HAL Portal UTC Université de Technologie de Compiègne
Not a member yet
11652 research outputs found
Sort by
Comparative Study of Single-stranded Oligonucleotides Secondary Structure Prediction Tools
No full textInternational audienceBackground: Single-stranded nucleic acids (ssNAs) have important biological roles and a high biotechnological potential linked to their ability to bind to numerous molecular targets. This depends on the different spatial conformations they can assume. The first level of ssNAs spatial organisation corresponds to their base pairs pattern, i.e. their secondary structure. Many computational tools have been developed to predict the ssNAs secondary structures, making the choice of the appropriate tool difficult, and an up-to-date guide on the limits and applicability of current secondary structure prediction tools is missing. Therefore, we performed a comparative study of the performances of 9 freely available tools (mfold, RNAfold, CentroidFold, CONTRAfold, MC-Fold, LinearFold, UFold, SPOT-RNA, and MXfold2) on a dataset of 538 ssNAs with known experimental secondary structure. Results: The minimum free energy-based tools, namely mfold and RNAfold, and some tools based on artificial intelligence, namely CONTRAfold and MXfold2, provided the best results, with ∼ 50% of exact predictions, whilst MC-fold seemed to be the worst performing tool, with only ∼ 11% of exact predictions. In addition, UFold and SPOT-RNA are the only options for pseudoknots prediction. Including in the analysis of mfold and RNAfold results 5-10 suboptimal solutions further improved the performances of these tools. Nevertheless, we could observe issues in predicting particular motifs, such as multiple-ways junctions and mini-dumbbells, or the ssNAs whose structure has been determined in complex with a protein. In addition, our benchmark shows that some effort has to be paid for ssDNA secondary structure predictions. Conclusions: In general, Mfold, RNAfold, and MXfold2 seem to currently be the best choice for the ssNAs secondary structure prediction, although they still show some limits linked to specific structural motifs. Nevertheless, actual trends suggest that artificial intelligence has a high potential to overcome these remaining issues, for example the recently developed UFold and SPOT-RNA have a high success rate in predicting pseudoknots
First analysis of dural fibroblasts and stem cells monoculture on electrospun scaffolds with different compositions for meningeal tissue engineering
No full textInternational audienceObjectives: Dura mater is the most external meninge, a half-rigid membrane located between central nervous system and bone tissues. Upon injury, complications are frequent because of its inefficient regeneration and scar tissue formation. Dural tissue engineering could lead to better understanding of this interface and help developing an in vitro model and innovative implantable scaffolds as artificial dura. Our goal is to develop a multiphasic biomaterial mimicking the dura mater thanks to electrospun scaffolds cultured with stem cells and/or dural fibroblasts. We present here the results of the impact of different scaffold’s compositions on the adhesion, proliferation, and viability of both cell types.Methods: Primary human dural fibroblasts (HDuF) and immortalized adipose-derived stem cells (ASC52telo) were each monocultured in their respective media for 1 week on 3 electrospun scaffolds: 12% pure PCL (polycaprolactone), 12% PCL/Silk Fibroin and 12% PCL/Hydroxyapatite. For each condition, two fiber orientation were tested: random and aligned. Metabolic activity (Alamar Blue) was measured at day 1, 4 and 7 and cell viability (MTS, Live/Dead) at day 7. ALP staining was performed at day 7 on the ASC52telo for a first insight on osteogenesis.Results: The ASC52telo attached and proliferated on every scaffold with no significant difference regarding cell viability. As expected, ALP staining showed that the presence of hydroxyapatite in the scaffold initiated an early osteoblast differentiation compared to the other conditions. On the contrary, the HDuf attached and proliferated significatively better on the scaffold with silk fibroin than the others.Conclusion: From these results we have determined that 12%PCL/Hydroxyapatite and 12%PCL/Silk fibroin could be optimal for the culture of ASCs and HDuf, respectively. The cell functionality at longer term needs now to be assessed further, for each cell type and in co-culture. The impact of fiber orientation will also be analyzed more closely
Contrôle dynamique de la tension et de la difficulté pour l’entraînement à la gestion du stress en situations de crise en environnement virtuel
No full textCrisis situations are complex socio-technical situations that have experienced abrupt changes in their functioning. They can arise in various circumstances. We focus on humanitarian crisis situations and civil-military actions. These situations represent significant societal challenges due to their increasing occurrence in recent years. They require that the operators working to resolve them are well-trained. We are particularly interested in the operators’ skills in managing their stress. Poor stress management among operators is one of the main causes of failures in crisis operations. However, traditional crisis situation training poses significant constraints. That’s why we are interested in adapting these trainings to virtual environments, one advantage of which is the ability to provide a mobile solution for personalized training and dynamic monitoring of the operator’s skill development. We propose a two-module approach. The first module is responsible for creating and managing the operator’s profile, representing their ability to manage stress in a range of training situations to address the uncertainties associated with stress detection. The second module dynamically creates all training scenarios based on multiple narrative theories and the operator’s profile, offering a training experience tailored to their abilities.Les situations de crise sont des situations socio-techniques complexes ayant connu des changements brutaux dans leur fonctionnement. Elles peuvent survenir dans de nombreuses circonstances et dans des domaines très variés. Nous nous intéressons aux situations de crise humanitaires et aux actions civilo-militaires, comme les situations de protection de la population lors de catastrophes naturelles ou de crises sanitaires, ou encore les conflits armés.Ces situations représentent d’importants enjeux sociétaux en raison de leur multiplication ces dernières années. Elles nécessitent que les opérateurs qui œuvrent à les résoudre soient bien formés. Nous nous intéressons notamment aux compétences des opérateurs à gérer leur stress, une compétence fondamentale dans ce genre d’opération. Une mauvaise gestion du stress des opérateurs est l’une des principales causes des échecs des opérations en situation de crise. Cependant, les entraînements classiques aux situations de crise soulèvent d’importantes contraintes économiques. C’est pourquoi nous nous intéressons particulièrement à la transposition de ces entraînements dans des environnements virtuels, dont l’un des principaux avantages est de pouvoir proposer une solution mobile et peu coûteuse pour effectuer des entraînements personnalisés et un suivi dynamique de l’évolution des compétences de l’opérateur. Dans ce contexte, nous proposons une approche en deux modules. Un premier module est en charge de l’ensemble de la création et de la gestion du profil de l’opérateur représentant ses capacités à gérer son stress dans un ensemble non défini de situations d’entraînement s’appuyant sur les masses de croyances transférables afin de gérer l’ensemble des incertitudes liées à la détection du stress. Un second module est en charge de créer dynamiquement l’ensemble des scénarios de formation en s’appuyant sur plusieurs théories narratives et sur le profil de l’opérateur afin de proposer une expérience d’entraînement en adéquation avec ses capacités
Vers un paradigme axé sur les données pour la caractérisation de l’anisotropie plastique à l’aide de l’Analyse en Composantes Principales et l’apprentissage par variété
No full textThe anisotropic plastic response of a material is deeply influenced by its initial crystallographic texture and subsequent evolutions thereof during the process of mechanical deformation. Conventional macroscopic phenomenological modeling approaches ignore very important texture-related data, such as pole figures. On the other end of the spectrum, so-called physicsbased micro-mechanical models based on crystal plasticity, which have been touted as optimal, are expectedly computationally intensive and time-consuming, rendering their widespread use unrealistic. In this thesis, we present a novel data-driven paradigm for directly linking mechanical behavior with crystallographic texture, calling upon recent developments in model reduction and machine learning. By leveraging dimensonality reduction and manifold learning techniques, we aim to bridge the gap between macroscopic phenomenological models and micro-mechanical simulations, and present a time-efficient and accurate method for understanding and predicting the anisotropic plastic behavior of a given alloy. The approach relies on the construction of a dataset of textures, represented by orientation distribution functions (odf), encompassing a wide range of texture-dependent plastic behavior during the ”learning phase”, yielding a series of snapshots. The next step involves dimensionality reduction of the snapshots using Principal Components Analysis (PCA), followed by manifold learning to obtain the feature space of admissible textures for a given problem and given alloy. Another important contribution of this work involves the extended Euler Angle PCA (eEA-PCA), where we modify the traditional PCA to render it capable of handling the angular data found in crystallographic texture data. The texture/odf can then be directly linked to the micro-mechanical crystal plasticity parameters, and/or to the macroscopic mechanical behavior. This would essentially allow us to extract intrinsic patterns and relationships from experimental or simulation-based data sets that include both the macroscopic mechanical response as well as crystallographic texture data. Such a ”model-free” approach would bridge the gap between macroscopic phenomenological models and micro-mechanical simulations, eventually circumventing the need for computationally prohibitive explicit micro-mechanical simulations. It would enable a quantitative understanding of the complex relationship between crystallographic texture and mechanical behavior, without the need for detailed microstructure simulations. It would also enable rapid characterization and prediction of anisotropic plastic behavior in real-world materials, facilitating the design and optimization of materials with desired mechanical properties.La réponse plastique anisotrope d'un matériau est profondément influencée par sa texture cristallographique initiale et ses évolutions ultérieures lors du processus de déformation mécanique. Les approches de modélisation phénoménologique macroscopique conventionnelles ignorent des données très importantes liées à la texture, telles que les figures de pôles. D'autre part, les modèles micro-mécaniques dits basés sur la plasticité cristalline, qui ont été présentés comme optimaux, sont de nature computationnelle intensive et chronophages, rendant leur utilisation généralisée irréaliste. Dans cette thèse, nous présentons un nouveau paradigme axé sur les données pour relier directement le comportement mécanique à la texture cristallographique, en s'appuyant sur les développements récents en réduction de modèle et en apprentissage automatique. En utilisant des techniques de réduction de dimensionnalité et d'apprentissage des variétés, notre objectif est de combler le fossé entre les modèles phénoménologiques macroscopiques et les simulations micro-mécaniques, et de présenter une méthode efficace et précise pour comprendre et prédire le comportement plastique anisotrope d'un alliage donné. L'approche repose sur la construction d'un ensemble de données de textures, représentées par des fonctions de distribution d'orientation (ODF), englobant un large éventail de comportements plastiques dépendant de la texture pendant la "phase d'apprentissage", produisant une série d'instantanés. La prochaine étape implique la réduction de dimensionnalité des instantanés en utilisant l'Analyse en Composantes Principales (ACP), suivie de l'apprentissage des variétés pour obtenir l'espace des caractéristiques des textures admissibles pour un problème donné et un alliage donné. Une autre contribution importante de ce travail concerne l'ACP des angles d'Euler étendue (eEA-PCA), où nous modifions l'ACP traditionnelle pour la rendre capable de manipuler les données angulaires trouvées dans les données de texture cristallographique. La texture/ODF peut ensuite être directement liée aux paramètres de plasticité cristalline micro-mécanique et/ou au comportement mécanique macroscopique. Cela nous permettrait essentiellement d'extraire des motifs et des relations intrinsèques à partir de jeux de données expérimentaux ou de simulation comprenant à la fois la réponse mécanique macroscopique et les données de texture cristallographique. Une telle approche "sans modèle" permettrait de combler le fossé entre les modèles phénoménologiques macroscopiques et les simulations micro-mécaniques, contournant finalement le besoin de simulations micro-mécaniques explicites coûteuses en calcul. Elle permettrait une compréhension quantitative de la relation complexe entre la texture cristallographique et le comportement mécanique, sans nécessiter de simulations détaillées de la microstructure. Elle permettrait également une caractérisation et une prédiction rapides du comportement plastique anisotrope dans les matériaux du monde réel, facilitant la conception et l'optimisation de matériaux aux propriétés mécaniques souhaitées
Contribution à l'internet des objets vert
No full textThe Internet of Things (IoT) is a rapidly growing field that has the potential to revolutionize the way we live and work. However, each evolution is accompanied by its share of challenges. One of the primary challenges facing the IoT is the critical energy consumption of IoT networks. Therefore, it is of paramount importance to minimize the energy consumption within IoT networks in order to extend the lifetime and reduce their environmental impact.Green IoT involves the development and deployment of software and hardware solutions that are designed to minimize the environmental impact and promote the sustainability of IoT. This area has received increasing attention in recent years from both the industry and academia. In the first part of this thesis, we present our first contribution to the Green IoT. We provide a deep study and analysis of the most recent approaches in this field as well as discussions and recommendations on the combination of these approaches with the major IoT applications. In the second part of this thesis, we present our contributions to Green IoT through mobility-based data collection. Mobility-based data collection refers to employing moving platforms, such as cars, buses, and drones, to collect data from IoT devices. While most of the related works usually rely on static trajectory planning approaches and assume that the mobile platform has complete knowledge of the environment. In this thesis, we focused on achieving an intelligent, energy-efficient, and adaptive trajectory planning for a the mobile platform in a dynamic environment where little prior information is available (no previous data set). The environment is also subject to changes (cluster mobility, etc). To achieve this goal, we propose novel trajectory planning approaches based on deep reinforcement learning where the mobile platform learns from experience without the need for a previous data set and adapts its trajectory to the changes in the environment in order to maximize the amount of collected data and minimize its energy consumption.L’Internet des objets (IoT) est un domaine en pleine expansion qui a le potentiel de révolutionner notre façon de vivre et de travailler. Cependant, chaque évolution s’accompagne de son lot de défis. Pour l’IoT, le principal défi est l’énergie et la manière de minimiser sa consommation d’énergie afin d’étendre la durée de vie et de réduire l’impact environnemental des réseaux IoT. Dans la première partie de cette thèse, nous étudierons un domaine de l’IoT qui a reçu une attention croissante ces dernières années, à savoir le Green IoT. Ce domaine implique le développement et le déploiement de solutions logicielles et matérielles conçues pour minimiser l’impact environnemental et promouvoir la durabilité de l’IoT. Dans la deuxième partie de cette thèse, nous présentons une façon de réaliser le Green IoT qui est la collecte de données basée sur la mobilité. Notre contribution est une solution basée des stations mobiles, telles que des voitures, des bus et des drones, pour collecter des données à partir de dispositifs IoT. Afin de réduire la consommation énergétique globale de ces réseaux, la collecte de données basée sur la mobilité utilise généralement des approches de planification de trajectoire statiques pour la plateforme mobile et ce, dans un environnement bien défini. Cependant, dans cette thèse, nous nous sommes concentrés sur la réalisation d’une planification de trajectoire intelligente, économe en énergie et adaptative pour une plateforme mobile en utilisant l’approche d’apprentissage par renforcement profond. En effet, la plateforme mobile devra apprendre et construire sa trajectoire à partir de son expérience sans avoir besoin d’un ensemble de données précédemment collecté et adapter cette trajectoire aux changements de l’environnement
Classifieurs prudents explicables
No full textMachine learning classifiers have achieved impressive success in a wide range of domains such as natural language processing, image recognition, medical diagnosis, and financial risk assessment. Despite their remarkable accomplishments, their application to real-world problems still entails challenges. Traditional classifiers make precise decisions based on estimated posterior probabilities; this becomes problematic when dealing with limited data and in complex, uncertain scenarios where making erroneous decisions is costly. As alternatives, cautious classifiers, also known as imprecise classifiers, provide subsets of classes as predictions. We propose in this thesis a cautious classifier called cautious random forest, within the framework of belief functions. It combines imprecise decision trees constructed by the imprecise Dirichlet model and aims at achieving a better compromise between the accuracy and the cautiousness of predictions. Cautious random forests can be regarded as generalizations of classical random forests, where the usual aggregation strategies (averaging and voting) are replaced with a cautious counterpart. However, making imprecise predictions has a cost, since indeterminacy must be resolved via further analysis. Therefore, it seems crucial to understand what led to an indeterminate prediction, and what could be done to turn it into a determinate one. To address this problem, we propose in this thesis a framework for providing explanations so as to discover which features contribute the most to improving the determinacy of the cautious classifier and how we can modify the feature values soas to achieve a determinate prediction (counterfactual explanations).L’apprentissage automatique a connu un succès impressionnant dans des domaines variés comme le traitement du langage naturel, la reconnaissance d’images, ou le diagnostic médical. Malgré ces résultats remarquables, son application à certains problèmes réels soulève encore des questions. Les classifieurs traditionnels choisissent une classe unique parmi un ensemble de classes possibles (prédiction déterminée), en se basant sur une estimation ponctuelle des probabilités des classes. Cette stratégie peut être problématique lorsque les données sont limitées et dans des scénarios complexes dans lesquels les décisions erronées sont coûteuses. Comme alternative, les classifieurs prudents (classifieurs imprécis) fournissent des sous-ensembles de classes comme prédictions. Nous avons proposé dans cette thèse un classifieur prudent appelé forêt aléatoire prudent développé dans le cadre des fonctions de croyance. Il combine des arbres de décision imprécis construits grâce au modèle de Dirichlet imprécis et vise à atteindre un meilleur compromis entre la précision et la prudence des prédictions. Les forêts aléatoires prudentes peuvent être considérées comme des généralisations des forêts aléatoires classiques, où les stratégies d’agrégation habituelles (calcul de la moyenne et vote) sont remplacées par leurs équivalentes prudentes. Cependant, faire des prédictions indéterminées a un coût puisque l’indétermination doit être résolue par une analyse plus approfondie. Il semble donc essentiel de comprendre ce qui a conduit à une prédiction indéterminée et ce qui pourrait être fait pour la transformer en une prédiction déterminée. Pour résoudre ce problème, nous avons proposé dans cette thèse un cadre permettant de comprendre d’où provient l’imprécision dans les sorties de notre modèle. En particulier, nous avons proposé l’utilisation d’explications contrefactuelles pour les classifieurs prudents à déterminer comment modifier les entrées du classifieurs pour obtenir une sortie déterminée
Dynamic and real-time continuous look-ahead distance for autonomous vehicles: an explicit formulation
No full textInternational audienceThe advent of autonomous vehicles has brought about significant advancements in transportation technology, promising safer and more efficient means of travel. However, their full integration into society depends on the accuracy of path-tracking realised by a lateral controller. Lateral control is achieved by regulating the steering angle to minimise the lateral error between the vehicle and a target point at a look-ahead distance on the reference path. This paper investigates the look-ahead distance as it is considered a key parameter that impacts vehicle performance, stability, and energy consumption. A qualitative analysis is performed to deduct a set of rules to adapt the look-ahead distance to three parameters: vehicle velocity, road curvature, and road adherence. Then, an original explicit mathematical formulation is developed for the look-ahead distance as a function of the considered parameters. A fuzzy logic decision for the look-ahead distance is further established and compared with the formulated one. Both approaches are implemented on a look-ahead distance-based lateral controller based on the super-twisting sliding mode control. Simulation results carried out in a joint simulation between Simulink/MatLab and SCANeRTMTM Studio vehicle dynamics simulator demonstrate the effectiveness of the developed model on vehicle performance, stability, computational efficiency, and energy consumption
Procédé de détection d'une limite d'une voie de circulation
No full textProcédé de détection d'une limite d'une voie de circulation Procédé (P1) de détection d'une limite (L1, L2, L3) d'une voie de circulation (VC1, VC2) pour un véhicule (1) automobile, caractérisé en ce qu'il comprend :- une étape (E1) de détection de ladite limite par un moyen de détection (3) de l'environnement du véhicule, la limite étant définie par une fonction, notamment une fonction polynomiale,- une étape (E4) de détermination d'une pluralité de premiers vecteurs (MXi) caractérisant ladite limite, sur la base de données cartographiques et sur la base de données sur la position et l'orientation courante du véhicule,- une étape (E6) de détermination d'une pluralité de deuxièmes vecteurs (Fj) caractérisant ladite limite, chaque deuxième vecteur étant déterminé par une projection orthogonale d'un premier vecteur sur ladite fonction,- une étape (E8) de calcul de distances de Mahalanobis entre chaque premier vecteur et chaque deuxième. Figure à publier avec l’abrégé : Figure
