Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Thèse numérisée par la Direction des bibliothèques de l'Université de Montréal.

Cette thèse présente des approches d'apprentissage automatique et d'optimisation combinatoire pour résoudre des problèmes en lien avec les véhicules électriques et hybrides électriques. Les problèmes d'optimisation combinatoire sont conçus pour prendre en entrée des prédictions pouvant être émises par un ou plusieurs modèles d'apprentissage automatique. Par exemple, des approches basées sur l'apprentissage automatique sont proposées pour prédire la consommation électrique d'un véhicule électrique pour un itinéraire donné ainsi que pour prédire le temps de recharge rapide d'un véhicule électrique. Différents problèmes d'optimisation combinatoires sont ensuite présentés, comme le *Fixed Route Electric Vehicle Charging Problem with NonLinear Energy Management*, et ces problèmes sont résolus grâce à des algorithmes basés sur la programmation linéaire mixte ainsi que la programmation dynamique. Le premier problème consiste à prédire la consommation d'un véhicule électrique à partir de données empiriques. Ces données viennent d'un partenaire industriel, TÉO Taxi, et représentent de vraies courses de taxi. Pour faire cette prédiction, nous utilisons un modèle hybride entre l'apprentissage automatique et un modèle théorique. Nous montrons ensuite que le modèle hybride est celui qui performe le mieux en comparaison avec le modèle théorique et les modèles d'apprentissage automatique seuls. Nous nous attaquons également à la prédiction de la consommation pour un nouveau véhicule pour lequel nous n'aurions pas encore de données. Le deuxième problème consiste à prédire le temps de recharge rapide d'un véhicule électrique à partir de données empiriques. Ces données viennent également d'un partenaire industriel, AddÉnergie, et représentent des séances de recharge faites par de vrais utilisateurs partout au Canada. Cela implique donc que nous avons des données pour une grande variété de températures, qui est connue pour avoir un grand impact sur la durée de recharge d'un véhicule électrique. Différents modèles d'apprentissage supervisé sont testés, comme les forêts aléatoires et les réseaux de neurones. Différentes variantes de chaque modèle sont également explorées. Les hyperparamètres des différents modèles sont ensuite déterminés en utilisant l'optimisation bayésienne, avec une attention particulière sur la structure des réseaux de neurones. Nous démontrons finalement que les réseaux de neurones, particulièrement lorsque nous utilisons l'augmentation de données pour équilibrer le nombre de données par type de véhicule, obtiennent les meilleurs résultats. Les troisième et quatrième problèmes consistent à développer des modèles d'optimisation combinatoire pour optimiser un itinéraire en véhicule électrique. L'objectif est de décider à quel endroit s'arrêter ainsi que la vitesse à rouler pour atteindre la destination le plus rapidement possible. Nous proposons deux algorithmes pour résoudre ce problème : un basé sur la programmation linéaire mixte et un autre basé sur la programmation dynamique. Nous démontrons ensuite que l'approche basée sur la programmation dynamique obtient les meilleures performances. Finalement, les cinquième et sixième problèmes consistent à développer des modèles d'optimisation combinatoire pour le problème de gestion de l'énergie d'un aéronef hybride électrique. Ce problème consiste à décider la quantité de carburant et d'électricité à prendre à chaque terminal ainsi qu'à décider comment utiliser l'énergie sur les différents segments de la route dans l'objectif de minimiser les coûts totaux. Nous proposons également des algorithmes de programmation dynamique et de programmation linéaire mixte pour résoudre ce problème. / This thesis presents machine learning and combinatorial optimization approaches to solve problems related to electric and hybrid electric vehicles. The combinatorial optimization problems are designed to take as input predictions that can be made by one or more machine learning models. For instance, machine learning-based approaches are proposed to predict the energy consumption of an electric vehicle for a given route and to predict the fast-charging duration of an electric vehicle. Various combinatorial problems are then presented, such as the Fixed Route Electric Vehicle Charging Problem with NonLinear Energy Management, and these problems are solved using algorithms based on Mixed-Integer Linear Programming and dynamic programming. The first problem involves predicting the energy consumption of an electric vehicle based on empirical data. This data comes from an industrial partner, Téo Taxi, and represents real taxi rides. To make this prediction, we use a hybrid model between machine learning and a theoretical model. We then show that the hybrid model performs the best compared to the theoretical model and the machine learning models. We also address the problem of predicting the energy consumption of a new vehicle for which we do not yet have data. The second problem involves predicting the fast-charging duration of an electric vehicle using empirical data. This data also comes from an industrial partner, AddÉnergie, and represents charging sessions performed by real users across Canada. This means that we have data for a wide variety of temperatures, which is known to have a significant impact on the charging duration of an electric vehicle. Different supervised learning models are tested, such as random forest and neural networks. Various variants of each model are also explored. The hyperparameters of the different models are then determined using Bayesian Optimization, with particular attention to the structure of the neural networks. We demonstrate that neural networks, especially when using data augmentation to balance the amount of data per vehicle type, achieve the best results. The third and fourth problems involve developing combinatorial optimization models to optimize an electric vehicle route. The goal is to decide where to stop and the speed to drive on each leg in order to reach the destination as quickly as possible. We propose two algorithms to solve this problem: one based on Mixed-Integer Linear Programming and the other based on dynamic programming. We then demonstrate that the approach based on dynamic programming achieves the best performance. Finally, the fifth and sixth problems involve developing combinatorial optimization models for the energy management of a hybrid electric aircraft. This problem requires deciding the amount of fuel and electricity to take at each terminal as well as how to use the energy across different legs of the route with the overall goal of minimizing total costs. We also propose dynamic programming and Mixed-Integer Linear Programming algorithms to solve this problem.

L'objectif de ce projet de recherche est de mesurer, à un niveau agrégé, l'influence qu'ont les facteurs économiques de base tels le prix de l'essence et le revenu sur les déterminants de la demande de carburant des véhicules légers au Canada. L'approche retenue repose sur un modèle économétrique d'équations simultanées visant à expliquer le nombre de kilomètres parcourus, le taux de consommation moyen de carburant ainsi que le nombre de véhicules. Les données dont nous disposons sont de type panel et proviennent de la Base de données nationale sur la consommation d'énergie de Ressources Naturelles Canada. Les élasticités obtenues sont assez conformes à la littérature recensée. À court terme, une hausse du prix de l'essence provoque une réduction limitée de l'usage (-0,16 à -0,08) alors que l'augmentation du revenu influence surtout le niveau de possession (0,27 à 0,35). Nous estimons également qu'il existe un effet rebond qui est compris entre 19 % et 24 % à long terme.

Les habitudes alimentaires peuvent grandement influencer l'état de santé d'une population. Les choix alimentaires réalisés quotidiennement engendrent également des répercussions sur l'environnement, notamment sur l'ampleur des changements climatiques. En effet, le secteur de la production alimentaire serait responsable dans une large proportion des émissions de gaz à effet de serre d'origine humaine. Cependant, malgré des lignes directrices de santé publique prônant une alimentation saine, équilibrée et même écoresponsable dans certains pays, dont le Canada, il semble persister certaines limites à l'adoption de comportements alimentaires en adéquation avec de telles recommandations. Il va sans dire que les décisions alimentaires individuelles ne sont pas toujours objectives; elles peuvent être grandement influencées par des facteurs individuels ou externes. Pour encourager la réalisation de choix alimentaires sains et écoresponsables par la population, la transmission d'informations fait partie des interventions couramment utilisées pour susciter des changements de comportements. Que ces stratégies se fassent par le biais d'étiquette conventionnelle ou graphique et simplifiée (par exemple, des logos de type interprétatif), les informations nutritionnelles et environnementales influencent-elles les comportements d'achat des consommateurs? L'objectif principal du présent mémoire est d'évaluer si la provision d'informations portant sur la qualité nutritionnelle et l'impact environnemental peut exercer une influence favorable sur les comportements alimentaires des consommateurs, qui se reflèterait notamment par la réalisation de choix alimentaires plus sains et écoresponsables. Les résultats de ce mémoire suggèrent que le fait de prodiguer des informations nutritionnelles et environnementales de façon graphique et simplifiée peut contribuer à l'adoption de comportements alimentaires plus sains et écoresponsables. Les résultats sont favorables et engendrent de nombreuses perspectives de recherche, notamment en ce qui a trait aux stratégies d'interventions pouvant potentiellement engendrer des changements de comportements, à la provision d'informations et au développement d'outils intégrant plusieurs attributs à communiquer aux individus. / Eating habits can have a major influence on a population's health. Food choices made in daily life also have an environmental impact, including climate change. Indeed, food systems are responsible for a large proportion of human-induced greenhouse gas emissions. However, despite public health guidelines supporting a healthy, balanced and, in some countries including Canada, eco-friendly diet, there is still a certain reluctance in the adoption of dietary behaviors in line with such recommendations. Food decisions are not always objective; they can be highly influenced by individual or external factors. To encourage the adoption of healthy and eco-friendly food choices by the population, the provision of information on labels or at the point of purchase is a commonly used intervention to promote diet-related behavioral change. Whether these informational strategies are provided through conventional or simplified and graphical labels (e.g., interpretive logos), it is necessary to understand if nutritional and environmental information influence consumer purchasing behavior. The main objective of this work is to assess whether the provision of information about nutritional quality and environmental impact can positively influence consumer food behaviors, which would be reflected in healthier and more eco-friendly food choices and consumption. The results of this thesis suggest that the provision of nutritional and environmental information, in a graphical and simplified manner, can contribute to the adoption of healthier and more environmentally-responsible food choices. The results are favorable and inform several research questions, particularly regarding potential intervention strategies to promote behavioral change, the provision of information and the development of tools that combine or integrate multiple attributes to be communicated to individuals.

Les individus diabétiques de type 2 ont une réduction de la consommation maximale d'oxygène (VO²max), suggérant des anomalies tant au niveau central que périphérique. Il est également démontré que la cinétique de la consommation d'oxygène est ralentie pour des puissances de travail sous-maximales, mais les mécanismes sous-jacents à cette anomalie demeurent inconnus. De plus, ces preuves scientifiques proviennent d'études effectuées surtout chez des femmes, ou en comparaison avec un groupe contrôle présentant d'autres différences que la maladie en soi. À ce jour, peu de données existent quant à l'impact du diabète en soi sur la performance à l'effort sous-maximal mesurée par l'ajustement de la VO² et de la fréquence cardiaque en début d'exercice. L'objectif du travail présenté dans ce mémoire était d'évaluer l'impact du diabète de type 2 sur ces paramètres, chez des hommes ayant un diabétique de type 2 bien contrôlé et sans complications cardiovasculaires, en comparaison avec des hommes non-diabétiques de même âge et de poids corporel semblable, et possédant les mêmes caractéristiques de la fonction cardio-pulmonaire. Les résultats suggèrent qu'il n'existe aucune différence entre les deux groupes, tant pour la VO²max que pour la cinétique de la VO² et de la fréquence cardiaque, ce qui suggère que le diabète de type 2 en soi n'est pas responsable d'une diminution de la capacité à l'exercice sous-maximal.

La montée de l’endettement des ménages québécois a soulevé maintes inquiétudes sur la scène économique depuis les dernières décennies. Ce mémoire cherche à quantifier la réponse des ménages face à une variation de leur richesse sur leur taux d’endettement à la consommation à l’aide d’une analyse macroéconomique, couvrant la période comprise entre 1981 à 2010. La richesse totale est divisée en trois composantes distinctes: la richesse humaine, la richesse immobilière, ainsi que la richesse financière. L’exclusion des dettes hypothécaires permet de s’intéresser exclusivement au ratio des dettes pour fins de consommation, notamment, les soldes sur les marges de crédit, les prêts automobiles, les prêts étudiants. L’étude se base sur la théorie du revenu permanent, qui stipule que le consommateur a tendance à consommer selon son revenu permanent afin de lisser sa consommation intertemporelle. Parmi les résultats obtenus grâce aux différentes estimations, la richesse humaine est celle qui détient le plus grand impact sur la consommation à long terme, et par le fait même, l’endettement. Un coefficient de 1,0398 est obtenu pour l’élasticité de long terme de la l’endettement par rapport au revenu, comparativement à 0,1879 et 0,1407 pour l’élasticité des richesses immobilière et financière. En d’autres termes, pour chaque augmentation de 1% du revenu disponible, la demande pour le crédit aux fins de consommation augmente de 1,04%. Les résultats empiriques obtenus pour la relation de court terme présentent des élasticités plus faibles en général, cependant, l’effet de richesse immobilière devient supérieur que celui de la richesse humaine. Enfin, on observe qu’il n’y a pas d’effet significatif sur le taux d’endettement lorsque l’indice de confiance fluctue alors que l’évolution des taux d’intérêt influence le recours au crédit de consommation à court terme. Une hausse de 1% des taux d’intérêt induit une baisse du taux d’endettement de 0,23%.

Depuis une dizaine d'années, la dématérialisation de l'information connaît un essor particulier avec l'ascension du Cloud Computing. La demande sans cesse croissante et le souci de fournir une certaine qualité de service obligent les fournisseurs à investir d'importants capitaux afin de multiplier leurs offres d'hébergement dans plusieurs zones géographiques. Avec ce déploiement à grande échelle d'énormes centres de données, la consommation énergétique du Cloud augmente en conséquence. De ce fait, plusieurs études portant sur la minimisation de la consommation énergétique du Cloud ont été récemment effectuées, en considérant les différentes techniques de réduction de l'énergie consommée. Ce mémoire propose une méthode basée sur l'intégration d'un algorithme d'ordonnancement, d'une technique de réduction de tension et de fréquence du processeur de chaque serveur (appelée DVFS pour Dynamic Voltage and Frequency Scaling), ainsi que du processus de migration des machines virtuelles (VMs). Cette méthode vise à minimiser la consommation de l'énergie dans un environnement Cloud, tout en respectant les exigences de qualité de service. Ce travail de recherche est réalisé en trois phases. Dans la première phase, nous menons une étude sur les différentes techniques de minimisation de la consommation d'énergie. Dans la deuxième phase, nous analysons ces techniques et proposons une méthode basée sur la combinaison de l'algorithme d'ordonnancement Green Scheduler, de la technique DVFS et de la migration des VMs. Afin d'évaluer l'efficacité de cette méthode, nous effectuons, dans la troisième phase, une mise en œuvre et une analyse des résultats issus de trois séries de simulations. Ces résultats montrent que la méthode proposée est en mesure de réduire l'énergie consommée par les serveurs d'une moyenne de 5% par rapport à l'utilisation d'autres méthodes de la littérature. Cette réduction peut atteindre 7.5% dans certaines circonstances. Les résultats de simulations montrent également que la méthode proposée permet de respecter les exigences de qualité de services dans toutes les conditions de fonctionnement du Cloud. / The last decade has witnessed a rapid rise in Cloud Computing usage, which has led to the dematerialization of data centers. The increased use of data centers has an impact on the energy consumption. Therefore, several studies relating to the optimization of energy consumption were recently carried out, hence various techniques aiming to reduce the power consumption were adopted. In this thesis, we propose a method based on the integration of a scheduling algorithm, the DVFS technique and the virtual machine (VM) migration. This method aims to minimize the consumption of energy in a Cloud environment subject to the quality of service. For this purpose, we firstly conduct a study on different techniques which aim to minimize energy consumption. Secondly, we analyze these techniques and propose a method based on the combination of the Green Scheduler algorithm, the DVFS technique and the VM migration. Thirdly, we choose Green Scheduler to perform three sets of simulations. Simulation results show that the proposed method is able to reduce the energy consumed by the servers by an average of 5% compared to the use of other existing methods. This reduction can reach 7.5% under certain circumstances. Such results also show that the proposed method always meets the quality of service requirements. / Ajustement dynamique de la tension

Tableau d’honneur de la Faculté des études supérieures et postdoctorales, 2012-2013. / Afin de préserver la pression de perfusion des organes vitaux tels que le coeur, les reins et le cerveau durant l'anesthésie générale et la période de circulation extra-corporelle d'une chirurgie cardiaque, la pression artérielle moyenne est maintenue au-dessus de 60 mmHg à l'aide de l'administration de vasopresseurs. Ces agents (phényléphrine et noradrenaline) semblent avoir un impact négatif sur l'oxygénation cérébrale quand ils sont administrés afin de corriger une hypotension induite par l'anesthésie générale. L'hypotension est un effet secondaire fréquent de l'anesthésie générale se produisant plus souvent chez les patients diabétiques. De plus, les diabétiques ont besoin d'une quantité plus importante de vasopresseurs afin de rétablir la pression artérielle moyenne comparativement à des patients non-diabétiques. Par contre, l'influence de la phényléphrine et de la noradrenaline sur l'oxygénation cérébrale durant la période de circulation extra-corporelle chez les patients diabétiques est encore inconnue. L'objectif du travail présenté dans ce mémoire était d'évaluer l'impact de la phényléphrine et de la noradrenaline sur l'oxygénation cérébrale chez des sujets diabétiques et des sujets non-diabétiques durant la période de circulation extra-corporelle d'une chirurgie cardiaque. Les résultats suggèrent que les sujets diabétiques subissant une chirurgie cardiaque et recevant de la noradrenaline durant la période de circulation extra-corporelle ont une oxygénation cérébrale réduite, et ce, pendant un plus grand pourcentage de temps comparativement aux sujets non-diabétiques. De plus, il semble que les sujets diabétiques ont besoin d'une plus grande quantité de noradrenaline afin de maintenir la pression artérielle moyenne durant la période de circulation extracorporelle d'une chirurgie cardiaque.