Reproduction de : Thèse de doctorat : Informatique : Lille 1 : 2005. / N° d'ordre (Lille 1) : 3752. Titre provenant de la page de titre du document numérisé. Bibliogr. p.147-156.

Reproduction de : Thèse de doctorat : Sciences de l'ingénieur. Electronique : Metz : 1999. / 1999METZ041S.

Th. doct.--Electronique et communications--Paris--ENST, 1995. / Bibliogr. p. 159-163. Notes bibliogr. Résumés en français et en anglais.

Th. doct.--Informatique--Grenoble 1, 1995. / Bibliogr. p. 253-262. Résumé en anglais et en français. 1996 d'après la déclaration de dépôt légal.

Thèse (M.Sc.)--Université Laval, 2002. / Bibliogr.: f. [141]-149. Publié aussi en version électronique.

Ce travail de thèse porte sur l’élaboration d’un modèle prédictif de la croissance d’une microalgue eucaryote en photobioréacteur, basé sur une analyse du métabolisme de croissance de l’algue verte modèle Chlamydomonas reinhardtii en conditions photoautotrophes. Le modèle proposé appartient à la famille des modèles biochimiquement structurés. Outre la détermination prédictive des rendements de conversion des substrats en produits assurée par la représentation du métabolisme énergétique cellulaire, le modèle permet de décrire le comportement dynamique des microalgues en photobioréacteurs, en incluant l’adaptation de la teneur en pigments aux conditions de lumière fluctuantes, pour une large plage de conditions opératoires. Le modèle a été identifié et validé sur une base de données expérimentales obtenues pour des cultures continues et discontinues, élaborée dans le cadre de ce travail de thèse, comportant des mesures intra- et extracellulaires. Cette modélisation du comportement d’une microalgue eucaryote en photobioréacteur a été étendue à une description de la phase abiotique du bioréacteur, reposant sur une analyse et une caractérisation du transfert de matière gaz-liquide (O2 / CO2) dans les conditions étudiées. Cette modélisation de la phase abiotique a conduit au développement d’un estimateur de la concentration en biomasse basé sur la mesure de la vitesse nette de production d’oxygène. Cet outil a été validé expérimentalement, et a servi au suivi de cultures en temps réel, ainsi qu’au pilotage d’un photobioréateur en mode turbidostat. / The present work deals with the elaboration of a predictive model for the growth of eukaryotic microalgae in photobioreactors, built on an analysis of the growth metabolism of the model green alga Chlamydomonas reinhardtii in photoautotrophic conditions. The proposed model belongs to the family of biochemically-based structured models. Besides a comprehensive representation of the conversion yields of substrates into products based on the description of cellular energetic metabolism, the model allows to predict the dynamic behaviour of microalgae growth in photobioreactors for a wide range of operating conditions, including pigment adaptation to fluctuating light conditions. The model has been identified and validated on an experimental dataset obtained for continuous and batch cultures carried out as part of the PhD, including intraand extracellular measurements. Modelling of microalgal growth behaviour in photobioreactors has been extended to a description of the reactor abiotic phase, relying on the analysis and characterization of gas-liquid mass transfer (O2 / CO2) under the conditions of the study. The abiotic phase modelling has led to the development of a biomass concentration estimator based on the measurement of the net oxygen production rate. This tool has been validated experimentally and has been applied to the real-time monitoring of cultures, as well as the control of a photobioreactor in turbidostat mode.

Les perspectives de collaboration sont aujourd’hui démultipliées par l’irruption des nouvelles technologies dans nos sociétés. Mais dans le domaine de la recherche, des solutions tardent encore à émerger. Par exemple, les outils spécialisés d’assistance à l’Analyse Comportementale (AC) par codage vidéo ne tirent pas parti d’un déploiement en ligne. C O LAB , qui prend la forme d’une application web, offre à divers chercheurs la possibilité de collaborer autour d’un ensemble de données d’expérimentation récoltées en appartement « intelligent ». Dans un premier temps, l’approche privilégiée est l’AC, mais la plateforme se veut évolutive et capable d’accueillir, à terme, des modules supportant un vaste champ d’expertises afin de constituer un cadre fécond pour l’interdisciplinarité. Un modèle de gouvernance inspiré du coopérativisme des plateformes est adjoint à C OL AB pour proposer une exploitation semi-commerciale dont les bénéfices sont mécaniquement réinjectés dans la recherche. L’identification du périmètre du problème et sa décomposition sont l’objet du chapitre 3, dans lequel nous proposons d’étudier les processus associés à l’AC et les expérimentations en environnement intelligent. Le chapitre 4 présente les prototypes réalisés dans une démarche exploratoire ainsi que certains résultats de mesures ergonomiques. Enfin, des spécifications partielles sont offertes dans le chapitre 5 pour projeter la solution dans une forme plus complète.

Ce mémoire de maîtrise se consacre à l’étude des figures discrètes, un sujet à l’intersection de la combinatoire des mots et la géométrie digitale. Décrite simplement, une figure discrète est un assemblage fini de pixels joints côté par côté. Toute figure discrète se décompose en composantes connexes appelées polyominos, un objet très connu en combinatoire et en théorie des jeux. Dans sa thèse, en 2008, Provençal propose quelques problèmes ouverts sur les polyominos et introduit ainsi le concept de polyominos premiers et composés. Jusqu’à maintenant, on en sait très peu sur cette notion de primalité. En effet, à notre connaissance, le seul document qui y fait référence est un article publié en 2012 par Blondin Massé, Garon et Labbé dans lequel les auteurs résolvent une conjecture de Provençal en s’appuyant sur la notion de polyominos premiers et composés. Dans ce mémoire, nous explorons plus en détails ce sujet. En plus de fournir une définition et un cadre plus formel, nous proposons un algorithme polynomial (par rapport au périmètre du polyomino) permettant de décomposer celui-ci en un produit de polyominos premiers. Nous discutons également des implications potentielles de ces idées en cryptographie.

Some mental states, such as fatigue, or sleepiness, are known to increase the potential of accidents in industry, and thus could decrease productivity, even increase cost for healthcare. The highest rate of industrial accidents is usually found among shift workers due to fatigue or extended work hours. When using machine tool or interacting with robotic system, the risk of injury increases due to disturbance, lapse in concentration, vigilance decline, and neglect of the risk during prolonged use. Usually, to guarantee safety of worker, the conventional means is to stop the machine when human presence is detected in the safeguarding area of machine tool or robot workspace. The popular human detection technologies exploit laser scanner, camera (or motion tracker), infrared sensor, open-door sensor, static pressure sensitive floor as described in CSA Z434 standard. Of course, in the field of robotic, human and robot are not allowed to work together in the same workspace. However, new industrial needs lead research to develop flexible and reactive chain production for enabling small quantity production or fast modification in product characteristics. Consequently, more efficient human-machine or human-robot collaboration under a safety condition could improve this flexibility. Our research project aims at detecting and analyzing human safety in industry in order to protect workers. Comparing to the conventional human protection methods, our research exploits Artificial Intelligence approach to track and monitor human head motion and mental state using an instrumented safety helmet, labelled as Smart Safety Helmet (SSH) in the following. The contribution of this thesis consists in the design of data fusion algorithm for the recognition of head motion and mental state, which can be used to analyze the potential risky states of workers. A Smart Safety Helmet embedded with Inertial Measurement Unit (IMU) and EEG sensors will be used to detect and decode the human’s mental state and intention. The acquired information will be used to estimate the accident risk level in order to stop machine and then prevent accident or injury. In human-robot interaction (HRI) paradigm, the human’s intention could be used to predict the worker trajectory in order to control the robot moving trajectory and then to avoid fatal collision. Certains états mentaux, comme la fatigue ou la somnolence, sont connus pour augmenter le potentiel d'accidents dans l'industrie, et pourrait donc réduire la productivité, même augmenter les coûts des soins de santé. Le taux le plus élevé d'accidents au travail est habituellement trouvé parmi les travailleurs en rotation (travail posté) dues à la fatigue ou les heures de travail prolongées. Lors de l'utilisation d’une machine-outil ou lors d’une interaction avec un système robotique, le risque de lésion peut augmenter dû à une perturbation, un manque de concentration, une baisse de vigilance et la négligence du travailleur face au risque présent lors d'une utilisation prolongée (accoutumance au risque). Habituellement, pour garantir la sécurité des travailleurs, des moyens classiques sont l'arrêt complet de la machine lorsque la présence humaine est détectée dans une zone non sécuritaire, par exemple dans l’espace de travail d’un robot. Les technologies industrielles communes de détection humaine exploitent le scanner au laser, la caméra (par la capture de mouvement), le capteur infrarouge, l’interrupteur de porte ouverte, le tapis de capture de la pression statique ; tous ces capteurs sont décrits dans la norme CSA Z434. Jusqu’à tout récemment, dans le domaine de la robotique industrielle, les humains et les robots n’étaient pas autorisés à travailler ensemble dans le même espace. Toutefois, des besoins industriels émergents ont dirigé les recherches pour développer une production flexible et réactive pour favoriser la production de petites quantités ou modifier rapidement des caractéristiques du produit. Par conséquent, une collaboration plus efficace entre l'humain et le robot ou, de manière plus générale entre l'humain et la machine, sous des contraintes de sécurité, pourrait améliorer cette flexibilité et cette réactivité. Notre projet de recherche vise à détecter et à analyser la sécurité humaine dans l'industrie afin de protéger les travailleurs. En comparant les méthodes classiques de protection humaine, notre approche exploite l'intelligence artificielle pour identifier les mouvements de la tête et identifier l'état mental en utilisant un casque de sécurité instrumenté, nommé le Smart Safety Helmet (SSH) dans ce qui suit. La contribution de ce mémoire réside dans la conception de la fusion des données provenant de la reconnaissance de mouvement de la tête et de l'état mental, qui peut être utilisée pour analyser le potentiel de risque encouru par un travailleur. Dans le SSH, une unité de mesure inertielle (IMU) et capteurs EEG ont été intégrés. Ces deux capteurs seront utilisés pour détecter l'état mental de l’humain et décoder son intention. Les informations recueillies seront utilisées pour estimer le risque d'accidents afin d'arrêter la machine et d'empêcher un accident. Dans le paradigme de l’interaction humain-robot, l'intention de l'humain pourrait être utilisée modifier le comportement du robot (réduire sa rigidité ou modifier sa trajectoire).

La culture en serre offre une production annuelle contrôlée et optimale, favorisant l’amélioration de la capacité des récoltes dans les régions nordiques. Selon une étude du groupe AGÉCO, près de 21% des producteurs en serre interrogés désireraient apporter des modifications à leurs installations afin de les rendre plus performantes. Cela touche principalement les serres ayant une superficie inférieure à 2000 m2. Dans le cadre de ce projet, les travaux de recherche portent sur les systèmes hydroponiques commerciaux et résidentiels en circuit fluidique fermé. L’un des principaux problèmes dans ce type de système est la distribution et le maintien de la solution nutritive. Il a été démontré qu’il était possible de maintenir la concentration en nutriments entre des limites acceptables à l’aide d’une régulation. Cependant, le système compensé reste vulnérable à des défaillances du système de maintien de la solution nutritive. Ainsi, l’objectif du projet est de développer un dispositif à faible coût et non invasif permettant détecter des anomalies de la concentration de la solution nutritive dans un système fluidique fermé. Une technique de surveillance est mise sur pied afin de détecter une modification de la concentration de la solution nutritive sur la production de la tomate d’Alaska. Le matériel utilisé pour ce dispositif provient de la fondation Raspberry Pi. Il est composé d’ordinateurs monocartes et de caméras sans filtre infrarouge. Le paramètre mesuré était la fluorescence de la chlorophylle lorsque le plant était soumis à une excitation lumineuse de longueur d’onde de 470 nm. Le dispositif élaboré permet de mesurer une différence significative entre diverses concentrations en nutriments soit 0, 400, 800, 1200 et 1600ppm. Par la suite, un classificateur à base de logique floue a été utilisé afin de tirer un indice de statut nutritionnel du plant. Ce dernier varie entre 0 et 2. La valeur cible recherchée est de 1, soit 1200ppm. Les valeurs inférieures à 1 indiquent une situation de sous-nutrition et les valeurs supérieures à 1, une situation de surnutrition.