Estimation en temps réel des émissions de polluants du trafic routier et de la qualité de l’air grâce à des approches basées sur les données

Statut

À pourvoir

Disciplines scientifiques

Informatique et Sciences de l'Information

Direction de recherche

Sciences et technologies du numérique

Site de rattachement

Lyon

L'importance de la qualité de l'air ne peut être sous-estimée car elle représente un enjeu de santé publique majeur : aujourd'hui près de 91% de la population mondiale est exposée à des niveaux de pollution atmosphérique dépassant les seuils d’exposition fixés par l’OMS. La présente thèse s’inscrit à la croisée de trois domaines scientifiques : la modélisation numérique, la qualité de l’air et l’apprentissage profond. Son objectif central est de permettre une évaluation précise de l'exposition des populations aux polluants atmosphériques, en tirant parti des récentes avancées en intelligence artificielle. Dans ce contexte, la thèse se fixe pour mission d'améliorer la description de la dispersion des émissions résultant du trafic routier dans les zones urbaines. Pour ce faire, nous ferons appel à des techniques de modélisation numérique intégrant des outils de simulation au niveau de l'état de l'art pour les calculs de dispersion atmosphérique tels que le code SIRANE. Utilisé en pratique pour des besoins opérationnels, cet outil peut se combiner à des outils d’analyse de sensibilité permettant d’identifier les facteurs d’impact et d’exposition en faisant intervenir les nombreux paramètres déterminant les concentrations (météorologie, composition et densité du trafic, agencement urbain…) et nécessitant l’exploitation de nombreuses simulations, ce qui peut représenter un temps de calcul important. Pour cela, nous envisageons l’introduction d’algorithmes d’apprentissage profond afin de permettre le développement de modèles accélérés pour déterminer les concentrations de polluants dans l’atmosphère et être utilisés sur des moyens de calculs légers. Une première étape consistera à mener une analyse approfondie des outils actuellement disponibles. Cette analyse permettra de mieux comprendre leurs forces et leurs limites et d'identifier leurs complémentarités potentielles. Ensuite, l'utilisation de l'apprentissage profond sera déployée en vue d’accélérer les temps de calcul de dispersion atmosphérique. Cette approche novatrice permettra d'obtenir des résultats plus rapidement, tout en maintenant un haut niveau de précision par rapport à des approches plus classiques. En résumé, cette thèse vise à repousser les frontières de la simulation et de la caractérisation de la qualité de l'air en combinant des méthodes de pointe en modélisation numérique, en estimation de la qualité de l'air et en apprentissage profond.

Mots clefs: Qualité de l’air, Simulation numérique, Deep Learning, éléments finis

  • Directeur de thèse    Prof. Lionel SOULHAC, LMFA, ORCID : 0358-3486
  • Ecole doctorale    ED 162 MEGA (https://edmega.universite-lyon.fr)
  • Encadrant IFPEN    Dr Guillaume SABIRON, ORCID : 6670-7322
  • Localisation du doctorant    IFPEN, Lyon, France 
  • Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 
  • Employeur    IFPEN
  • Qualifications    Master en Science des données, ou Mathématiques appliquées, ou Dynamique des fluides
  • Connaissances linguistiques    Anglais niveau B2 (CECR)    
  • Autres qualifications    Python

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.

Contact
Encadrant IFPEN :
Dr Guillaume SABIRON