Estimation de la dispersion des polluants atmosphériques à l'échelle du quartier à l'aide de capteurs, des modèles numériques et d'apprentissage profond
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse soumise à l'embargo de l'auteur jusqu'au 17/12/2022 (communication intranet).
 
Auteur : Jurado, Xavier
Date de soutenance : 17-12-2021

Directeur(s) de thèse : Wemmert, Cédric - Vazquez, José

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Apprentissage profond, Réseaux neuronaux convolutifs, Dynamique des fluides numériques, Extraction de données, Qualité de l'air, analyse des données de capteurs, Environnement urbain
Mots-clés :
  • Réseaux neuronaux (informatique)
  • Apprentissage profond
  • Modélisation CFD
  • Polluants atmosphériques - Mesure
Résumé : La présente thèse est à la croisée de quatre domaines, la mécanique des fluides numériques (CFD), le data mining, le deep learning et la qualité de l'air. L'objectif de la thèse est d'évaluer l'exposition des habitants aux polluants atmosphériques en utilisant les récentes avancées en intelligence artificielle. La thèse s'articule autour des différentes échelles de temps demandées par la réglementation, allant de l'annuel au temps réel. Pour ce faire, des approches innovantes pour évaluer les concentrations annuelles moyennes ont été développées pour les outils de modélisation ainsi que pour les capteurs de pollution de l'air. Pour la modélisation, une méthodologie statistique basée sur les fréquences des roses des vents associées à un organigramme permettant de déterminer l'erreur numérique due à la discrétisation a été proposée. Pour les capteurs, des données provenant de toute la France ont été analysées pour établir la relation entre les concentrations mensuelles mesurées et les concentrations annuelles pour les particules fines et les oxydes d'azote. Pour déterminer l'exposition à la pollution en temps réel, un système prenant en compte le trafic, la météorologie et la disposition des bâtiments a été créé avec en son cœur un modèle d'apprentissage profond. Le système s'articule autour d'un modèle d'apprentissage profond. Ce modèle, multi ResUnet, a été choisi après comparaison avec d'autres modèles convolutifs classiques de l'état de l'art et optimisé pour la problématique de la dispersion de polluant.Pour l'entraîner, des exemples issus de la CFD ont été générés efficacement en suivant des principes développés dans cette thèse. Le système a ensuite été appliqué sur un quartier réel de 1km2 avec des données de trafic réels et comparé à la CFD. Il a réussi à obtenir de bonnes performances sur les mesures classiques de la qualité de l'air et à atteindre un score de similarité J3D de 62%
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD029
Type de ressource : Thèse