Les lauréats 2022 du Prix Paul Caseau ont été annoncés hier soir, en présence de Denis Ranque, Président de l’Académie des technologies, Xavier Darcos, Chancelier de l'Institut de France et Gérard Roucairol, Président Honoraire de l’Académie des technologies et Président du Jury. Découvrez qui a été récompensé par ce prix de thèse.
_____________________________________________________
Le Prix Paul Caseau a été créé en 2012 en mémoire de Paul Caseau, membre fondateur de l'Académie des technologies et ancien directeur de la R&D d’EDF. Il est porté par l'Académie des technologies, l'Institut de France et EDF au travers de leur Programme Science et Enseignement. Il récompense des travaux de thèse présentant un caractère exceptionnel sur le plan scientifique. |
Les candidats au Prix de thèse Paul Caseau 2022 ont été nombreux et n'ont pas démérité des années précédentes. Parmi la cinquantaine de dossiers de thèses soutenues en 2021, quatre lauréats particulièrement brillants ont été retenus pour recevoir ce prix. Une prestigieuse récompense pour des travaux de thèse menés dans le domaine de l'énergie, dans les catégories suivantes :
- Le développement des usages de l'électricité, de l'efficacité énergétique et de l’analyse du système électrique ;
- La modélisation et la simulation numérique ;
- Le calcul scientifique et l’informatique, spécialement dans l'usage optimal des grands ordinateurs scientifiques et des réseaux informatiques.
La cérémonie s'est déroulée en présence de Xavier Darcos, Chancelier de l’Institut de France, Gérard Roucairol, Président de l’Académie des technologies et Président du Jury et Denis Ranque, Président de l’Académie des technologies, Sébastien Candel, ancien Président et Vice Président de l'Académie des Sciences et Président du Conseil Scientifique d'EDF, et Bernard Salha, Directeur Technique Groupe et Directeur de la R&D.
Parmi les 4 lauréats, trois ont effectué leurs thèses à la R&D d'EDF
Rem-Sophia Mouradi, a été doctorante et désormais chercheuse à la R&D d'EDF._____Sophia Mouradi a reçu le Prix Paul Caseau pour ses travaux scientifiques remarquables menés lors de sa thèse intitulée « Modélisation non-linéaire de champs multidimensionnels guidée par la donnée : application aux écoulements côtiers hydro-morphodynamiques », dans la catégorie modélisation et simulation numérique. |
Quel était ton sujet de thèse ?
Ma thèse s'est déroulée au département LNHE de la R&D en collaboration avec le CERFACS, et a traité de la problématique d'ensablement dans les chenaux d'amenée des centrales en bord de mer. Cet ensablement nécessite des opérations de dragages coûteuses, qui peuvent être optimisés si on arrive à prédire le volume de sable qui sera déposé ainsi que la manière dont ces dépôts se distribuent dans le chenal. C'est dans ce contexte que nous nous sommes intéressés à la prédiction basée sur la donnée. Nous avons proposé une méthodologie de type "Machine Learning" alliant efficacité et interprétabilité physique. Nous avons appliqué cette méthode d'une part aux données récoltées sur le terrain pour obtenir un modèle statistique à la fois prédictif et rapide, et d'autre part à l'outil TELEMAC (modèle numérique à base physique) pour pouvoir simuler un grand nombre de scénarios rapidement. Cette dernière approche appelée "méta-modélisation" a été utilisée dans le cadre d'une assimilation de données, qui consiste en une utilisation jointe des données et des modèles numériques à base physique pour une meilleure prédiction.
Un anecdote sur le Prix Paul Caseau ?
J'ai reçu l'appel m'annonçant que j'étais lauréate du prix Paul Caseau dans un Taxi au départ de l'aéroport de Porto. Je me dirigeais à une conférence sur la dispersion atmosphérique, en compagnie de quelques collègues de la R&D et du CEREA (laboratoire commun entre EDF et l'Ecole des Ponts ParisTech). Ce fut l'occasion de réfléchir, pendant ce trajet, à l'application de l'approche développée en thèse dans ma nouvelle équipe Environnement Atmosphérique, du département de R&D dans lequel j'ai été embauchée !
Une publication scientifique en particulier ?
Je citerais un publication scientifique décrivant la méthodologie d'apprentissage proposée : Mouradi, R. S., Goeury, C., Thual, O., Zaoui, F., & Tassi, P. (2021). Physically interpretable machine learning algorithm on multidimensional non-linear fields. Journal of Computational Physics, 428, 110074.
Un deuxième papier a été soumis sur l'approche d'assimilation de données par méta-modélisation ainsi que deux articles de conférence dont un sur la quantification des incertitudes dans les simulations hydrodynamiques.
En savoir plus sur TELEMAC ?
Ce code est développé depuis plus de 35 ans par la R&D d'EDF en collaboration avec d’autres organisations françaises et internationales. Il s'agit même d'un ensemble de codes de calculs scientifiques couplés et parallélisés, dédiés à la modélisation de l’hydraulique environnementale à surface libre. Ces codes 1D, 2D et 3D permettent de modéliser et prédire tous les écoulements liés à l’eau : réservoirs, rivières, lacs, mers et océans, mais aussi vagues, ensablement, qualité de l’eau et glace, etc. A retrouver ici.
Rebecca Riccioli, doctorante au CEA de Cadarache avec l’Université d’Aix-Marseille
_____
Rebecca Riccioli, a reçu le Prix Paul Caseau pour l'excellence scientifique de ses travaux de recherche menés pendant sa thèse « Mechanical modeling of superconducting cables for fusion under cyclic electromagnetic and thermal loads », dans le domaine de la modélisation et de la simulation numérique
Les réacteurs expérimentaux Tokamak confinent un gaz ionisé à millions de degrés grâce à un fort champ magnétique créé par puissants électro-aimants. Pour limiter la dissipation d’énergie thermique, on utilise des matériaux supraconducteurs à température cryogénique qui peuvent transporter sans résistance électrique des courants très importants. Cependant, cette capacité de transport du courant est aussi fonction de l’état mécanique de déformation du matériau, comme pour le Niobium-Étain. Au cours de l’opération de la machine, les câbles sont soumis à des chargements mécaniques répétés qui provoquent une dégradation de ses performances électriques. Jusqu’à présent, ces mécanismes reliant la perte de performance macroscopique du câble avec les champs de déformation des brins supraconducteurs, au niveau local, n’avaient été que très partiellement expliqués, problématique extrêmement complexe car à la fois multi-échelle et multi-physique. L’objectif de la thèse est d’essayer d’éclairer et de relier ces deux échelles en développant un modèle numérique électromécanique robuste pour simuler les câbles supraconducteurs en opération. Ce modèle doit permettre d’identifier et de comprendre les causes de la dégradation des performances et d’obtenir un outil prédictif pour de nouveaux câbles supraconducteurs. Plusieurs améliorations du modèle numérique ont été nécessaires pour arriver à une représentativité satisfaisante du comportement du câble en opération. En parallèle, des activités expérimentales ont été conduites pour caractériser la mécanique des brins composites en Nb3Sn soumis à des efforts cycliques.
Vincent Le Guen, doctorant et chercheur à la R&D d'EDF._____Vincent Le Guen, quant à lui, a reçu le Prix Paul Caseau pour l'excellence scientifique de sa thèse « Deep learning for spatio-temporal forecasting - application to solar energy », le domaine du développement des usages de l'électricité, de l'efficacité énergétique et de l’analyse technico-économique du système électrique |
Peux-tu résumer ta thèse ?
La part grandissante des énergies renouvelables intermittentes dans le mix énergétique pose des défis au réseau électrique qui doit équilibrer à tout instant production et consommation. Cette thèse propose une nouvelle méthode pour la prédiction à très court terme (<20min) de l’énergie solaire à l’aide de caméras au sol « fisheye ». Un modèle d’apprentissage profond (deep learning) qui intègre des contraintes physiques a été développé. De nouveaux critères d’apprentissage basés sur la forme et le décalage temporel des séries temporelles ont aussi été introduits. Ce modèle permet d’améliorer sensiblement les prédictions, notamment pour anticiper des variations brutales de l’énergie solaire. Il a été intégré au logiciel REEF de prévision EnR de la R&D.
Une anecdote sur le Prix Paul Caseau ?
J’ai eu connaissance du prix Paul Caseau lorsque Lorenzo Audibert, un de mes collègues, l’a obtenu en 2016 alors qu'il était chercheur au département PRISME de la R&D. Etant moi-même chercheur à ce moment-là, son parcours m’avait fortement inspiré pour me lancer dans ma propre thèse. Je le remercie chaleureusement aujourd’hui pour toutes nos discussions et son conseil de postuler au prix Paul Caseau.
Une publication scientifique en particulier ?
Si je devais ne citer qu'une seule publication, ce serait « Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction » qui a été publiée à la conférence CVPR 2020 (Computer Vision and Pattern Recognition). Elle décrit le modèle de deep learning inspiré par la physique que j’ai appliqué pour la prévision photovoltaïque. C’est le papier que j’ai pris le plus de plaisir à rédiger, et qui est d’ailleurs aujourd’hui le plus cité par la communauté.
Parmi les autres publications, 4 articles de conférence internationale (NeurIPS 2019, NeurIPS 2020, ICLR 2021, ECCV 2022), 2 papiers journal (JSTAT 2021, T-PAMI 2021), 3 articles de workshops (GRETSI 2019, CVPR 2020, NeurIPS 2022).
Paul Boniol, doctorant au département PRISME, à la R&D d'EDF
_____
Paul Boniol a reçu le Prix Paul Caseau pour les excellents travaux menés lors de sa thèse « Detection of Anomalies and Identification of their Precursors in Large Data Series Collections », dans le domaine de l’informatique scientifique et du calcul hautes performances.
En résumé
Les larges collections de séries temporelles sont désormais une réalité dans un grand nombre de domaines. Il faut donc disposer d’algorithmes efficaces pour analyser ce type de données. En particulier, la détection précoce d’anomalies dans les séries temporelles de mesures issues de capteurs, souvent synonymes d’évolutions de comportement soudaines et inhabituelles, voire de dysfonctionnements, de l’équipement instrumenté, représente un enjeu crucial pour les industriels. Trois objectifs ont été suivis dans la thèse. (1) L’exploration non-supervisée de séries temporelles pour la détection rétrospective d’anomalies à partir d’une collection de séries a mené au développement des techniques NormA (basée sur une méthode de clustering des sous-séquences de la série temporelle à analyser) et Series2Graph (qui s’appuie sur une transformation de la série temporelle en un réseau orienté). (2) La détection non-supervisée d’anomalies en temps réel dans les séries temporelles a fait l’objet de l’algorithme SAND (inspiré de NormA). (3) L’explication de la classification d’anomalies connues dans les séries temporelles, afin d’identifier de possibles précurseurs, a été abordée via l’approche dCNN-dCAM (qui s’appuie sur des réseaux de neurones convolutifs). L’applicabilité et l’intérêt de tous les algorithmes développés ont été illustrés au travers d’un cas d’usage sur l’identification de précurseurs de vibrations indésirables survenant sur des pompes d’alimentation en eau des centrales nucléaires EDF.
Une publication scientifique en particulier
dCAM: Dimension-wise Class Activation Map for Explaining Multivariate Data Series Classification”, Paul Boniol, Mohammed Meftah, Emmanuel Remy, Themis Palpanas, SIGMOD ‘22: Proceedings of the 2022 International Conference on Management of Data, June 2022, Pages 1175–1189
Retrouver les lauréats des années précédentes