Apprentissage automatique et analyse de données à hautes performances pour la conception de chemins de fer de nouvelle génération.
Le projet MINERVE vise à créer un jumeau numérique de l'infrastructure ferroviaire française, qui permettra ensuite d'évaluer l'état du réseau et de prédire son évolution. Pour atteindre cet objectif, le projet nécessite une architecture robuste capable de collecter, stocker et analyser de grandes quantités de données provenant de sources diverses. Au cours de ma thèse, nous avons développé une architecture big data théorique adaptée aux objectifs de MINERVE, basée sur l'architecture du data lake en zone de Zaloni, conçue pour être implémentée sur le mésocentre Paris-Saclay, une plateforme de calcul haute performance. Nous avons ensuite utilisé cette architecture théorique pour implémenter deux cas d'utilisation qui soutiendraient le développement du jumeau numérique de MINERVE. Le premier cas d'utilisation est le développement d'un pipeline pour la segmentation sémantique de grands nuages de points ferroviaires, un travail nécessaire pour améliorer l'automatisation de la surveillance et de la maintenance de l'infrastructure ferroviaire. Le deuxième cas d'utilisation porte sur la génération d'ondes sismiques haute fréquence à partir d'ondes basse fréquence, une étape nécessaire à la création d'un jumeau numérique précis, car la capacité à détecter les tremblements de terre et autres événements sismiques est cruciale pour la sécurité et la fiabilité des opérations ferroviaires.
Composition du jury :
- Mme Lydia Boudjeloud-Assala, Professeure des universités, Laboratoire LORIA - Université de Lorraine, Rapporteur.
- M. Francisco Chinesta, Professeur des universités, Laboratoire PIMM - Arts et Métiers, Rapporteur
- M. Régis Cottereau, Chargé de recherche, Laboratoire de Mécanique et d’Acoustique - Centrale Marseille, Examinateur
- M. Stéphane Genaud, Professeur, Université de Strasbourg, Examinateur.
- Mme Wassila Ouerdane, Professeur des Universités, CentraleSupélec, Examinatrice.