La Centrale de traitement d’Air par Dessiccation (CAD) offre un contrôle complet de la température et de l'humidité dans les locaux climatisés. Son élément clé est la roue dessicante qui permet la dessiccation de l’air et une régénération continue. A travers cette étude, nous nous intéressons au développement d’une méthodologie pour obtenir un modèle dynamique de la roue utilisable dans les algorithmes de contrôle avancés de la CAD. La roue dessicante peut être considérée comme un système de type multi-entrées/multi-sorties (MIMO). La seconde partie de ce mémoire concerne l'identification expérimentale des paramètres des modèles d’état de la roue dessicante pour deux types de modèles : boîte noire et boîte grise. Dans le cas de la boîte noire, tous les paramètres du modèle sont identifiés expérimentalement. Dans le cas de la boîte grise, certains paramètres sont dérivés de considérations physiques et les paramètres restants sont identifiés en utilisant les mesures expérimentales des entrées et des sorties. Les paramètres du modèle boîte grise ont une signification physique. En comparaison avec les modèles boîte noire, les modèles boîte grises sont moins précis sur le domaine sur lequel les paramètres ont été identifiés, mais beaucoup plus précis en dehors de ce domaine. Comme les paramètres ont une signification physique, leurs valeurs ne varient pas de manière significative avec le point de fonctionnement utilisé pour l’identification. Dans l’approche boîte grise, les valeurs des paramètres obtenues pour les modèles linéaires sont presque identiques pour tous les modèles locaux du coté dessiccation et pour tous les modèles locaux du coté régénération ; cela nous a permis de considérer qu’un modèle local est valable pour tout le domaine de variation des variables d’entrée. Le modèle final de la roue dessicante se compose de deux modèles globaux : un pour le côté de la dessiccation et l'autre pour le côté de la régénération. La troisième partie de ce travail consiste dans l'identification des coefficients de transfert de masse et de chaleur au sein de la roue dessicante en utilisant un modèle boîte grise. Le coefficient de transfert de masse, le coefficient de transfert convectif et le nombre de Nusselt ont été obtenus en écrivant les paramètres du modèle d’état en fonction d’une seule variable et en exprimant les paramètres en fonction des caractéristiques géométriques et des propriétés de matériaux de la roue. Ce travail contribue au développement d’un modèle d’état utilisable pour la synthèse des algorithmes de contrôle pour la roue dessicante. / Desiccant Air Unit (DAU) offers a complete control of air temperature and humidity in the conditioned space. Its key component is the desiccant wheel which provides the functions of air desiccation and regeneration. The aim of this study is to develop a methodology for obtaining a dynamic model of the desiccant wheel which can be used for the model-based control algorithms of DAU. The desiccant wheel can be regarded as a multi-input/multi-output (MIMO) system. The first part of the thesis is devoted to the modeling of the desiccant wheel based on energy and mass balance equations. The resulting set of equations is formulated as a second order state-space system without delay. The second part of this thesis concerns the experimental identification of the parameters of the state-space model of the desiccant wheel by using a black-box and a gray-box approach. In the case of the black-box, all the parameters of the model are identified experimentally. The identified parameters have values which minimize the difference between the output of the model and the experimental values. The parameters of the black-box model do not have physical significance. Although precise in the range of variation of the inputs in which the parameters were identified, this model gives significant errors in other domains of variation of the inputs. The parameters of the gray-box model are physically significant. Compared with the black-box models, the gray-box model was less accurate for the domains for which the parameters were identified, but it was notably more robust when applied to other ranges of the inputs. Since the parameters are related to physical properties, their values do not vary significantly with changes of the operating point used for identification. For the gray-box approach, the parameter values obtained for the linear models are almost identical for all local models on the desiccation side and all the local models on the regeneration side, suggesting that a local model may be valid for all the complete range of input variables. Using the above results, a final model of the desiccant wheel was developed, comprising two global models: one for the desiccation side and another for the regeneration side. The third part of the thesis deals with the identification of mass and heat transfer coefficients of the air within the desiccant wheel using a gray-box model. The mass transfer coefficient, the convective heat transfer coefficient and the Nusselt number were obtained by defining the variable parameters of the model as a function of a single variable and by expressing the constant parameters as a function of the geometric and material properties of the wheel. This work contributes to the development of a state-space model used for the synthesis of control algorithms for the desiccant wheel.

The research presented in this thesis was conducted under the joint supervision of Pierre-Luc Bacon, affiliated with Mila - Quebec Artificial Intelligence Institute and Université de Montréal, and Ross Goroshin, affiliated with Google DeepMind. The involvement of both supervisors was integral to the development and completion of this work. / Cette thèse est ancrée dans deux aspirations principales: (i) l'extension des longueurs de séquence pour une fidélité de prédiction supérieure pendant les phases d'entraînement et de test, et (ii) l'amélioration de l'efficacité computationnelle des modèles de séquence. Le défi fondamental de la modélisation de séquences réside dans la prédiction ou la génération précise sur de longs horizons. Les modèles traditionnels, tels que les Réseaux Neuronaux Récurrents (RNN), possèdent des capacités intrinsèques pour la gestion de séquences, mais présentent des lacunes sur de longues séquences. Le premier article, "Correction de Cours des Représentations de Koopman," introduit le Réencodage Périodique pour les Autoencodeurs de Koopman, offrant une solution à la dérive dans les prédictions à long horizon, assurant la stabilité du modèle sur de longues séquences. Les défis subséquents des RNN ont orienté l'attention vers les Transformateurs, avec une longueur de contexte bornée et un temps d'exécution quadratique. Des innovations récentes dans les Modèles d'Espace d'État (SSM) soulignent leur potentiel pour la modélisation de séquences. Notre second article, "Transformateurs d'État-Block," exploite les puissantes capacités de contextualisation des SSM, fusionnant les forces des Transformateurs avec les avantages des SSM. Cette fusion renforce la modélisation linguistique, surtout dans les contextes exigeant une large inference et contexte. En essence, cette thèse se concentre sur l'avancement de l'inférence de séquence à longue portée, chaque article offrant des approches distinctes pour améliorer la portée et la précision de la modélisation prédictive dans les séquences, incarnées par le titre "Au-delà de l'Horizon." / This thesis is anchored in two principal aspirations: (i) the extension of sequence lengths for superior prediction fidelity during both training and test phases, and (ii) the enhancement of computational efficiency in sequence models. The fundamental challenge in sequence modeling lies in accurate prediction or generation across extended horizons. Traditional models, like Recurrent Neural Networks (RNNs), possess inherent capacities for sequence management, but exhibit shortcomings over extended sequences. The first article, "Course Correcting Koopman Representations," introduces Periodic Reencoding for Koopman Autoencoders, offering a solution to the drift in long-horizon predictions, ensuring model stability across lengthy sequences. Subsequent challenges in RNNs have shifted focus to Transformers, with a bounded context length and quadratic runtime. Recent innovations in State-Space Models (SSMs) underscore their potential for sequence modeling. Our second article, "Block-State Transformers," exploits the potent contextualization capabilities of SSMs, melding Transformer strengths with SSM benefits. This fusion augments language modeling, especially in contexts demanding extensive range inference and context. In essence, this thesis revolves around advancing long-range sequence inference, with each article providing distinctive approaches to enhance the reach and accuracy of predictive modeling in sequences, epitomized by the title "Beyond the Horizon."

Mit der wachsenden Popularität von GitHub, dem größten Online-Anbieter von Programm-Quellcode und der größten Kollaborationsplattform der Welt, hat es sich zu einer Big-Data-Ressource entfaltet, die eine Vielfalt von Open-Source-Repositorien (OSR) anbietet. Gegenwärtig gibt es auf GitHub mehr als eine Million Organisationen, darunter solche wie Google, Facebook, Twitter, Yahoo, CRAN, RStudio, D3, Plotly und viele mehr. GitHub verfügt über eine umfassende REST API, die es Forschern ermöglicht, wertvolle Informationen über die Entwicklungszyklen von Software und Forschung abzurufen. Unsere Arbeit verfolgt zwei Hauptziele: (I) ein automatisches OSR-Kategorisierungssystem für Data Science Teams und Softwareentwickler zu ermöglichen, das Entdeckbarkeit, Technologietransfer und Koexistenz fördert. (II) Visuelle Daten-Exploration und thematisch strukturierte Navigation innerhalb von GitHub-Organisationen für reproduzierbare Kooperationsforschung und Web-Applikationen zu etablieren. Um Mehrwert aus Big Data zu generieren, ist die Speicherung und Verarbeitung der Datensemantik und Metadaten essenziell. Ferner ist die Wahl eines geeigneten Text Mining (TM) Modells von Bedeutung. Die dynamische Kalibrierung der Metadaten-Konfigurationen, TM Modelle (VSM, GVSM, LSA), Clustering-Methoden und Clustering-Qualitätsindizes wird als "Smart Clusterization" abgekürzt. Data-Driven Documents (D3) und Three.js (3D) sind JavaScript-Bibliotheken, um dynamische, interaktive Datenvisualisierung zu erzeugen. Beide Techniken erlauben Visuelles Data Mining (VDM) in Webbrowsern, und werden als D3-3D abgekürzt. Latent Semantic Analysis (LSA) misst semantische Information durch Kontingenzanalyse des Textkorpus. Ihre Eigenschaften und Anwendbarkeit für Big-Data-Analytik werden demonstriert. "Smart clusterization", kombiniert mit den dynamischen VDM-Möglichkeiten von D3-3D, wird unter dem Begriff "Dynamic Clustering and Visualization of Smart Data via D3-3D-LSA" zusammengefasst. / With the growing popularity of GitHub, the largest host of source code and collaboration platform in the world, it has evolved to a Big Data resource offering a variety of Open Source repositories (OSR). At present, there are more than one million organizations on GitHub, among them Google, Facebook, Twitter, Yahoo, CRAN, RStudio, D3, Plotly and many more. GitHub provides an extensive REST API, which enables scientists to retrieve valuable information about the software and research development life cycles. Our research pursues two main objectives: (I) provide an automatic OSR categorization system for data science teams and software developers promoting discoverability, technology transfer and coexistence; (II) establish visual data exploration and topic driven navigation of GitHub organizations for collaborative reproducible research and web deployment. To transform Big Data into value, in other words into Smart Data, storing and processing of the data semantics and metadata is essential. Further, the choice of an adequate text mining (TM) model is important. The dynamic calibration of metadata configurations, TM models (VSM, GVSM, LSA), clustering methods and clustering quality indices will be shortened as "smart clusterization". Data-Driven Documents (D3) and Three.js (3D) are JavaScript libraries for producing dynamic, interactive data visualizations, featuring hardware acceleration for rendering complex 2D or 3D computer animations of large data sets. Both techniques enable visual data mining (VDM) in web browsers, and will be abbreviated as D3-3D. Latent Semantic Analysis (LSA) measures semantic information through co-occurrence analysis in the text corpus. Its properties and applicability for Big Data analytics will be demonstrated. "Smart clusterization" combined with the dynamic VDM capabilities of D3-3D will be summarized under the term "Dynamic Clustering and Visualization of Smart Data via D3-3D-LSA".