La productivité des processus d'usinage robotisé est très souvent limitée par le manque de rigidité des robots et les problèmes vibratoires relatifs à l’instabilité de la coupe. L’analyse de l’instabilité de la coupe en usinage robotisé est un problème difficile en raison de la variabilité du comportement dynamique du robot dans son espace de travail. Par conséquent, le phénomène de broutement en usinage robotisé dépend non seulement des paramètres de coupe mais également de la configuration du robot. Le premier objectif de cette thèse est de déterminer une méthode de modélisation dynamique du robot, adaptée du point de vue de l’analyse des vibrations et de la stabilité en usinage robotisé. Cette approche a été réalisée sur le robot d’usinage industriel ABB IRB6660. Une démarche de recalage a été mise en place afin de déterminer les paramètres du modèle numérique du robot. Ensuite, une présentation 3D de la limite de stabilité en usinage robotisé prenant en compte les variations du comportement dynamique du robot est réalisée. Le deuxième objectif consiste à optimiser le procédé vis-à-vis de la stabilité de la coupe. Les variations du comportement dynamique du robot sont exploitées par la gestion des redondances fonctionnelles afin d’optimiser la configuration du robot du point de vue de la stabilité. L’analyse numérique a montré et les essais expérimentaux d’usinage ont confirmé la possibilité de passer de la zone instable à la zone stable par la gestion de la redondance fonctionnelle sans modifier les paramètres de coupe. / Productivity in robotic machining processes can be limited by the low rigidity of the overall structure and vibration instability (chatter). The robot’s dynamic behavior, due to changes in its posture along a machining trajectory, varies within its workspace. Chatter in robotic machining therefore depends not only on the cutting parameters but also on the robot configuration. The first objective of this thesis is to determine a dynamic modeling approach of the robot in order to analyze the vibration and the stability in robotic machining. This modeling approach has been realized to dynamic modeling of an ABB IRB6660 industrial robot. The numerical model parameters are adjusted on the basis of experimental modal identifications. Then, a three-dimensional representation of stability lobes diagram for the prediction to take into account the robot dynamic behavior variations in machining trajectory is established. The second objective is to optimize the robot configurations regarding stability. The dynamic behavior variations of the robot in the workspace are exploited through functional redundancy management in order to optimize robot configurations with respect to machining stability. The numerical analyze demonstrated and experimental machining tests confirmed that stability conditions in machining operations can be achieved by managing functional redundancy without changing the cutting parameters.

This thesis describes a new approach to the detection of protein stability change upon amino acid mutations. The main goal is to create a new meta-tool, which combines the outputs of eight well-established prediction tools and due to suitable method of consensus making, it is able to improve the overall prediction accuracy. The optimal strategy of combination of outputs of these tools is found by using a various number of machine learning methods. From all tested machine learning methods, KStar showed the highest prediction accuracy on the training dataset compiled from experimentally validated mutations originating from ProTherm database. Due to this reason, it is chosen as an optimal prediction technique. The general prediction abilities is validated on the testing dataset composed of multi-point amino acid mutations extracted also from ProTherm database. Since the multi-point mutations were not used for training any of integrated tools, we suppose that such comparison is objective. As a result, the developed meta-tool based on KStar technique improves the correlation coefficient about 0.130 on the training dataset and 0.239 on the testing dataset, respectively (the comparison is being made against the most succesful integrated tool). Based on the obtained results, it is possible to claim that machine learning methods are suitable technique for the problems from area of protein predictions.

京都大学 / 0048 / 新制・論文博士 / 博士(農学) / 乙第12820号 / 論農博第2793号 / 新制||農||1025(附属図書館) / 学位論文||H26||N4815(農学部図書室) / 31307 / 京都大学農学研究科農学専攻 / (主査)教授 松村 康生, 教授 裏出 令子, 教授 安達 修二 / 学位規則第4条第2項該当 / Doctor of Agricultural Science / Kyoto University / DFAM

Stabilní proteiny nacházejí široké uplatnění v řadě medicínských a biotechnologických aplikacích. Přírodní proteiny se vyvinuly tak, aby fungovaly převážně v mírných podmínkách uvnitř buněk. V důsledku toho vzniká zájem o stabilizaci proteinů za účelem jejich širšího uplatnění také v průmyslovém prostředí. Obor proteinového inženýrství se v posledních letech rozvinul do úrovně umožňující modifikovat proteiny pro různá využití, ačkoliv identifikace stabilních mutací je stále zatížená drahou a časově náročnou experimentální prací. Výpočetní metody se proto uplatňují jako atraktivní alternativa, která dovoluje prioritizovat potenciálně stabilizující mutace pro laboratorní práci. Během posledních let bylo vyvinuto velké množství výpočetních strategií: i) výpočty energie pomocí silových polí, ii) evoluční metody, iii) strojové učení a iv) kombinace více přístupů. Spolehlivost a využití nástrojů jsou často limitovány predikcí pouze jednobodových mutací, které mají malý dopad na stabilitu proteinů, zatímco sofistikovanější metody pro predikci multibodových mutací vyžadují větší množství práce na straně uživatele. Hlavním záměrem této práce je poskytnout uživatelům plně automatizované metody, umožňující návrh vysoce stabilních vícebodových mutantů bez potřeby pokročilých znalostí bioinformatických nástrojů a zkoumaného proteinu. V této práci jsou prezentovány následující nástroje a databáze:  FireProt je plně automatizovaná metoda pro návrh stabilních vícebodových mutantů z kategorie tzv. hybridních přístupů. Ve svém výpočetním jádře spojuje jak energetické tak i evoluční metody, přičemž evoluční informace jsou užívány především jako filtry pro časově náročné výpočty energií. Kromě detekce potenciálně stabilizujících mutací se FireProt rovněž snaží spojit tyto mutace do jednoho vícebodového mutanta s minimalizací rizika vzniku antagonistických efektů. FireProt-ASR je plně automatizovaná platforma pro rekonstrukci ancestrálních sekvencí, která dovoluje uživatelům využít tuto strategii bez nutnosti velkého objemu manuální práce a hluboké znalosti zkoumaného proteinu. FireProt-ASR řeší všechny kroky ancestrální rekonstrukce, včetně sběru biologicky relevantních sekvencí, konstrukce zakořeněného fylogenetického stromu a rekonstrukce ancestrálních sekvencí.HotSpotWizard je nástroj pro návrh mutací a mutačních knihoven za účelem zlepšení stability a aktivity zkoumaných proteinů. Nástroj dovoluje provést i širší analýzu za využití čtyř různých strategií běžně používaných v oboru proteinového inženýrství: i) identifikace evolučně variabilních pozic v blízkosti katalytických kapes a tunelů, ii) identifikace pohyblivých regionů, iii) výpočet sekvenčního konsensu a iv) identifikace korelovaných pozic.FireProt-DB je databáze dostupných experimentálních dat popisujících stabilitu proteinů. Hlavním účelem této databáze je standardizovat data v oblasti proteinové stability, poskytnout uživatelům platformu k jejich snadnému ukládání a umožnit intuitivní vyhledávání, které by mohly být využité k trénování nových nástrojů s využitím technik strojového učení.

Substations are joints in the power system that represent nodes that are vital to stable and reliable operation of the power system. They contrast the rest of the power system in that they are a dense combination of critical components causing all of them to be simultaneously vulnerable to one isolated incident: weather, attack, or other common failure modes. Undoubtedly, the loss of these vital links will have a severe impact to the to the power grid to varying degrees. This work creates a cascading model based on protection system misoperations to estimate system risk from loss-of-substation events in order to assess each substation's criticality. A continuation power flow method is utilized for estimating voltage collapse during cascades. Transient stability is included through the use of a supervised machine learning algorithm called random forests. These forests allow for fast, robust and accurate prediction of transient stability during loss-of-substation initiated cascades. Substation risk indices are incorporated into a preventative optimal power flow (OPF) to reduce the risk of critical substations. This risk-based dispatch represents an easily scalable, robust algorithm for reducing risk associated with substation losses. This new dispatch allows operators to operate at a higher cost operating point for short periods in which substations may likely be lost, such as large weather events, likely attacks, etc. and significantly reduce system risk associated with those losses. System risk is then studied considering the interaction of a power grid utility trying to protect their critical substations under a constrained budget and a potential attacker with insider information on critical substations. This is studied under a zero-sum game theoretic framework in which the utility is trying to confuse the attacker. A model is then developed to analyze how a utility may create a robust strategy of protection that cannot be heavily exploited while taking advantage of any mistakes potential attackers may make. / Ph. D.