Toward industrial digital shadows and twins : a novel strategy to couple simulation and machine learning models, applied to the lumber industry
Contributions aux ombres et jumeaux numériques dans l’industrie : proposition d’une stratégie de couplage entre modèles de simulation et d’apprentissage automatique appliquée aux scieries
Résumé
This thesis is part of the ANR project Lorraine-Artificial Intelligence, a multi-disciplinary project promoting research into both artificial intelligence itself, and its applications to other fields. As such, this thesis focuses on the development and use of machine learning models as a substitute for simulation models. Interest in this research topic is fueled by academic and industrial interest in the concept of digital shadows and twins, seen as an evolution of simulation models for long-term use at the heart of systems and processes.
The main contribution of this thesis is the proposal of a coupling strategy between a simulation model and a surrogate model performing the same prediction task repeatedly on a data stream. The simulation model is assumed to have a high level of fidelity, but to be too slow or computationally expensive to be used alone to perform the full range of prediction required. The surrogate model is a fast machine-learning model that approximates the simulation model. The primary objective of the proposed coupling strategy is the efficient use of limited computational resources by intelligently allocating each prediction request to one of the two models. This allocation is, in particular, inspired by active learning and based on the evaluation of the level of confidence in the predictions of the machine learning model. Numerical experiments are first carried out on eight datasets from the scientific literature. An application to the sawmilling industry is then developed.
Ces travaux de thèses s'inscrivent dans le projet ANR Lorraine-Intelligence Artificielle qui se veut un projet multi-disciplinaire promouvant la recherche à la fois sur l'intelligence artificielle elle-même et sur ses applications à d'autres domaines de recherche. A ce titre, cette thèse s'intéresse au développement et à l'utilisation de modèles d'apprentissage automatique comme modèles de substitution a des modèles de simulation. L'intérêt pour ce sujet de recherche est, en particulier, porté par l'engouement des milieux académiques et industriel pour le concept d'ombres et jumeaux numériques, vus comme une évolution des modèles de simulation pour une utilisation pérenne au cœur des systèmes et des processus.
La contribution principale de ces travaux de thèse est la proposition d'une stratégie de couplage entre un modèle de simulation et un modèle de substitution réalisant une même tâche de prédiction de manière répétée sur un flux de données. Le modèle de simulation est supposé avoir un haut niveau de fidélité mais être trop lent ou coûteux en calcul pour être utilisé seul pour réaliser l'intégralité des prédictions requises. Le modèle de substitution est un modèle d'apprentissage automatique qui approxime le modèle de simulation. L'objectif premier de la stratégie de couplage proposée est l'utilisation efficiente des ressources en calcul limitées par l'allocation intelligente de chaque prédiction à effectuer à un des deux modèles. Cette allocation est, en particulier, inspirée de l'apprentissage actif et basée sur l'évaluation de niveaux de confiance dans les prédictions du modèle d'apprentissage automatique. Des expériences numériques sont d'abord menées sur huit jeux de données de la littérature scientifique. Une application à l'industrie du sciage est ensuite développée.
Origine : Fichiers produits par l'(les) auteur(s)