Portail HAL IMT Mines Albi
Not a member yet
5440 research outputs found
Sort by
Box-Behnken design for the synthesis optimization of mesoporous sulfur-doped carbon-based materials from birch waste: promising candidates for environmental and energy storage application
No full textInternational audienceThe development of biomass-based carbon materials has accelerated the research interest in environmental (e.g., adsorbents for wastewater decontamination) and energy applications (e.g., batteries). In this paper, we developed a series of carbon materials (CMs) using a sulfur doping strategy to improve the physicochemical, adsorptive and energy storage properties of the aforementioned CMs. CMs were prepared and optimized using an experimental design denoted as the Box-Behnken design approach with three independent factors (i.e., the temperature of pyrolysis, zinc chloride: biomass ratio and sulfur: biomass ratio), and the responses were evaluated, namely the Specific Surface Area (SBET), mesopore area (AMeso) and micropore area (AMicro) with the help of Nitrogen Physisorption. According to the statistical analysis, under the studied conditions, the responses were mainly influenced by the pyrolysis temperature and ZnCl2 ratio, while the sulfur content did not give rise to any remarkable differences in the selected responses. The physicochemical characterization of the CMs suggested that very high Specific Surface Areas ranging from 1069 to 1925 m2 g−1 were obtained. The sulfur doping resulted in up to 7.33 wt.% of sulfur in the CM structure, which yielded CMs with more defects and hydrophilic surfaces. When tested as adsorbents, CMs exhibited a very high adsorption capacity (190 – 356 mg g-1), and as anodes, they demonstrated a competitive Lithium Ion Battery (LIB) storage capacity, at least during the first five cycles (306 mAhg-1 at 1 C for CM9). However, further studies on long-term cyclability are required to prove the CM materials suitability in LIBs. This work extends our understanding of how pyrolysis and sulfur doping of biomass feedstock affects carbon materials' usability, final characteristics and potential to use in wastewater decontamination by adsorption and as anodes in LIBs
Gestion de l'intermittence d'un système de production et autoconsommation d'énergie via l'apprentissage par renforcement
No full textNational audienceLes énergies renouvelables occupent une place de plus en plus prépondérante dans le mix électrique mondial, d’une part car elles permettent de se rapprocher des objectifs climatiques en offrant une électricité bas carbone, mais aussi car la demande en électricité est vouée à significativement croître. Leur intermittence complique cependant leur utilisation : production et disponibilité dépendantes des aléas météorologiques, consommation pas toujours alignée avec les périodes de production, surdimensionnement et déséquilibres réseaux. Pour pallier ces inconvénients, recourir à des systèmes de stockage de l’électricité est inévitable. La gestion énergétique est assurée par un E.M.S. (Energy Management System) dont les actions sont régies par un arbre décisionnel prédéfini que l’on peut qualifier de règles. La multiplicité des systèmes de production et de stockage complexifie les décisions pouvant être prises et il n’est plus si évident que la stratégie employée soit la meilleure pour l’objectif visé : financier, ou d’indépendance du réseau, entre autres. On s’intéresse alors au potentiel de l’apprentissage par renforcement, lequel permettrait d’explorer et établir des stratégies plus performantes et impossible à implémenter par de simples règles.Nous avons modélisé une opération d’autoconsommation avec une puissance photovoltaïque installée de 517 kWc et un unique système de stockage par batterie électrochimique 0.5C de 200 kWh, et simulé différentes stratégies de pilotage par des règles. Ces dernières servent de comparaison (i.e. benchmarks) pour qualifier les modèles de pilotage par apprentissage par renforcement (RL) développés ensuite.On distingue ainsi nos stratégies de pilotage par les règles en 2 catégories : « temps réel » et « avec prévision ». Cette dernière dispose des prévisions de production et consommation considérées parfaites des 24 heures à venir et tient compte d’un signal tarifaire de type heures creuses ou pleines. Aussi on peut autoriser la charge de la batterie depuis le réseau, ou la restreindre à l’excédent de production photovoltaïque.Les modèles d’IA réalisés se déclinent aussi en ces deux mêmes catégories. Ils sont entrainés avec 11 ans de données, et évalués sur une autre année distincte. Tous deux sont fondés sur l’algorithme de RL TD3 (par Fujimoto, S. et al. en 2018). L’objectif intervient directement dans l’apprentissage du modèle, puisqu’il définit la manière dont les actions prises par l’agent sont récompensées. Ici, nous avons choisi pour objectif de limiter le soutirage du réseau dans le cas « temps réel », alors qu’on limite les coûts de soutirage du réseau dans le cas « avec prévision », pour bénéficier de l’avantage apporté par le signal tarifaire.Dans notre configuration actuelle, les agents parviennent à atteindre des performances similaires aux benchmarks bien qu’il réside un faible écart statistique inhérent au modèle de RL. Il reste néanmoins possible d’introduire d’autres critères d’évaluation, comme le nombre de cycles de charge de la batterie voire plus globalement le LCOE, ou les gains de vente de surplus sur le réseau entre autres. L’introduction d’une unité de stockage supplémentaire à saisonnalité annuelle est en cours de réalisation afin d’étudier les performances de l’apprentissage par renforcement sur des systèmes énergétiques plus complexes
Navigating Unpredictability: Collaborative Networks in Non-linear Worlds: 25th IFIP WG 5.5 Working Conference on Virtual Enterprises, PRO-VE 2024, Albi, France, October 28–30, 2024, Proceedings, Part I
No full textInternational audienceThis two-volume set, IFIP AICT 726 and 727, constitutes the refereed proceedings of the 25th IFIP WG 5.5 Working Conference on Virtual Enterprise, PRO-VE 2024, held in Albi, France, during October 28–30, 2024.The 56 full papers presented in these two volumes were carefully reviewed and selected from 113 submissions. The papers presented in these two volumes are organized in the following topical sections:Part I: AI and collaboration; Human-machine collaboration; Emotions and collaborative networks; Collaborative ecosystems: Skills for resilient futures; Collaborative ecosystems: Technologies for resilient futures; Uncertainty and collaboration in supply chain; Collaborative networks as driver of innovation in organizations 5.0: Models; Collaborative networks as driver of innovation in organizations 5.0: Participation; Trust and trustworthy technologies in collaborative networks.Part II: Empowering vulnerable populations well-being through collaborative networks; Collaborative manufacturing systems in the digital era; Fostering collaborative and interoperable digital models for digital twins: Methods; Fostering collaborative and interoperable digital models for digital twins: Cases; Zero defects and zero waste strategies in industrial collaborative networks; Simulation frameworks; Collaborative decision making; Design of collaborative environments
Développement de modèles pour optimiser la lixiviation du nickel
No full textNational audienceLes auteurs souhaitent remercier le laboratoire RAPSODEE, IMT Mines Albi France pour avoir fourni la plateforme nécessaire à la réalisation de cette recherche.</div
Enhanced Human Activity Recognition Using Controllable GANs for Synthetic Data Generation
No full text© © 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works.”International audienceHuman Activity Recognition (HAR) is essential for applications like health monitoring and fall detection using mobile sensors. However, obtaining large datasets necessary for training HAR systems is prohibitively expensive. Generative Adversarial Networks (GANs) have been proposed to generate synthetic HAR data, simplifying and enhancing the development of HAR systems. While these methods have improved accuracy, existing GAN-based approaches struggle with generating clear abnormal patterns, weakening anomaly detection capabilities. Available HAR data predominantly focuses on normal activities and does not target anomalies, making it challenging to detect anomalous situations. To address this, we propose a novel controllable GAN that generates realistic HAR data as well as distinct abnormal classes. This advancement enhances anomaly detection accuracy through more standardized activity recognition and quantification by HAR systems. We evaluate our approach on the WISDM dataset, demonstrating significant improvements in the balance and quality of synthetic data, leading to better performance in anomaly detection
Dimensionnement de fissures non débouchantes dans des pièces métalliques par thermographie laser
No full textInternational audienc
Étude de la localisation de la déformation à 650°C et de son impact sur la rupture intergranulaire assistée par oxydation : cas de l'Alliage 718
No full textAlloy 718 is a benchmark nickel-base superalloy, widely used in the manufacture of sometimes critical structural components, such as turbine disks in jet engines. This alloy is known to strongly localize deformation. This localization can be responsible for early damage in service. In the aeronautics sector, environmental constraints mean that service temperatures have to be increased. It is therefore essential to identify the role played by the microstructure-scale deformation landscape on oxidation-assisted or non-assisted damage at these temperatures. The primary objective of this thesis is to understand how microstructure and mechanical loading rates affect the deformation landscape at high temperatures. The second is to link this deformation landscape to the mechanical behavior and fracture characteristics observed in tensile tests at 650°C. The experimental work presented in this manuscript is based mainly on the high-resolution digital image correlation technique, which captures the local mechanical response of the microstructure over statistically representative regions of the microstructure; as opposed to more local micromechanical techniques. This work has shown that at 650°C in Alloy 718, deformation is distributed between grain boundaries and slip bands within the grains. This distribution depends on both mechanical stress and microstructure. A coarse grain size favors intragranular slip, while a finer microstructure favors localization of deformation at grain boundaries. Similarly, at low strain rates, localization at grain boundaries is favored, whereas at higher strain rates and when the Portevin-Le-Chatelier phenomenon occurs, intragranular slip is predominant. In tensile tests in air at 650°C, only localization at grain boundaries results in a significant reduction in ductility. However, more than the plastic activity of grain boundaries, it has been shown that it is the distribution of events and their interactions that are responsible for oxidation-assisted intergranular fracture and the associated loss of ductility. This micromechanical approach, combined with local material damage, provides an interesting new insight into the oxidation-mechanical coupling operating at the microstructural scale in this alloy.L'Alliage 718 est un superalliage base nickel de référence, largement utilisé dans la fabrication de composants structurels, parfois critiques, tels que les disques de turbine des turboréacteurs. Cet alliage est connu pour fortement localiser la déformation. Cette localisation peut être responsable d'un endommagement précoce en service. Pour le secteur aéronautique, les contraintes écologiques imposent une augmentation des températures de service. Il est alors essentiel d'identifier le rôle que joue le paysage de déformation à l'échelle de la microstructure sur l'endommagement assisté ou non par l'oxydation à ces températures. L'objectif premier de cette thèse est de comprendre comment la microstructure et les vitesses de chargement mécanique affectent le paysage de déformation à haute température. Le second est de lier ce paysage de déformation au comportement mécanique et aux caractéristiques de rupture observées lors d'essais de tractions à 650°C. Les travaux expérimentaux présentés dans ce manuscrit reposent principalement sur la technique de corrélation d'images numériques haute résolution qui permet de capter la réponse mécanique locale de la microstructure sur des régions statistiquement représentatives de la microstructure ; en opposition à des techniques micromécaniques plus locales. Ces travaux ont permis de montrer qu'à 650°C dans l'Alliage 718, la déformation est répartie entre les joints de grains et des bandes de glissement à l'intérieur des grains. Cette répartition dépend à la fois de la sollicitation mécanique et de la microstructure. Une taille de grains grossière favorise le glissement intragranulaire alors qu'une microstructure plus fine favorise la localisation de la déformation aux joints de grains. De même, en traction à faible vitesse de déformation, la localisation aux joints de grains est privilégiée alors qu'à plus haute vitesse de déformation et lorsque le phénomène de Portevin-Le-Chatelier a lieu, le glissement intragranulaire est majoritaire. Lors d'essais de traction sous air à 650°C, seule la localisation aux joints de grains entraine un abattement conséquent de la ductilité. Cependant, plus que l'activité plastique des joints de grains, il est montré que c'est la répartition des événements et leurs interactions qui sont responsables de la rupture intergranulaire assistée par oxydation et la perte de ductilité associée. Cette approche micromécanique associée à l'endommagement local de la matière amène un regard nouveau et intéressant sur le couplage oxydation-mécanique opérant à l'échelle de la microstructure dans cet alliage
Additive manufacturing on the Moon with Selective Laser Melting: mechanical properties and microstructure of printed small objects
No full textInternational audienc
A Proposal for Automatic Demand Forecast Model Selection
No full textInternational audienceDemand forecasting is critical within collaborative networks, enabling suppliers,manufacturers, and retailers to synchronize their operations and achieve enhanced supply chain efficiency. Despite a wealth of research on time series forecast model selection and the availability of numerous forecast models, selecting the most appropriate model for a specific time series remains a challenging task. In this study, an automatic demand forecast model selection procedure is proposed that includes a wide range of statistical andmachine learning forecast models. The optimization of the hyperparameters is performed on all the models. The study is validated on M3 monthly data, outperforming all submitted methods and demonstrating significant improvements in terms of accuracy. The approach was also applied to a collaborative network company