Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : IBISC – Informatique, BioInformatique, Systèmes Co
Durée : 3 ans
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2021-05-16

Contexte :
Depuis quelques années, différents travaux de recherche scientifique ont démontrés que la qualité de l’air a un impact sur la santé et devient un sujet de plus en plus préoccupant à l’échelle urbaine. L’identification et la géolocalisation de sources de pollution atmosphérique est donc un enjeu important et repose sur l’utilisation d’un grand nombre de capteurs de gaz multimodaux fixes et/ou embarqués.
——————
In recent years, various scientific research studies have shown that air quality has an impact on health and is becoming an increasingly important issue at the urban area. Identification and geolocation of air pollution sources are therefore an important issue and rely on the use of a large number of fixed and/or on-board multimodal gas sensors.

Sujet :
En recherche scientifique, l’identification de sources polluantes repose sur la résolution d’un modèle inverse complexe mal posé au regard des données observées. La dispersion de polluants est généralement surveillée par des capteurs placés dans un domaine spatialement discret et fournissent des observations temporelles. Ces observations sont ensuite utilisées pour estimer les propriétés des sources de contaminants, par exemple leurs positions, leurs débits de rejet dans l’atmosphère et les paramètres du modèle régissant la dispersion de ces contaminants (par exemple la dispersion, la topographie du site, la météorologie, etc.). Ces estimations sont essentielles pour une évaluation fiable des dangers et des risques de contamination. Dans le cas particulier de plusieurs sources de contamination (avec des positions et des débits d’émission différents), les observations représentent un mélange ou une combinaison de deux ou plusieurs polluants.
Dans ce cadre, le travail attendu consistera en la résolution d’un problème de localisation de sources polluantes en environnement de type urbain avec un réseau de capteurs fixes et/ou mobiles. En effet, à partir de données optimisées, issues de campagnes de mesures existantes, c’est-à-dire des sources identifiées et localisées dans un environnement connu, il s’agira dans un premier temps, de mettre en œuvre un modèle d’apprentissage profond avec la prise en compte de manière active des différents paramètres des capteurs. Dans un second temps, le modèle construit avec une stratégie d’apprentissage actif, sera ensuite capable d’identifier et de donner une estimation de la position des sources polluantes dans un environnement inconnu.
——————-
In scientific research, the identification of pollution emission sources is based on the resolution of a complex inverse model that is ill-posed with respect to the observed data. Pollutant dispersion is generally monitored by sensors placed in a spatially discrete domain and provide temporal observations. These observations are then used to estimate the properties of contaminant sources, such as their positions, atmospheric release rates and the model parameters governing the dispersion of these contaminants (e.g. velocity, dispersivity, site topography, meteorology, etc.). These estimations are essential for a reliable assessment of the hazards and risks of contamination. In the particular case of several sources of contamination (with different positions and release rates), the observations represent a mixture or combination of two or more pollutants.
In this framework, the expected work will consist of solving a problem of multiple sources localization in urban/industrial environments with a network of fixed and/or mobile sensors. Indeed, using optimized data from existing measurement campaigns, i.e. sources identified and located in a known environment, this project will initially consist of implementing a deep learning model. In a second step, the model thus built, with an active learning strategy, will then be able to identify and give in an unknown environment, an estimation of the position and intensity of the emission sources.

Profil du candidat :
De niveau Master2 recherche ou équivalent, en Intelligence Artificielle (IA) et informatique ou Mathématiques appliquées (modélisation et calculs scientifiques).
——————
Master 2 research or equivalent, in Artificial Intelligence (AI) and Computer Science.

Formation et compétences requises :
La maîtrise des méthodes et des outils de traitement et analyse de base de données, des langages Python et C, sont vivement souhaités. Des connaissances de base en sciences de l’environnement atmosphérique seront également très appréciées.
—————
Knowledge of data processing methods and tools,
languages such as Python and C, is highly desirable. Basic knowledge of atmospheric environmental sciences will also be highly
appreciated

Adresse d’emploi :
IBISC -Université d’Evry Val d’Essonne
40 rue du Pelvoux
91000 Evry.

Vous pouvez candidater directement sur la plateforme ADUM:
https://www.adum.fr