Portail HAL IMT Mines Albi
Not a member yet
5440 research outputs found
Sort by
Duplex α+α′組織を呈すTi-6Al-2Sn-4Zr-2Mo-Si合金の優れた引張強度-延性バランス：実験研究と機械学習を援用した組織因子の影響
No full textInternational audienceThis research focuses on the systematic study of a Ti–6Al–2Sn–4Zr–2Mo–Si titanium alloy and the characterization of α+β (equiaxed and bimodal) and α+αA (duplex) microstructures. It provides more insights on the outstanding advantages of the duplex (α+αA) microstructure, especially on its exceptional work hardening and strength–ductility balance. The heat treatment conditions required to form equiaxed, bimodal and duplex microstructures and their effects on the grain size and the phase proportion are discussed. It shows how the microstructural parameters can be controlled thanks to the heat treatment temperatures, the holding times and possible aging processes. The influence of such microstructural factors on the tensile properties of each alloy is investigated, especially on strength (proof stress, ultimate tensile strength), ductility (plastic elongation) and work hardening properties. The duplex (α+αA) microstructure is compared with the equiaxed and bimodal microstructures and its advantages are displayed, highlighting the better strength–ductility balance and superior work hardening properties of the duplex microstructure. Indeed, the deformed microstructure of the duplex (α+αA) microstructure reveals more homogeneous strain partitioning than that of the bimodal (α+β) microstructure. Thus, this work proved the potential of an optimized duplex (α+αA) microstructure for the enhanced tensile properties at room temperature. Finally, a machine learning model using gradient boosting regression trees is used to quantify the importance of the microstructural factors (type of microstructure, grain size and phase ratio) on the mechanical properties. © 2024 Japan Institute of Metals (JIM)
Sustainable production of biohydrogen: Feedstock, pretreatment methods, production processes, and environmental impact
No full textInternational audienceA significant increase in the use of hydrogen, expected to reach between 667 and 4000 TWh, is forecasted for the whole EU in 2050. Electrolysis is believed to be a “silver bullet” due to its synergy with the needs of the grid. However, biohydrogen generation could be complimentary to electrolysis since it does not depend on electricity prices. This review presents a comprehensive picture of the landscape in biohydrogen production, showing state-of-the-art research on different biohydrogen production processes and highlighting potential problems and shortcomings for different processes, including microbial-based production and thermal processes. The work shows that “colour coding” used nowadays is insufficient in terms of providing accurate information regarding the sustainability of particular biohydrogen production technologies. Instead, LCA can provide substantial information for each investigated process. However, there is a need for a wider scope of LCA studies since currently published studies present a syndrome of “carbon tunnel vision”, often ignoring impacts other than global warming. Moreover, studies often tend to exclude the impact of capital goods production, which might provide an incomplete overview of such technologies. Moreover, it should not be overlooked that biohydrogen is capable of achieving negative values of CO2 emissions if CCS is implemented
Towards the Integration of Conversational Agents Through a Social Media Platform to Enhance the Agility of BPM
No full textPart 1: AI and CollaborationInternational audienceBusiness Processes enable collaboration among various stakeholders, allowing different groups (people, organizations) to work together to achieve common goals. Therefore, optimizing Business Process Management (BPM) is essential for organizational success in today’s dynamic business environment. However, traditional BPM methods often struggle in volatile execution environments characterized by rapid change, dynamic customer demands, and evolving market trends. Innovative strategies are needed to enhance BPM practices and increase the agility of collaborative business processes. To this end, a particularly promising approach is to use Large Language Models (LLM) agents (Artificial Intelligence conversational agents). These AI conversational agents can be integrated into a social media platform to ease the stakeholders’ collaboration by supporting the co-construction, design, modification, execution, and monitoring of collaborative business processes. AI conversational agents in social media platforms democratize BPM by facilitating collaborative process design and execution, streamlining interactions, and fostering seamless communication and personalized assistance, thus enhancing agility
Proceedings of the 26th International Workshop on Configuration (ConfWS 2024) co-located with the 30th International Conference on Principles and Practice of Constraint Programming (CP 2024), Girona, Spain, September 2-3, 2024.
No full textInternational audienceThe 26th edition of the International Workshop on Configuration (ConfWS 2024) hasbeen co-located with the International Conference on Principles and Practice of ConstraintProgramming (CP 2024 celebrating its 30th anniversary) hosted by the University of Gironain Spain. ConfWS 2024 has been a vibrant hub for researchers and industry professionalsinterested in configuration technology. In addition, for edition 2024, Siemens supported theevent confirming its sponsorship.ConfWS 2024 was a two-day event where high-quality research in all configuration-relatedtechnical areas has been presented. This edition had a special focus on Green Configurationwhich is related to EU Green Deal as stated in the EU Agenda 2050 to drive the EU communityto a more sustainable future. Researchers and experts from academia and industry sharedtheir contributions on the potentials of configuration in achieving sustainability goals for amore sustainable future. The program includes special sessions on green configuration andsustainability, including topics such as sustainability and configurator applications, efficientreasoning, configuration space learning, integration of large language models (LLMs), andfurther aspects related to problem solving and optimization.ConfWS 2024 has been visited by 24 attendants from academia and industry. There were 14papers submitted for peer review to ConfWS 2024. 14 papers were selected for publicationin the workshop proceedings after a review by three independent reviewers per paper. Inaddition, three keynote speakers were invited from three industrial partners: Patrik Östbergand Sonja Arce (from Tacton) presented the talk “Inspiring & enabling manufacturers toshape and build a sustainable future”; Sophie Rogenhofer (from Siemens) presented the talk“Sustainability at Siemens - Scaling sustainability impact”; and Jean-Guillaume Fages (fromCosling) presented the talk “Automating complex computations with Cosling Configurator”.ConfWS 2024 introduced the role of a “Publicity and Social Media Chair” on the organizationcommittee, a role played by Irene Campo Gay (Technical University of Denmark), who wasin charge of promoting the workshop on social media and managing the official workshopaccounts on LinkedIn and Twitter (X). In line with previous editions, the workshopparticipants selected the best paper (“Exploiting Large Language Models for the AutomatedGeneration of Constraint Satisfaction Problems”) and the best student paper (“ConfigurationCopilot: Towards Integrating Large Language Models and Constraints”).We want to thank the ConfWS 2024 authors for their high-quality submissions, the programcommittee members for their high-quality reviews, and the University of Girona and the CPWorkshop Chair and CP Chairs for their proactive support. Further thanks goes to SIEMENSfor sponsoring ConfWS 2024, and the keynote speakers for delivering inspiring presentations.The following projects by the Spanish Ministry of Science, Innovation and Universitiesalso supported the workshop: TASOVA PLUS research network (RED2022-134337-T), IRIS(PID2021-122812OB-I00), and Data-pl (PID2022-138486OB-I00)
Au coeur de la bioraffinerie thermochimique : les enjeux de la modélisation
No full textInternational audienceA l'heure où l'on se questionne si la 'transition' (préférer baisse de l'intensité Carbone dans le contexte actuel) a lieu ou aura lieu, la communauté scientifique s'engage dans des réflexions et investigations autour du concept de bioraffinerie de seconde génération. Reprenant les grandes lignes de valorisation papetière, l'une des bioraffineries historiques, ou empruntant des technologies à l'industrie pétrolière, cette conférence évoquera quelques enjeux de modélisation au coeur d'une bioraffinerie lignocellulosique et thermochimique. Le contenu reposera sur les travaux les plus récents issus du projet Make Our Planet Great Again (MOPGA) intitulé Pyrokine (ANR-18-MPGA-0013)
Analyse des réseaux sociaux en situation d’urgence - Projet RéSoCIO
No full textNational audienceRéSoCIO ambitionne de proposer une démarche outillée permettant de démontrer l’intérêt et la faisabilité de l’exploitation automatisée des données issues du réseau social Twitter en contexte de crise liée à une catastrophe naturelle à cinétique rapide, en se focalisant sur le cas des crues éclair et des séismes
Interpretable AI for Dermoscopy Images of Pigmented Skin Lesions
No full textInternational audienceDeep Learning is successful at detecting skin cancer from a lesion image, but its practical adoption is limited by the lack of explanation behind its decisions. The model we develop is no exception; we aim to analyze it based on two dermatology rules for lesion diagnosis. First, we propose a visualization tool to give practitioners additional context to our model’s decision. Second, we introduce a model variant based on medical concepts that enhance the interpretability of the baseline model.L'apprentissage profond est efficace pour la détection du cancer de la peau à partir d'images de lésions. Cependant, son adoption pratique reste limitée par le manque d'explication derrière ses décisions. Notre modèle n'échappant pas à la règle, nous l'analysons à partir de deux règles de diagnostic dermatologique. Premièrement, nous proposons un outil de visualisation pour fournir aux praticiens un contexte supplémentaire à la décision de notre modèle. Deuxièmement, nous présentons une variante du modèle basée sur des concepts médicaux, qui améliore l'interprétabilité du modèle initial
Senselife : des modèles de connaissances pour recommander des services et renforcer la prévention de la fragilité
No full textInternational audienceLe vieillissement de la population mondiale présente des défis uniques, notamment en ce qui concerne la gestion de la fragilité - un état défini par le déclin des capacités physiques, cognitives et sociales. Cet article présente Senselife, un système de recommandation conçu pour la gestion de la fragilité chez les personnes âgées. Senselife s'appuie sur des modèles de connaissances basés sur des hypergraphes pour recommander intelligemment des services personnalisés visant à atténuer la fragilité et à améliorer la qualité de vie.Notre méthodologie intègre divers types de données par le biais de réseaux d'information hétérogènes (RIH), ce qui permet des interactions nuancées entre l'utilisateur et le service qui améliorent considérablement laprécision et la pertinence des recommandations. Cet article détaille le développement de ces modèles, en mettant l'accent sur le passage d'un traitement conventionnel des données à des approches avancées, fondéessur la connaissance, qui prennent en compte à la fois les complexités de l'utilisateur et du service. En incorporant ces modèles sophistiqués, Senselife vise à fournir une solution évolutive pour la prévention de la fragilité, apportant une contribution significative aux soins personnalisés aux personnes âgées
Traitement automatique des déclarations des Erreurs Médicamenteuses avec un modèle Transformer GPT
No full textInternational audienceLos errores de medicación (EM) representan un desafío mayor para las instituciones de salud debido a susconsecuencias potencialmente graves que pueden llegar a comprometer el pronóstico vital de los pacientes.Para manejar mejor estos incidentes, los profesionales de la salud siguen un proceso de gestión que se basaprincipalmente en el reporte y luego en el análisis de las declaraciones proporcionadas por los profesionales dela salud a través de diferentes herramientas de reporte, tanto digitales como en papel. Aunque estasherramientas son personalizables y requieren que se introduzcan informaciones específicas a través depreguntas de opción múltiple, listas desplegables o descripciones textuales, todas comparten la característicacomún de incluir un campo de texto libre. Por lo tanto, el análisis de texto es crucial para una comprensiónprofunda y un análisis efectivo de los errores de medicación. Dado el volumen significativo de declaraciones aprocesar en plazos limitados, es indispensable automatizar este procesamiento para ayudar a los profesionalesde la salud a priorizar los EM a tratar. En este contexto, el procesamiento automático del lenguaje natural a travésde modelos Transformadores como GPT se presenta como una solución relevante. El modelo GPT es capaz deextraer rápidamente la información clave de la declaración y permite la estructuración de las descripcionestextuales de los EM.Les Erreurs médicamenteuses (EM) constituent un défi majeur pour les établissements de santé, en raison de leurs conséquences potentiellement graves qui peuvent aller jusqu'à mettre en jeu le pronostic vital des patients. Afin de mieux gérer ces incidents, les professionnels de santé suivent un processus de gestion qui s'appuie sur le signalement puis l'analyse des déclarations renseignées par les professionnels de santé via différents outils de déclaration, tant numériques que papier. Bien que ces outils soient personnalisables et demandent de renseigner des informations spécifiques à travers des questions à choix multiples, des listes déroulantes ou des descriptions textuelles, ils partagent tous la caractéristique commune d'inclure un champs textuel libre. Ainsi, l'analyse du texte est cruciale pour une compréhension approfondie et une analyse efficace des erreurs médicamenteuses. Etant donné le volume important des déclarations à traiter dans des délais restreints, il est indispensable d'automatiser ce traitement pour aider les professionnels de santé à prioriser les EM à traiter. Dans ce contexte, le traitement automatique de langage naturel à travers des modèles Transformers comme GPT se présente comme une solution pertinente. Le modèle GPT est capable d'extraire rapidement les informations clés de la déclaration et permet la structuration des descriptions textuelles des EM