HAL Portal Cnam (French National Conservatory for Arts and Crafts)
Not a member yet
31010 research outputs found
Sort by
Profit Versus Win Maximization in a League: A Paradox
No full textInternational audienceThe paper studies a very simple game‐theoretical model of sports competition such as the European football leagues. In this oligopoly‐type context, the Cournot‐Nash equilibrium reveals a paradoxical differentiation between clubs: those that include not only profit but also sporting performance in their objectives end up generating more profit than others who purely maximize profit
« On est à l’os » – Travail de la pénurie et mobilisation des instruments RH au ministère de l’Agriculture
No full textInternational audienceCet article s’intéresse aux reconfigurations de l’action publique dans l’inspection et la surveillance des denrées d’origine animale en France, mise en œuvre par le ministère de l’Agriculture. Dans la lignée des travaux qui réactivent l’héritage wébérien et la sociologie américaine comme française des organisations, les administrations modernisées y sont saisies comme des formes de rationalisation certes renouvelées mais belles et bien bureaucratiques. Le champ d’action publique ainsi étudié offre alors une forme de paradoxe. Le « nouveau phénomène bureaucratique », articulé avec des procédures de réduction des moyens, rend les administrations dépendantes de la ressource humaine. La mécanique de répartition des ressources en personnel prend une ampleur majeure dans l’activité quotidienne des services. Les différentes directions déconcentrées consacrent une part importante de leurs ressources à glaner le moindre support de poste
Génération de jeux de données pour entraîner un classificateur de sécurité de réseau électrique intelligent de basse tension
No full textInternational audienceLa simulation du pilotage de ressources flexibles distribuées dans les réseaux électriques de basse tension nécessite des outils rapides et fiables pour l'étude de la sécurité de ces réseauxvérifier si les limites (ex : en tension, en courant) du réseau sont respectées. Cette communication décrit les performances de trois types de modèles de classification basés sur les données pour vérifier si l'état opérationnel d'un réseau peut être considéré comme "sûr" ou "non sûr". Le but de ces méthodes est de réduire l'effort computationnel par rapport aux outils classiques d'écoulement de puissance (power flow). Cinq stratégies de génération de données sont proposées pour l'entraînement de ces modèles, ensuite testés avec des scénarios réalistes. Nos résultats montrent que les modèles de type réseaux de neurones ont des performances acceptables à coût de calcul réduit. Notre étude souligne l'importance de produire des jeux de données synthétiques qui visent à une meilleure généralisation en inférence, avec des tailles de jeux de données réduites pour l'entraînement
Experimental study of the influence of the channel geometry of regenerative pumps on their internal flow
No full textInternational audienceRegenerative pumps are capable of generating high pressures at relatively low flow rates. This advantage is particularly useful for electric vehicle cooling systems or for cleaning systems of autonomous vehicle sensors. However, their nominal efficiency is limited. The objective of this study is to better understand the influence of the pump channel geometry on the internal flow of regenerative pumps. A prototype of a regenerative pump with a variable channel geometry was designed and manufactured. The height and the width of the channel are varied but the open channel area is conserved to keep similar flowrates between the different configurations. It is also possible to change the mechanical clearances between the housing and the impeller and between the stripper and the impeller to study their effect on the internal leakages of the pump. Measurements of the hydrodynamic characteristics, including pressure vs. flow rate and efficiency vs flowrate, will be conducted. This study will provide a better understanding of the performance control parameters of this type of machine. These experimental results will be compared to analytical results from 1D models of the literature
High-precision cable force identification in bridges: a data-driven approach integrating digital twins and transfer learning
No full textInternational audienceThis paper proposes a novel data-driven framework for accurate cable force monitoring in bridges, which is crucial for ensuring structural integrity and extending service life. Leveraging the power of Digital Twins (DT), a comprehensive dataset of numerical cable models is generated. This synthetic data is used to pre-train a backpropagation (BP) neural network, providing a robust foundation. Subsequently, Transfer Learning (TL) is employed to refine the pre-trained model using limited real-world cable force data. This hybrid approach significantly enhances prediction accuracy, achieving consistently low errors-below 4% for short cables and 2% for long cables. Numerical examples demonstrate the effectiveness of the proposed framework, highlighting its potential for reliable and cost-effective cable force identification in real-world bridge applications.</div
Apprentissage par renforcement pour la personnalisation de l’UX dans les Écosystèmes d’Affaires Numériques
No full textInternational audienc
Gestion de la Qualité des Données Contextuelles dans les Cadres d'Architecture d'Entreprise
No full textInternational audienceIn the era where data-driven decision-making is essential, maintaining high data quality and robust data management practices within Enterprise Architecture (EA) is a priority, where EA serves as a blueprint that integrates data quality and data management into organizational processes. In our thesis we aim to improve data quality within EA layers using Machine Learning. Embedding Machine Learning into EA components enhances data quality, automates data management processes, and provides predictive insights, optimizing decision making and aligning data governance with organizational objectives. Our research is focused on a real estate organization where the implementation and maintenance of optimal data quality and effective data management practices present significant challenges.À l'ère où la prise de décision basée sur les données est essentielle, le maintien d'une qualité élevée des données et de pratiques de gestion des données robustes au sein de l'architecture d'entreprise (AE) est une priorité où l'AE sert de modèle qui intègre la qualité et la gestion des données dans les processus et systèmes organisationnels. Dans cette thèse, nous visons à améliorer la qualité de la gestion des données au sein des couches EA en utilisant l'apprentissage automatique. L'intégration de l'apprentissage automatique dans les composants d'architecture d'entreprise améliore la qualité des données, automatise les processus de gestion des données, et fournit des informations prédictives optimisant ainsi la prise de décision et alignant la gouvernance des données sur les objectifs organisationnels. Notre recherche est centrée sur une organisation immobilière où la mise en oeuvre et le maintien d'une qualité de données optimale et de pratiques efficaces de gestion des données présentent un intérêt significatif
Démocratiser la gouvernance des entreprises ? Les administrateur·trices salarié·es en France
No full textInternational audienceObligatoire depuis 2013 dans toutes les grandes entreprises françaises, la représentation des salarié·es au conseil d'administration a pour objectif de permettre aux salarié·es de prendre part à l'élaboration des décisions stratégiques de l'entreprise. Elle peut, de ce fait, apparaître comme un levier de démocratisation des organisations.À partir de données quantitatives et d'entretiens, ce numéro de Connaissance de l’emploi interroge la capacité des représentant·es des salarié·es à peser sur les orientations stratégiques de leur entreprise. Il montre que, malgré les ressources dont disposent les administrateur·trices salarié·es, le pouvoir de ces dernier·ères dans l'instance reste limité, en raison des règles de fonctionnement du conseil d'administration et de la division du travail qui s'instaure entre administrateur·trices salarié·es et administrateur·trices représentant les actionnaires
Quantized Object Detection for Real-Time Inference on Embedded GPU Architectures
No full textInternational audienceDeploying deep learning-based object detection models like YOLOv4 on resource-constrained embedded architectures presents several challenges, particularly regarding computing performance, memory usage, and energy consumption. This study examines the quantization of the YOLOv4 model to facilitate real-time inference on lightweight edge devices, focusing on NVIDIA’s Jetson Nano and AGX. We utilize post-training quantization techniques to reduce both model size and computational complexity, all while striving to maintain acceptable detection accuracy. Experimental results indicate that an 8-bit quantized YOLOv4 model can achieve near real-time performance with minimal accuracy loss. This makes it well-suited for embedded applications such as autonomous navigation. Additionally, this research highlights the trade-offs between model compression and detection performance, proposing an optimization method tailored to the hardware constraints of embedded architectures