| Imprimer |
| Apprentissage machine et contrôle stochastique pour un pilotage automatique optimisé des systèmes industriels (Machine learning and stochastic control for optimized operation of industrial systems) Bertret, Victor - (2025-12-19) / Université de Rennes - Apprentissage machine et contrôle stochastique pour un pilotage automatique optimisé des systèmes industriels
| |||
Langue : Français Directeur(s) de thèse: Monbet, Valérie Discipline : Mathématiques et leurs interactions Laboratoire : IRMAR , IETR Ecole Doctorale : MATISSE Classification : Mathématiques Mots-clés : Station d’épuration, Contrôle optimal stochastique, Modèles à espace d’état, Assimilation de données, Estimation d’état, Programmation Dynamique Stochastique
| |||
Résumé : L’optimisation du contrôle de l’aération dans les stations d’épuration est essentielle pour répondre aux objectifs économiques et environnementaux. Le développement de stratégies avancées reste freiné par la difficulté de calibrer des modèles prédictifs fiables à partir de données limitées, partielles et bruitées. Cette thèse propose un cadre méthodologique unifié, de la modélisation à la commande, fondé sur les modèles stochastiques à espace d’état et l’assimilation de données afin d’estimer les dynamiques du procédé, reconstruire les états latents et quantifier rigoureusement les incertitudes. L'étude comparative des diverses familles de modèles (mécanistes, boîtes grises, boîtes noires) et des stratégies de contrôle en temps réel aboutit à la sélection d'une architecture robuste, combinant un modèle non paramétrique et la Programmation Dynamique Stochastique. Cette solution est ensuite validée dans une simulation en boucle fermée réaliste et testée face à des perturbations non modélisées, telle que la variabilité de la charge polluante. Il est démontré que ce cadre réduit les coûts d’exploitation de 15 à 25 % tout en respectant les contraintes, y compris en l'absence d'information sur les perturbations externes. Enfin, l'étude démontre que la performance de la commande repose moins sur la quête d'une justesse prédictive absolue que sur la capacité du contrôleur stochastique à intégrer l'incertitude globale, y compris les perturbations non modélisées, dans sa politique de décision. Abstract : Optimizing aeration control in wastewater treatment plants is crucial to meet both economic and environmental objectives. The development of advanced control strategies, however, is hindered by the difficulty of calibrating reliable predictive models from limited, partial, and noisy data. This thesis proposes a unified methodological framework, from modeling to control, based on state-space stochastic models and data assimilation to jointly estimate process dynamics, reconstruct latent states, and rigorously quantify uncertainties. The comparative study of different model families (mechanistic, grey-box, black-box) and real-time control strategies yields a robust control architecture combining a nonparametric model with Stochastic Dynamic Programming. This solution is validated in a realistic closed-loop simulation and tested against unmodeled disturbances such as influent variability. This framework is proven to reduce operating costs by 15–25% while ensuring constraint satisfaction, even without prior knowledge of external disturbances. Finally, the study highlights that the controller’s ability to integrate global uncertainty, including unmodeled disturbances, into its decision-making policy is ultimately more decisive for operational performance than pursuing absolute predictive accuracy. | |||