Dans un contexte de développement durable, les enjeux de la dernière phase du cycle de vie d'un système, la phase de retrait de service, se sont accrus ces dernières années. Les systèmes en fin de vie doivent être déconstruits afin d'être revalorisés pour répondre aux différentes exigences environnementales. Cette responsabilité incombe au concepteur qui doit définir le sous-système support de la phase de retrait de service : le système de déconstruction. Sa principale fonction est la réalisation de l'activité de déconstruction dans l'objectif de favoriser en aval le recyclage de la matière des constituants du système en fin de vie et/ou leur recyclage fonctionnel. Les stratégies de déconstruction doivent répondre à l'ensemble des problèmes de décision posés lors de la phase de retrait de service d'un système. Il s'agit notamment de sélectionner les constituants valorisables suivant des critères techniques, économiques et environnementaux puis de définir et optimiser le système de déconstruction permettant l'obtention de ces produits. La solution obtenue définie ce que nous avons appelé une trajectoire de déconstruction. Nos travaux portent sur la modélisation et l'optimisation de ces trajectoires. Nos développements s'articulent en quatre phases. Etat de l'art et démarche de définition d'une trajectoire. Dans cette phase, une structure de démarche de définition de trajectoires de déconstruction est proposée puis instrumentée. Les modèles généralement utilisés dans ce cadre sont de type déterministe et ne permettent pas de prendre en compte et de gérer les incertitudes inhérentes au processus de déconstruction (état dégradé du système en fin de vie et de ses constituants, demandes en produits issus de la déconstruction, dates de fin de vie des systèmes, …). Pour déterminer une solution robuste de déconstruction d'un système en fin de vie, l'aide à la décision proposée doit intégrer des incertitudes de nature diverse tout en facilitant leur gestion et leurs mises à jour. Incertitudes en déconstruction. Sur la base de ce constat, l'ensemble d'incertitudes couramment mises en jeu dans l'optimisation des trajectoires est identifié et caractérisé. Les méthodes probabilistes apparaissent comme des approches privilégiées pour intégrer ces incertitudes dans une démarche d'aide la décision. Les réseaux bayésiens et leur extension aux diagrammes d'influence sont proposés pour répondre à différents problèmes de décision posés lors de la définition d'une trajectoire de déconstruction. Ils servent de support au développement d'un outil d'aide à la décision. Modélisation de trajectoires de déconstruction : principes et approche statique d'optimisation. Après avoir présenté ses principes de modélisation, l'outil est développé dans une approche de détermination d'une trajectoire de déconstruction d'un système en fin de vie donné. La trajectoire obtenue fixe la profondeur de déconstruction, les options de revalorisation, les séquences et les modes de déconstruction suivant des critères économiques et environnementaux tout en permettant de gérer différents types d'incertitude. L'utilisation de critères économiques est ici privilégiée. Un exemple d'application sur un système aéronautique est développé pour illustrer les principes de modélisation. Approche dynamique pour l'optimisation d'une trajectoire de déconstruction. Le champ d'application de l'outil d'aide à la décision est étendu en intégrant une dimension temporelle à la modélisation du problème à l'aide des réseaux bayésiens dynamiques. Les trajectoires de déconstruction peuvent ainsi être établies sur des horizons couvrant les arrivées de plusieurs systèmes en fin de vie en présence d'incertitudes. Le modèle permet de déterminer des politiques de déconstruction pour chaque opération identifiée dans la trajectoire en fonction de différents paramètres liés à la gestion des demandes et des arrivées ou encore au processus d'obtention de ces produits. Le décideur peut ainsi adapter l'outil à différents contextes de détermination de trajectoire de déconstruction de systèmes en fin de vie. / In a sustainable development context, stakes of the last stage of system life cycle, the end-of-life stage, increase these last years. End-of-life systems have to be demanufactured in order to be valued and answer environmental requirements. The aim of disassembly strategies is to bring solutions to the whole decision problem put during the end-of-life stage of systems. In particular, decision maker have to select valuable products in function of technical, economical and environmental criteria and, then, design and optimise disassembly support system allowing generating these products. The solution determines what we call a disassembly trajectory and ours works deal with modelling and optimization of these trajectories. Definition steps of disassembly trajectories are proposed, structured and instrumented. Models that are generally used in this frame are determinist and do not allow taking into account and managing uncertainties that are inherent to disassembly process (degradation of products, demand for valuable product, systems end-of-life dates, ...). In order to determine a robust disassembly solution, decision aid has to integrate uncertainties from various origins while facilitating their management and their update. On the basis this observation, all the uncertainties involved in disassembly trajectory optimization are identified and characterized. Basing on Bayesian networks, the proposed tool is developed through a “static” approach of disassembly trajectory. Indeed, the obtained trajectory gives the disassembly level of the end-of-life system, recycling options, sequences and disassembly modes in function of economical criteria while allowing managing uncertainties. An application example on an aeronautical system is developed to illustrate the modelling method. The application field of the model is extended to take into account time dimension (dynamic approach) by using dynamic Bayesian networks. Trajectories can be defined on horizons that integrate several arrivals of end-of-life systems. Decision makers can so adapt the model to various contexts
| Identifer | oai:union.ndltd.org:theses.fr/2009INPT046H |
| Date | 22 April 2009 |
| Creators | Godichaud, Matthieu |
| Contributors | Toulouse, INPT, Pérès, François |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text, Text |
Page generated in 0.0046 seconds