HAL Arts et Métiers
Not a member yet
14127 research outputs found
Sort by
Analyzing Machine Learning Models for Demand Forecasting in Fast-Moving Consumer Goods on Responsible Consumption and Production
No full textInternational audienceThe fast-moving consumer goods (FMCG) industry involves products with short shelf lives, rapid consumption, and large-scale production, often relying on single-time packaging, raising environmental sustainability concerns. Accurate production planning is essential for FMCG businesses to address these issues, and demand forecasting using machine learning can play a key role. This study experiments with three algorithms -Random Forest Regression, XGBoost Regression, and LSTM. XGBoost Regression emerges as the best-performing model with the highest R-Squared, lowest Mean Absolute Error, and Weighted Absolute Percentage Error. The significance of this study lies in its comprehensive review of FMCG business practices related to demand forecasting
Plan d’expériences adaptatif et techniques d’apprentissage automatique supervisé pour l’identification des domaines de fabricabilité avec une réduction des incertitudes
No full textManufacturing industries face conflicting demands: the need to innovate, improve product quality, reduce time-to-market, and lower production costs. Consequently, they must enhance their control over production processes and resources to optimise them, while limiting costly experimentation on often complex equipment. The definition of the process window—that is, the range of process parameters that yield parts conforming to specifications—is traditionally based on Design of Experiments (DoE), which are often simplified by fixing parameters considered secondary. Furthermore, many preliminary studies are conducted in technical centres using equipment different from that employed in industrial settings, making the resulting manufacturability domains difficult to transpose directly.This PhD thesis proposes a structured experimental methodology for identifying process window across various manufacturing processes. It is based on four hyperparameters: (1) the initial DoE, which defines a preliminary set of experiments to obtain labels (i.e., whether the sample meets the specifications); (2) the experimental phase, which outlines the manufacturing procedure, sample characterisation, and evaluation criteria; (3) supervised machine learning classification methods, which enable the delineation of the process window using a reduced number of experiments; (4) The adaptive design of experiments, which iteratively selects the most uncertain and experimentally feasible points to refine the domain boundaries, based on enrichment criteria (model uncertainty and experimental feasibility) and stopping criteria (total number of experiments, determining both the number of iterations and the number of experiments per iteration).The methodology was first evaluated numerically through various scenarios combining the hyperparameters, using performance indicators such as balanced accuracy, F1 score, and two risk metrics associated with false positive and false negative rates. It was then applied to four manufacturing processes to validate the approach: T-joint welding, friction stir welding (FSW), wire-arc additive manufacturing (WAAM), and high-speed concentrated energy deposition (HS-DED), the latter in collaboration with the wbk Institute at KIT (Germany). The results demonstrate a significant reduction in the number of experiments required to identify the process window.Les industries manufacturières doivent concilier des exigences souvent contradictoires : innover, améliorer la qualité, réduire les délais de mise sur le marché et les coûts de production. Cette pression impose une maîtrise accrue des procédés et des moyens de fabrication, tout en limitant les expérimentations coûteuses sur des équipements complexes. La définition du domaine de fabricabilité, c’est-à-dire la plage d’utilisation d’un procédé qui donne des pièces conformes par rapport au cahier de charges, repose traditionnellement sur des plans d’expériences (PdE), souvent simplifiés par la fixation de paramètres jugés secondaires. De plus, beaucoup d'études sont faites au préalable dans des centres techniques sur des moyens différents de ceux utilisés industriellement et les domaines de fabricabilité ne sont souvent pas directement transposables.Cette thèse propose une méthodologie expérimentale structurée pour identifier les domaines de fabricabilité dans divers procédés de fabrication. Elle repose sur quatre hyperparamètres : (1) le PdE initial, qui définit un premier ensemble d’expériences pour obtenir les étiquettes de fabricabilité (conforme ou non au cahier des charges), (2) la phase expérimentale, qui précise la procédure de fabrication, la caractérisation des échantillons et les critères d’évaluation, (3) les méthodes d’apprentissage automatique de classification supervisée, permettant de délimiter le domaine de fabricabilité avec un nombre réduit d’expériences et (4) le plan d’expérience adaptatif (PEA), qui sélectionne itérativement les points les plus incertains et réalisables pour affiner les frontières du domaine, selon des critères d’enrichissement (incertitude du modèle et faisabilité expérimentale) et d’arrêt (nombre total d’expériences qui définit à la fois le nombre d’itérations et le nombre d’expériences à mener à chaque itération).La méthodologie a été évaluée numériquement à travers différents scénarios combinant les hyperparamètres, en s’appuyant sur des indicateurs tels que la précision balancée, le score F1, et deux risques associés aux taux de faux positifs et négatifs. Elle a ensuite été appliquée à quatre procédés de fabrication afin de valider la méthodologie : soudage à l’arc en T, soudage par friction malaxage, fabrication additive par arc-fil, et dépôt sous énergie concentrée à haute vitesse, cette dernière en collaboration avec le laboratoire wbk du KIT (Allemagne). Les résultats démontrent une réduction significative du nombre d’expériences nécessaires pour identifier les domaines de fabricabilité
Nano-Structured InGaN Photoanode for Hydrogen Production Using Photoelectrochemical Water Splitting: A Simulation Study
No full textInternational audienceInGaN nanostructures have emerged as a promising solution for developing efficient and stable photoelectrodes for hydrogen production using photoelectrochemical (PEC) water splitting. In this work, we investigate the performance of an InGaN nanopyramid photoanode through electrical and optical simulations. The simulated structure consists of a p-GaN/InGaN NP /n-GaN nanopyramid with 12 pairs of TiO 2 /SiO 2 dielectric Bragg reflector. We obtain a short-circuit current and a power density of 12.23 mA cm −2 and 16 mW cm −2 , respectively. We also compare the photoelectrochemical properties of the InGaN nanopyramid photoanode and a planar InGaN photoanode. The incident photon conversion efficiency of the InGaN nanopyramid reaches 43% compared to 9.5% in the case of planar InGaN photoanode. The hydrogen evolution rate of the InGaN NP reaches 228 μmol.cm −2 .h −1, which is four times higher than the planar InGaN photoanode. As for solar-to-hydrogen efficiency, we obtained 15% and 3% for InGaN nanopyramid and planar InGaN photoanode, respectively. Our results suggest that InGaN nanopyramids can serve as an efficient photoanode to produce hydrogen gas via PEC water splitting
Estimating sound pressure levels from distributed acoustic sensing data using 20 Hz fin whale calls
No full textInternational audienceDistributed acoustic sensing (DAS) is a promising technology for underwater acoustics, but its instrumental response is still being investigated to enable quantitative measurements. We use fin whale 20 Hz calls to estimate the conversion between DAS-recorded strain and acoustic pressure. Our method is tested across three deployments on varied seafloor telecommunication cables and ocean basins. Results show that after accounting for well-established DAS response factors, a unique value for water compressibility provides a good estimate for the conversion. This work represents a significant step forward in characterizing DAS for marine monitoring and highlights potential limitations related to instrument noise floor
Design and Development of a Digital Twin for a Building Microgrid Demonstrator
No full textInternational audienceEmerging technologies such as building microgrids and digital twins are critical enablers of the transition toward sustainable energy systems. This paper presents the design and development process of a digital twin for a building microgrid demonstrator. The proposed methodology encompasses requirement definition, architectural design, subsystem development, testing and validation. The resulting digital twin will serve as a flexible research platform for developing and evaluating advanced algorithms in monitoring, forecasting, optimization, control, and diagnostics
Vers un jumeau numérique sismique multi-échelles en milieu géologique complexe : approche par méta modélisation via l’apprentissage machine et quantification des incertitudes.
No full textA digital twin (DT) is a dynamic digital replica of a physical system, enabling simulation and prediction in near real-time. In seismic engineering, DTs aim to model the response of critical infrastructures (e.g., dams, nuclear plants) under earthquake loading by combining observational data, physical models, and data-driven algorithms. This thesis focuses on developing a DT for an earth dam, built on a high-fidelity numerical model that solves the Navier (wave) equation using the spectral element method (SEM). This model accurately captures the effects of seismic waves but is computationally expensive, particularly when accounting for uncertainties in geophysical parameters (e.g., shear wave velocities, layer thicknesses).To overcome these limitations, a metamodeling strategy based on machine learning (ML) was developed. Unlike classical surrogate models (e.g., polynomial chaos, kriging), this work explores the use of deep neural networks (DNNs), convolutional neural networks (CNNs), and random forests (RFs), which are rarely applied in high-dimensional seismic simulations of dams. These ML models are trained to predict the dam’s dynamic response (time histories and spectral content) from uncertain geophysical inputs. Once trained, they offer instantaneous predictions, enabling tasks like uncertainty propagation and global sensitivity analysis, previously infeasible due to high computational costs. The approach is validated on a case study in Guadeloupe, using the Dorel model for regional velocities. Predictions from the metamodels are compared to SEM outputs, and bootstrap-based validation shows low error variability. CNNs perform well for Fourier amplitude spectra, though time-domain and complex spectral components remain more challenging.By identifying the most influential parameters via Sobol indices, the method enhances physical understanding while drastically reducing computational time. This DT framework thus provides a powerful tool for efficient seismic risk analysis, balancing realism and speed.Un jumeau numérique (digital twin, DT) est une réplique numérique dynamique d’un système physique réel, permettant la simulation et la prédiction de son comportement en quasi temps réel. En génie sismique, il vise à modéliser la réponse dynamique d’infrastructures critiques (barrages, centrales nucléaires, ponts) soumises à des sollicitations sismiques, en s’appuyant sur l’intégration de données d’observation, de modèles physiques et d’algorithmes prédictifs. Cette thèse développe un jumeau numérique pour un barrage en terre, fondé sur un modèle physique à haute fidélité résolvant l’équation de Navier (équation des ondes) par la méthode des éléments spectraux (SEM). Ce modèle permet de simuler avec précision les effets des ondes sismiques, mais son coût de calcul devient prohibitif lorsqu’on souhaite explorer les incertitudes géophysiques (vitesses d’ondes, géométrie des couches, etc.). Afin de concilier précision et efficacité, une stratégie de métamodélisation basée sur l’apprentissage automatique (machine learning) a été développée. Contrairement aux approches classiques (chaos polynomial généralisé, krigeage), ce travail explore l’utilisation de réseaux de neurones profonds (DNN), de réseaux de neurones convolutionnels (CNN) et de forêts aléatoires (RF), rarement appliqués dans le contexte sismique à haute fidélité pour des espaces d’incertitude de grande dimension. Les modèles d’apprentissage sont entraînés à associer les paramètres d’entrée géophysiques à la réponse dynamique du barrage, exprimée à la fois dans le domaine temporel (historiques de déplacement ou de vitesse) et dans le domaine fréquentiel (amplitude, partie réelle et imaginaire du spectre). Une fois entraînés, ces métamodèles permettent des prédictions quasi instantanées, rendant possible des analyses auparavant inaccessibles, telles que la propagation d’incertitudes ou l’analyse de sensibilité globale. L’approche est appliquée à un cas d’étude réel en Guadeloupe, basé sur le modèle de vitesse Dorel. Les prédictions sont confrontées aux résultats du modèle SEM de référence, avec une validation robuste via la méthode Bootstrap, qui révèle une faible variabilité des erreurs. Les CNN offrent de très bonnes performances pour la prédiction des amplitudes spectrales, bien que la reproduction des signaux temporels ou des parties complexes du spectre reste plus difficile. Enfin, le calcul des indices de Sobol permet d’identifier les paramètres les plus influents sur la réponse sismique, améliorant ainsi la compréhension physique du système étudié. Ce cadre méthodologique basé sur la métamodélisation et l’analyse de sensibilité, intégré dans un jumeau numérique, constitue une avancée significative. Il permet une exploration rapide et rigoureuse des incertitudes sismiques à un coût numérique très réduit, tout en conservant un niveau de précision acceptable pour la prise de décision
Validation expérimentale d’un banc de mesure acoustique de raquette de padel
No full textExpérimentation en acoustique : conception, mise en oeuvre, validation de dispositifs expérimentaux; EXACT - Expérimentations en AcoustiqueNational audienceActuellement, le choix de remplacer une raquette de padel repose sur des critères subjectifs. De plus, le vieillissement de la raquette pourrait avoir des répercussions sur la santé du joueur et sur les performances de la raquette. Le son rayonné de l'impact d'une balle sur une raquette de padel peut être un indicateur pertinent afin d'évaluer l'état physique d'une raquette. En effet, nous supposons que le comportement vibro-acoustique de la raquette pourrait être altéré par l'effet du vieillissement, comme cela a pu être démontré pour des structures sandwich comparables. Dans le but de confirmer cette hypothèse, un banc de mesures expérimentales a été mis en place afin de collecter des signaux acoustiques de lâcher de balle dans une chambre anéchoïque. L'objectif de cette étude est de démontrer que les mesures acoustiques collectées sont suffisamment reproductibles et répétables pour détecter des changements de comportement acoustique de la raquette liés à son usure. Ce banc est composé de deux microphones placés à 1 m de l'impact afin de mesurer le son rayonné dans des directions perpendiculaires et longitudinales, d'une raquette et d'un bâti permettant de lâcher une balle à une hauteur fixe pour chaque raquette. Les signaux acoustiques ont été collectés pour trois localisations d'impact par face et pour un panel de 24 raquettes. Une analyse spectrale a permis de constater que, au vu de la variabilité liée à l'erreur de mesure vis-à-vis de la variabilité inter-raquettes, ce banc expérimental peut être utilisé pour détecter des différences acoustiques liées à l'usure de la raquette
Caractérisation ultrasonore de structures viscoélastiques architecturées issues de la fabrication additive
No full textOndes en milieu hétérogène; GAPSUS - Acoustique Physique, Sous-Marine et Ultra-SonoreNational audienceLes avancées récentes en fabrication additive multi-matériaux permettent la conception de structures architecturées de plus en plus complexes, avec des hétérogénéités contrôlées, allant de la micro- à la macro-échelle. La mesure des caractéristiques ultrasonores dans de telles structures constituées de matériaux viscoélastiques est un problème complexe, en raison de la forte atténuation liée d’une part, aux matériaux constitutifs et d’autre part, à l'architecture. Ainsi, nous proposons un cadre méthodologique pour identifier les caractéristiques ultrasonores dans des structures architecturées viscoélastiques. L'approche développée s'appuie sur des mesures ultrasonores réalisées en double transmission, à différents angles d'incidences &_theta; l’ensemble formant un « θ-scan ». Une approche inverse est proposée afin d’identifier les vitesses de phases et atténuations des matériaux constitutifs à partir d’une modélisation directe de la propagation des ondes dans le milieu pour les différents angles d’incidence . Cette méthodologie, qui a récemment été validée sur des structures quasi-homogènes est étendue ici au cas de structures périodiques architecturées. En particulier, cette présentation portera sur des mesures réalisées sur des échantillons multi- matériaux constitués d'inclusions périodiques d'un élastomère souple à l'intérieur d'un polymère rigide. Les effets de l'architecture (forme et taille des inclusions, périodicité, fraction volumiques des matériaux) sur les caractéristiques ultrasonores seront notamment discuté s. Cette méthodologie ouvre la voie vers l’utilisation de mesures ultrasonores pour caractériser des structures architecturées fortement atténuantes
Safeguarding worker psychosocial well-being in the age of AI: The critical role of decision control
No full textInternational audienceAdvancements in artificial intelligence (AI) have ushered in the era of the fourth industrial revolution, transforming workplace dynamics with AI's enhanced decision-making capabilities. While AI has been shown to reduce worker mental workload, improve performance, and enhance physical safety, it also has the potential to negatively impact psychosocial factors, such as work meaningfulness, worker autonomy, and motivation, among others. These factors are crucial as they impact employee retention, well-being, and organizational performance. Yet, the impact of automating decision-making aspects of work on the psychosocial dimension of human-AI interaction remains largely unknown due to the lack of empirical evidence. To address this gap, our study conducted an experiment with 102 participants in a laboratory designed to replicate a manufacturing line. We manipulated the level of AI decision support-characterized by the AI's decision-making control-to observe its effects on worker psychosocial factors through a blend of perceptual, physiological, and observational measures. Our aim was to discern the differential impacts of fully versus partially automated AI decision support on workers' perceptions of job meaningfulness, autonomy, competence, motivation, engagement, and performance on an error-detection task. The results of this study suggest the presence of a critical boundary in automation for psychosocial factors, demonstrating that while some automation of decision selection can nurture work meaningfulness, worker autonomy, competence, self-determined motivation, and engagement, there is a pivotal point beyond which these benefits can decline. Thus, balancing AI assistance with human control is vital to protect psychosocial well-being. Practically, industry and operations managers should keep employees involved in decision making by adopting partial, confirm-or-override AI systems that sustain motivation and engagement, boosting retention and productivity
Développement de revêtements PVD pour limiter la diffusion du carbone lors du frittage par SPS d'une poudre de fer
No full textNational audienceL'élaboration de pièces métalliques par des techniques de frittage sous charge de poudres, telles que le frittage SPS (Spark Plasma Sintering), représente une alternative intéressante aux procédés de fabrication conventionnels (moulage, forgeage, etc.). La technique SPS permet d'élaborer en une seule étape des matériaux denses, avec une microstructure fine, homogène et contrôlée, garantissant des propriétés d’usage améliorées. La poudre est insérée dans une matrice en carbone graphite et densifiée par application simultanée d’un chauffage (par effet Joule) et d’une pression uniaxiale. En raison des vitesses de chauffage et de refroidissement élevées (de l'ordre de plusieurs centaines de °Cmin-1), le maintien à haute température est réduit. L'un des principaux problèmes rencontrés lors du frittage SPS de poudres métalliques est la diffusion du carbone dans la poudre à partir de l'outillage en graphite (poinçons et matrices) et/ou des feuilles de graphite insérées entre la poudre et l'outillage. Le phénomène de carburation, s’il n’est pas évité, peut entraîner une dégradation des propriétés du matériau fritté et la formation de gradients de composition à partir de la surface vers le cœur du matériau. Jusqu'à présent, seules quelques études ont abordé cette problématique. Dans un travail précédent, il a été montré qu'un revêtement de titane (d'une épaisseur d'environ 1 µm) déposé par dépôt physique en phase vapeur (PVD pour Physical Vapor Deposition) directement sur la feuille de graphite permettait d'éviter la carburation du fer pur pendant le frittage. Dans la présente étude, des simulations thermodynamiques ont été réalisées à l'aide du module ThermoCalc® DICTRA, afin d'estimer la profondeur de pénétration du carbone dans le revêtement de titane et le fer fritté. Les simulations ont été comparées à des études expérimentales, qui en ont confirmé la validité. En parallèle, d’autres simulations thermodynamiques ont permis de sélectionner de nouveaux éléments prometteurs comme le Ti, Zr, Hf, Ta et W. Ils se sont avérés d’être de bons candidats pour limiter la diffusion du carbone. Afin de tester la synergie de ces cinq éléments, un revêtement PVD de l’alliage à haute entropie (HEA pour High Entropy Alloy) TiZrHfTaW a été déposé sur les feuilles de graphite. Des essais SPS effectués avec une poudre de fer pur ont permis d’obtenir des résultats très prometteurs, démontrant la pertinence de ce type de système HEA et de l’utilisation de la simulation pour sélectionner rapidement les revêtements les plus prometteurs à tester