Jumeau numérique (Digital Twin) des engins de chantier électrique pour le creusement de tunnel : optimisation énergétique et maintenance prédictive

L’électrification croissante des engins de chantier industriels suit les progrès signifiants de l’industrie de l’automobile électrique de ces dernières décennies. Cette évolution de l’électrification nécessite l’emploi et le développement de technologies innovantes permettant la modélisation et l’optimisation des sous-ensembles et organes des véhicules favorisant une plus grande autonomie. Le jumeau numérique (JN) ou Digital Twin (DT) est une dernière tendance de l’industrie 4.0 liée à la technologie IoT. Il permet la représentation d’un objet physique, d’un process, ou d’un service, sous différentes conditions opératoires avec un faible coût et un environnement à risque-zéro et ce à partir d’une simulation de cet objet. Le Digital Twin utilise des prototypes virtuels enrichis de données réelles et exploite l’Intelligence Artificielle et le Machine Learning pour rendre les prédictions plus précises.
Le jumeau numérique augmente la précision des simulations en réduisant les erreurs à un niveau proche de zéro. Il permet donc d'étudier de grands systèmes ou des sous-systèmes. Il nécessite des données réelles permettant de l’alimenter et ainsi permettre une optimisation ciblée.

Dans le cadre de cette thèse, un jumeau numérique sera développé pour simuler des scénarios d'utilisation des engins de chantier électriques de la société CORAIL TUNNELIER, en prenant en compte des paramètres tels que le poids des équipements embarqués, les conditions météorologiques, le terrain sur lequel le véhicule doit évoluer, etc. Cette simulation permet d’une part de surveiller l’état de santé du véhicule en temps réel, en collectant et en analysant des données provenant de différents capteurs embarqués (paramètres de fonctionnement du véhicule et ainsi maximiser son efficacité énergétique) et d’autre part déterminer les besoins énergétiques du véhicule et d'optimiser son système de propulsion GMP électrique en tenant compte de différents profils d’emploi (transport de charges lourdes, creusement, …) et des éléments d’environnements intérieurs/extérieurs (habitacle, terrain, météo, …) influant sur ses performances.

Dans le contexte de cette thèse, le modèle de jumeau numérique aura pour objectifs :

• L’optimisation énergétique des systèmes du GMP électrique tenant compte de différents profils d’emploi (transport de charges lourdes, creusement, …) et des éléments d’environnements intérieurs/extérieurs (habitacle, terrain, météo, …) influant sur ses performances.
• Le suivi de l'état de santé (SOH) du véhicule et de ses composants énergétiques amenant à de la maintenance prédictive.

Le laboratoire DRIVE (Département de Recherche en Ingénierie des Véhicules pour l’Environnement EA1859) est un laboratoire rattaché à l’Université de Bourgogne (UB) et à l’Institut Supérieur de l’Automobile et des Transports (ISAT).

Compte tenu de son rattachement à l'ISAT, les travaux de recherche des enseignants-chercheurs du laboratoire DRIVE répondent aux besoins scientifiques et technologiques de la filière industrielle liée à la construction de véhicules. La recherche sur l’optimisation énergétique et les systèmes de transport intelligents est centrée sur l’optimisation de la propulsion motorisée thermique, hybride et du stockage d’énergie ainsi que sur les systèmes intelligents de transports communicants. Par ailleurs, les recherches sur la durabilité des matériaux composites et sur les vibrations et l'acoustique concernent l’allègement de structures par l’utilisation de matériaux ou structures composites performants, bio-sourcés ou non et multifonctionnels.  Enfin, les travaux menés dans les domaines des vibrations et de l'acoustique concernent des études sur des patchs visco-contraints destinés à l'amortissement de grandes structures et des recherches sur des matériaux poreux visant à absorber les sons.

Le laboratoire DRIVE développe de nombreuses collaborations avec des partenaires industriels au travers de conventions bipartites, de projets collaboratifs et de laboratoires publics mixtes publics/privés. Ces partenariats sont notamment le fruit de fortes interactions avec la SATT GRAND EST et Welience (Pôle Automobile et Transports), laboratoires de valorisation de l'université de Bourgogne Franche-Comté. 

La direction et les équipes de recherche EPEE et MAT encadrent les activités des compétences :

• Énergie, Propulsion et Environnement 
• Véhicules Intelligents
• Durabilité et Structures Composites
• Vibrations & Acoustique des Transports.

La compétence qui interviendra dans ce projet de thèse est la compétence « Systèmes Intelligents et Connectés (SIC) ».

L’équipe SIC (Systèmes Intelligents et Autonomes) à laquelle sera rattaché le/la futur doctorant(e) est une équipe de chercheurs qui effectuent leurs recherches sur l’utilisation des Technologies de l’Information et de la Communication (TIC) appliquées aux véhicules intelligents et autonomes, à l’internet des objets et au SmartGrid. Les travaux menés portent sur l’optimisation de la collecte, de l’échange sécurisé et du traitement des données. Les études sont menées par des développements de solutions (algorithmes et protocoles) basées le plus souvent sur une modélisation analytique (théorie des jeux, optimisation multi-objectif, apprentissage, algorithmes génétiques, …) appuyée par une expertise à la fois expérimentale et en simulation numérique. Les domaines d’expertises de l’équipes sont liés, entre autres, à l’optimisation et modélisation mathématique, à l’optimisation énergétique dans le cadre de l’efficience énergétique, à la modélisation et simulation de batteries et de réseaux de communication ainsi que l’instrumentation de bancs de tests.

Les candidats doivent posséder un diplôme de Master ou d'ingénieur avec de fortes compétences en énergétique, mathématique et optimisation. Des compétences pratiques en programmation et des outils logiciels (par exemple, Matlab) et un anglais courant (écrit et parlé) sont requis. Les candidats doivent être motivés pour apprendre rapidement et travailler efficacement sur des problèmes de recherche difficiles.