Th. 3e cycle--Méc.--Toulouse--I.N.P., 1982. N°: 116.

Th. doct. -ing.--Génie chim.--Toulouse--I.N.P., 1982. N°: 198.

Th.--Sci. phys.--Nancy--I.N.P.L., 1978.

Th.--Sci. phys.--Toulouse--I.N.P., 1978. N°: 31.

Dans le procédé RTM (Resin Transfer Molding) utilisé pour la mise en œuvre de structures composites de haute performance, la phase d'imprégnation d'une préforme fibreuse par une résine est déterminante pour la qualité des pièces fabriquées. Pour éviter des défauts de fabrication, la simulation numérique du procédé est largement utilisée. Elle demande une bonne connaissance de caractéristiques matériau dont la principale est la perméabilité du renfort. La caractérisation expérimentale de la perméabilité ayant une variabilité importante, des techniques numériques fiables et applicables dans l'industrie sont recherchées. Ce projet de thèse vise à développer une méthode numérique d'identification in-situ du champ de perméabilité. La performance de la méthode est démontrée sur l'exemple de trois cas d'étude. Un algorithme basé sur la méthode inverse permet notamment d'identifier la perméabilité isotrope et anisotrope ainsi que de détecter l'effet de race-tracking. Dans la suite, les résultats de ce travail pourront être implémentés dans un système de contrôle on-line du procédé RTM. / In the Resin Transfert Molding process used to manufacture high performance composite structures, the fibrous preform impregnation by resin largely determines the piece quality. Numerical simulation is widely used in order to adress the issue of manufacturing defects. It is necessary to know material charasteristics of preform such as perméability which is the most important one. Generally, the preform permeability is obtained by an experimental measurement having a large variability. Therefore, reliable numerical techniques are being looked for. This PhD thesis aims to develop a numerical algorithm by inverse method to identify in-situ the permeability field. The performance of the method is shown by validation of three study cases. The developped algorithm allows to identify isotropic and anisotropic permeability as well as to detect the race tracking effect. In a future work, this numerical algorithm will be implemented in an on-line control system to optimize the mold filling process.

Les terpènes représentent plus de 80% des essences naturelles du Maroc, sont de faible coût et très abondants dans la nature, et existent sous forme optiquement pure. Ces composés, de par leur structure qui se prête facilement à des réactions de fonctionnalisations, comportent un ou plusieurs centres de chiralité qui les placent en première ligne comme précurseurs potentiels de coordinats optiquement actifs. Nous nous sommes intéressés à la synthèse de nouveaux ligands chiraux a partir de terpènes naturels. En particulier, nous avons préparé des aminoalcools, diimino et diaminodiols à partir de d’α-pinène, et des α-aminooximes, leurs éthers ainsi que leurs diamines correspondantes à partir du limonène. Ces nouveaux coordinats chiraux ont ensuite été appliqués en catalyse asymétrique de transfert d’hydrogène sur des cétones aromatiques sur des complexes à base de métaux de transition, en particulier le ruthénium, et en présence de l’isopropanol comme source d’hydrogène. Ces ligands en comparaison avec la littérature s’avèrent performants en termes d’activité et sont à même d’induire une bonne énantiosélectivité (des excès énantiomériques de l’ordre de 80% ont été obtenu sur certains substrats). Une étude plus approfondie du mécanisme réactionnel a été réalisée avec les ligands α-aminooximes, dont ce travail présente la première application en catalyse asymétrique. / Terpenes represent more than 80% of natural oils of Morocco, are of moderate cost and very plentiful in nature. These compounds are prone to be readily functionalized, and as their backbone includes one or more chiral centers, they are therefore potential precursors for the synthesis of chiral ligands without separation of the enantiomers. In this work, we have been interested in the synthesis of novel chiral ligands from natural terpenes. In particular, we have prepared amino alcohols, diimino and diaminodiols from α-pinene, and α-aminooximes, their ethers and their corresponding diamines from limonene. These new ligands were applied in asymmetric catalysis of hydrogen transfer of aromatic ketones with complexes based on transition metals, particularly ruthenium, in the presence of isopropanol as hydrogen source. These ligands in comparison with the literature prove to be efficient in terms of activity and are shown to induce medium to good enantioselectivities (enantiomeric excesses up to 80% have been obtained on some substrates). Further study on the reaction mechanism have been carried out specifically with the α-aminooximes ligands, as this work is presenting the first application of this new series of ligands in asymmetric catalysis.

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

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

En thérapie génique, les virus adéno-associés (AAV) ont prouvé maintes fois qu’ils étaient capables de transférer un gène désiré dans différents types de tissus cibles. La plupart des humains possèdent déjà une pré-immunité existante contre les sérotypes humains d’AAV, ce qui se caractérise par une réponse robuste des anticorps contre la capside virale contenant le transgène avant qu’il n’atteigne sa cible thérapeutique. Dû à ce phénomène, les nouveaux AAV avec une faible séroprévalence sont hautement attractifs comme véhicules de transfert de gènes. Des études ont démontré que les AAV découverts, provenant du porc comme AAVpo1 ou AAVpo2, ne sont pas reconnus par la pré-immunité humaine. Ce mémoire décrit des objectifs primaires de recherche comme l’isolation de nouveaux sérotypes d’AAV provenant des fèces de porc, la production des nouveaux vecteurs viraux et la caractérisation de leur capacité de transduction in vitro. Les résultats ont démontré que les nouveaux vecteurs AAV porcins sont capables de transduire une bonne variété de cellules et de tissus. Aussi, des évidences d’échanges de génome du gène CAP entre 2 AAV ont été trouvées durant le processus de la recherche. Même si les nouveaux vecteurs AAV ont réussi à transduire des lignées cellulaires avec succès, des études plus poussées sur la bio distribution du vecteur chez les souris seront nécessaires pour vérifier la fiabilité de ces nouveaux vecteurs.

Thèse ou mémoire avec insertion d'articles / Le transfert de connaissances a priori est essentiel pour améliorer les performances des modèles modernes d'apprentissage profond et réduire les coûts pour les entraîner. Cet article vise à étudier ce sujet important en établissant des cadres théoriques systématiques pour le transfert de connaissances a priori en apprentissage profond. Premièrement, nous introduisons un cadre théorique unifié reliant les approches conventionnelles d'apprentissage à apprendre et les méthodes modernes de méta-apprentissage indépendant du modèle (MAML). Les méthodes conventionnelles apprennent conjointement des modèles spécifiques à une tâche et des méta-paramètres en utilisant tous les données, tandis que MAML alterne entre les données de méta-train et de méta-validation pour entraîner les modèles et les méta-paramètres. Nous fournissons des bornes de généralisation qui sont dépendantes de l'algorithme d'apprentissage et des données, garantissant l'efficacité des deux approches. De plus, nous analysons l'impact des séparations des données de méta-train et méta-validation sur l'apprentissage alterné et proposons des bornes de généralisation non-trivials pour "l'apprentissage profond avec peu d'exemples", qui sont estimées avec l'incohérence de gradient entre les donnés de méta-train et tous les données. Par la suite, pour l'adaptation de domaine, cette thèse procède à une analyse complète des travaux théoriques antérieurs, visant à aborder certaines limites concernant les approches utilisant l'alignement de la représentation, le changement de distribution cible et le pseudo-étiquetage. Concrètement, nous présentons des analyses rigoureuses basées sur la théorie de l'information mutuelle pour l'adaptation de domaine multi-sources et proposons un algorithme qui effectue un alignement de représentation conjointe avec des pseudo-étiquettes pour atténuer le changement de distribution cible. Cet algorithme peut surpasser celui des travaux précédents dans le scénario non supervisé. Enfin, nous visons à résoudre le dilemme stabilité-plasticité dans le méta-apprentissage continu. Nous sommes les premiers à formuler théoriquement ce problème constitué d'un mélange d'apprentissage statistique et d'apprentissage en ligne dans des environnements statiques ou changeants. La théorie proposée peut identifier les facteurs influençant le compromis apprentissage-oubli à deux niveaux pour l'apprenant d'une tache et le méta-apprenant dans des environnements changeants. Nous proposons en outre un algorithme qui équilibre ce compromis à deux niveaux avec des performances empiriques améliorées. Dans l'ensemble, cette thèse fournit un cadre théorique unifié pour le méta-apprentissage, résout certaines limitations de l'adaptation de domaine et aborde le dilemme stabilité-plasticité dans le méta-apprentissage continu. Ses contributions constituent une amélioration de notre compréhension de ces domaines et proposent de meilleures méthodes de transfert de connaissances dans l'apprentissage profond. / Transferring prior knowledge is crucial in enhancing performance and reducing the training costs of modern deep-learning models. This thesis aims to study this important topic by developing systematic theoretical frameworks for prior knowledge transfer in deep learning. Firstly, we introduce a unified theoretical framework connecting the conventional learning-to-learn approaches and the modern model-agnostic meta-learning (MAML) methods. Conventional methods jointly learn task-specific models and meta-parameters using the entire dataset, while MAML alternates between meta-train and meta-validation sets for training models and meta-parameters. We provide algorithm-dependent and data-dependent generalization bounds, ensuring the effectiveness of both approaches. Furthermore, we analyze the impact of meta-train-validation split on alternate training methods and offer non-vacuous generalization bounds for deep few-shot learning estimated with the gradient-incoherence between the meta-train and the entire dataset. Subsequently, for domain adaptation, the thesis conducts a comprehensive analysis of previous theoretical works, aiming to address several limitations in representation alignment, target shift, and pseudo-labeling. Concretely, we present rigorous analyses based on information-theoretic learning theory for multi-source domain adaptation and propose an algorithm that conducts joint representation alignment with pseudo labels to mitigate target shift. The proposed algorithm outperforms previous works under the unsupervised scenario. Finally, we aim to address the stability-plasticity dilemma in continual meta-learning. We are the first to theoretically formulate this online statistical mixture learning problem in both static and shifting environments. The proposed theory can identify factors influencing the bi-level (task- and meta-level) learning-forgetting trade-off in shifting environments. We further propose an algorithm that balances the bi-level trade-off with enhanced empirical performance. Overall, this thesis provides a unified theoretical framework for meta-learning, addresses several limitations in domain adaptation, and tackles the stability-plasticity dilemma in continual meta-learning. Its contributions constitute improving our understanding of these areas and proposing new enhanced methods of knowledge transfer in deep learning.