Back to search

École de technologie supérieure

Modélisation énergétique des navires auto-déchargeurs à l’aide des méthodes d’apprentissage automatique

Abstract

dc:description

La consommation d’énergie lors des opérations de déchargement représente un enjeu central dans le fonctionnement des navires auto-déchargeurs, en particulier en raison du rôle important des convoyeurs à bande dans la chaîne de manutention. Ces équipements, souvent sollicités en continu sur de longues périodes, sont responsables d’une consommation excessive d’énergie qui nécessite une amélioration. Pour relever ce défi, les recherches des dernières décennies se sont principalement concentrées sur le développement de modèles d’économie basé sur les modélisations physiques ou l’utilisation des algorithmes intelligents à travers des simulations faites sur des bancs d’essai. Dans un contexte où la réduction de la consommation énergétique constitue un enjeu stratégique tant sur le plan environnemental qu’opérationnel, ce mémoire s’intéresse à l’optimisation de la consommation électrique des convoyeurs à bande. Plus précisément, l’étude propose une double approche basée sur l’industrie 4.0 en utilisant des modèles d’apprentissage automatique, tel que les forêts aléatoires, pour prédire la consommation énergétique à partir de variables opérationnelles comme le débit de déchargement, la vitesse des moteurs, le type de cargaison ou encore les caractéristiques du port. Ces modèles sont entraînés sur des données réelles provenant de plusieurs navires, ce qui permet de capturer la complexité et la variabilité des profils de consommation observées en situation réelle. En complément, des algorithmes d’optimisation numérique, dont la méthode L-BFGS-B, sont mobilisés pour identifier les configurations de fonctionnement minimisant la consommation énergétique, tout en intégrant des contraintes pratiques, telles que la durée de déchargement. Les résultats montrent que cette double approche permet d’atteindre des économies d’énergie significatives, en particulier pour certains navires disposant de marges de manoeuvre techniques suffisantes. Elle permet d’envisager des configurations de fonctionnement plus réalistes sans compromettre l’efficacité logistique et offre également un cadre décisionnel robuste pour adapter les consignes opérationnelles en fonction du type de cargaison et du contexte portuaire. Ce travail démontre ainsi l’importance de l’intelligence artificielle appliquée à la logistique maritime en vue de renforcer la durabilité des opérations tout en optimisant les performances des équipements.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2025

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Noudji Lape, Ginette Brenda

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE3685

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Noudji Lape, Ginette Brenda. Modélisation énergétique des navires auto-déchargeurs à l’aide des méthodes d’apprentissage automatique. masters thesis, École de technologie supérieure, 2025.