• Langue : Anglais
• Discipline : Informatique, Automatique
• Identifiant : 2024ULILB028
• Type de thèse : Doctorat
• Date de soutenance : 04/10/2024

Résumé en langue originale

À notre époque de progrès technologique et de systèmes interconnectés, la complexité de la surveillance et du contrôle des systèmes dynamiques à grande échelle est devenue de plus en plus critique. Ces systèmes, caractérisés par leurs interactions étendues et leurs nombreux composants, couvrent divers domaines tels que la surveillance environnementale, les processus industriels et les systèmes biologiques. Malgré leur importance, la gestion de ces systèmes reste difficile en raison des dynamiques complexes et des impacts externes qu'ils rencontrent.Cette recherche se concentre sur le développement de méthodologies avancées pour la modélisation dynamique, la prédiction et l'optimisation des systèmes à grande échelle. L'approche proposée utilise des hypergraphes et une analyse historique basée sur les données pour représenter avec précision les interactions complexes au sein des Systèmes de Systèmes (SdS). En tirant parti de ces structures d'hypergraphes, nous améliorons les capacités prédictives des modèles en utilisant des techniques basées sur l'IA, permettant des prévisions précises des comportements futurs du système.Pour valider l'efficacité des modèles proposés, cette recherche les applique dans deux domaines importants. Premièrement, dans un système biologique de systèmes, où l'optimisation des performances du système dans des conditions environnementales variables est cruciale. Deuxièmement, dans la surveillance de la qualité de l'eau par le biais d'un réseau de stations fluviales de mesure, fournissant une quantité large de données pour l'évaluation et la gestion environnementales.De plus, l'optimisation à l'aide de modèles prédictifs est démontrée, mettant en évidence la capacité à améliorer l'efficacité et la fiabilité du système de système. Les modèles développés non seulement répondent aux défis des interactions dynamiques, mais offrent également des solutions pratiques pour des applications réelles.

Résumé traduit

In our era of technological advancement and interconnected systems, the complexity of monitoring and controlling large-scale dynamic systems has become increasingly critical. These systems, characterized by their extensive interactions and numerous components, span various domains such as environmental monitoring, industrial processes, and biological systems. Despite their significance, managing these systems remains challenging due to the intricate dynamics and external impacts they encounter.This research focuses on developing advanced methodologies for the dynamic modeling, prediction, and optimization of large-scale systems. The proposed approach employs hypergraphs and data-driven historical analysis to accurately represent the complex interactions within Systems of Systems (SoS). By leveraging these hypergraph structures, we enhance the predictive capabilities of the models using AI-based techniques, enabling precise forecasts of future system behaviors.To validate the effectiveness of the proposed models, this research applies them in two significant areas. Firstly, in a biological system of systems, where optimizing system performance under varying environmental conditions is crucial. Secondly, in monitoring water quality within river station systems, providing a robust framework for environmental assessment and management.Moreover, the optimization using predictive models is demonstrated, highlighting the ability to enhance system of systems efficiency and reliability. The developed models not only address the challenges of dynamic interactions but also offer practical solutions for real-world applications.