Gian Marco PALDINO - Faculté des Sciences

Titre de la thèse: "From Prediction to Causal Inference - Time Series Modeling for Next-Generation Digital Twins"

Résumé:

Malgré les promesses des jumeaux numériques, les modèles actuels basés sur les données échouent souvent dans les environnements industriels. Ces modèles sont souvent des approximations de type ``boîte noire'' qui peinent à faire face à la rareté des données, aux environnements non stationnaires et à la complexité inhérente des topologies physiques. Cette thèse de doctorat propose un cadre méthodologique visant à faire évoluer le jumeau numérique d'un observateur passif vers un agent intelligent, adaptatif et causal, capable de fonctionner de manière robuste dans les infrastructures critiques et la fabrication. La recherche suit une trajectoire allant de l'observation à la compréhension structurelle, validant les contributions dans trois domaines industriels : les réseaux électriques nationaux, les actifs de transport d'électricité à haute tension et la fabrication de précision. Tout d'abord, pour relever le défi de la conscience du contexte, nous développons un cadre hybride pour l'évaluation dynamique de la sécurité dans les réseaux électriques. En concevant explicitement des caractéristiques topologiques dérivées de la théorie des graphes et en combinant l'apprentissage supervisé avec la détection non supervisée des anomalies, nous montrons que l'intégration de la connectivité physique améliore les prévisions proactives en matière de sécurité. Pour remédier aux coûts prohibitifs du déploiement de capteurs, la deuxième partie de cette recherche se concentre sur le problème du ``démarrage à froid'' dans l'évaluation thermique dynamique. Nous montrons que la formation traditionnelle, qui nécessite beaucoup de données, n'est pas viable économiquement pour les infrastructures distribuées. En introduisant l'apprentissage par transfert basé sur des paramètres, nous créons des ``capteurs virtuels'' qui généralisent les connaissances physiques provenant de domaines sources riches en données à des cibles pauvres en données. Cette approche permet d'obtenir des évaluations thermiques précises avec un calibrage local minimal, surpassant les modèles physiques standard de l'IEEE. La troisième étape consiste à passer de la corrélation statistique à l'inférence causale. Nous introduisons le cadre ``Temporal Dependency to Causality'', une approche d'apprentissage supervisé qui déduit la directionnalité causale à partir de l'asymétrie des séries chronologiques. Cette approche distingue les mécanismes invariants des corrélations fallacieuses, permettant d'obtenir une généralisation ``zero-shot'' de pointe sur des benchmarks synthétiques et biologiques complexes. Nous synthétisons ces éléments dans un jumeau numérique adaptatif et causal, appliqué à la non-stationnarité haute dimensionnelle du processus industriel de moulage par injection plastique. Nous montrons qu'une adaptation naïve du domaine peut conduire à une ``adaptation destructive''. En limitant l'adaptation à des caractéristiques causales invariantes, le cadre proposé améliore la robustesse. Nous concluons que la véritable intelligence industrielle bénéficierait de modèles qui soient non seulement prédictifs, mais aussi fondés sur une structure causale.