sous-traits avec deux Tranformers : un encodeur de sous-trait (SET) et un décodeur pour ordonner les sous-traits (SORT) à l’aide de leur vecteur descripteur ainsi que la prédiction de lever de stylo. Cette approche surpasse l’état de l’art sur les bases de données de mots, phrases et d’équations mathématiques et a permis de surmonter plusieurs limitations relevées dans la littérature. Ces avancées ont permis d’étendre la portée de la conversion d’image d’écriture hors- ligne vers l’écriture en-ligne pour inclure des phrases entières de texte et d’aborder un type de contenu complexe tel que les équations mathématiques


Date de soutenance : 16-01-2024
Président du jury : Harold Mouchère
Jury :
  • Éric Anquetil [Rapporteur]
  • Laurence Likforman-Sulem [Rapporteur]
  • Andreas Fischer
  • Clément Chatelain

Copyright : LS2N 2017 - Mentions Légales - 
 -