Validation des données issues des capteurs d'eaux usées à l'aide de l'intelligence artificielle
Langue Anglais
Accéder au document

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

 
Auteur : Zidaoui, Imane
Date de soutenance : 06-05-2024

Directeur(s) de thèse : 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 : Hydraulique urbaine
Classification : Sciences de l'ingénieur

Mots-clés libres : Assainissement, Intelligence artificielle, Capteurs, Séries temporelles, Validation, Anomalies, Matrix Profile, ResNet, Autoencodeur
Mots-clés :
  • Mécanique des fluides
  • Eaux usées
  • Intelligence artificielle
Résumé : La fiabilité des données dans la gestion des réseaux d'eaux usées est cruciale en raison des implications directes sur les opérations. Cependant, les approches actuelles de validation des données sont souvent coûteuses et/ou manquent d'objectivité. Cette thèse explore les avancées en intelligence artificielle pour instaurer une validation robuste. La mise en place d'un pôle de validation humaine montre que le F1 score moyen entre experts reste à 0.81, soulignant l'inévitable biais humain. Les modèles testés, à savoir Matrix Profile, ResNet et l'Autoencodeur, présentent des résultats prometteurs, avec un F1 score de 0.96 pour ce dernier, indiquant une capacité à détecter efficacement les séquences anormales dans les séries temporelles. Matrix Profile excelle en non-supervisé, idéal pour des sites à faible défaillance, tandis que ResNet se montre utile dans des contextes plus problématiques, pouvant justifier une phase de validation manuelle à priori. Ces conclusions ouvrent des perspectives pour une gestion améliorée des réseaux d'eaux usées, basée sur des données fiabilisées grâce à l'IA.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD006
Type de ressource : Thèse