Description

Ce projet de thèse vise à mettre en œuvre une approche de création de jumeau numérique fondée sur une architecture générique et dynamique. Celle ci consiste à utiliser des outils de simulation et de gestion urbaine, couplés à un accès en temps réel à des données géographiques, urbaines, climatiques, infrastructurelles, socio économiques et satellitaires. L’usage des jumeaux numériques ouvre diverses perspectives et possibilités pour des études dédiées à l’aménagement et au développement urbain intelligents (résilience climatique, gestion efficace des ressources, mobilité, etc.) [5,6,7]. Plus précisément, le jumeau numérique est destiné à être utilisé pour des cas d’usage liés à la gestion des risques, tels que l’évaluation des impacts de l’élévation du niveau de la mer due au changement climatique (projet en cours au laboratoire LMGC) ou l’analyse de scénarios d’inondation, afin de soutenir l’anticipation, la préparation et la prise de décision éclairée.
En mobilisant des outils d’optimisation et d’intelligence artificielle, notamment l’apprentissage profond, ce travail de thèse vise également à développer de nouveaux modèles multi échelles couvrant les bâtiments, les réseaux et les territoires, pour diverses prédictions liées aux scénarios de gestion et à l’aide à la décision. Des modèles d’aide à la décision basés sur des méthodes d’optimisation et l’intelligence artificielle ont déjà été développés avec succès dans les laboratoires LAMIH et LMGC pour d’autres secteurs tels que l’industrie et la logistique, où ils contribuent à optimiser des processus complexes et à guider des choix stratégiques [8,9,10]. En s’appuyant sur ces avancées, des approches similaires sont envisagées dans ce domaine afin d’améliorer l’analyse, la planification et la prise de décision opérationnelle.
Les travaux sur ce sujet seront structurés en trois volets :
1. la collecte et le croisement de données géographiques, urbaines, climatiques et autres pour un territoire donné, ainsi que l’analyse des données recueillies ;
2. la visualisation et l’interaction avec ces données via un modèle numérique pour faciliter l’analyse et la prise de décision ;
3. la création de scénarios de phénomènes climatiques, hydrologiques ou urbains afin de simuler et analyser leurs impacts environnementaux, sociaux et économiques.

Compétences requises

Formation d’ingénieur ou master recherche en informatique, génie industriel ou recherche opérationnelle

Bibliographie

[1] Buswell, R., Kinnell, P., Xu, J., Hack, N., Kloft, H., Maboudi, M., ... & Bos, F. (2020). Inspection methods for 3D concrete printing. In Second RILEM International Conference on Concrete and Digital Fabrication: Digital Concrete 2020 2 (pp. 790-803). Springer International Publishing.

[2] Beddiar, K., Grellier, C., & Woods, E. (2019). Construction 4.0: Reinventer le bâtiment grâce au numérique: BIM, DfMA, Lean Management... Dunod.

[3] Oladiran, O. J., Simeon, D. R., & Anyira, S. O. (2022). Building Information Modelling (BIM): Drivers, barriers and socio-economic benefits. Covenant Journal of Research in the Built Environment.

[4] Jing, W., & Alias, A. H. (2024). Key Factors for Building Information Modelling Implementation in the Context of Environmental, Social, and Governance and Sustainable Development Goals Integration: A Systematic Literature Review. Sustainability, 16(21), 9504.

[5] Hooli, M. (2025). Digital twins and urban planning: Designing smarter, more inclusive cities. Eur. J. Comput. Sci. Inf. Technol, 13, 104-112.

[6] Omrany, H., Mehdipour, A., Oteng, D., & Al-Obaidi, K. M. (2025). The uptake of urban digital twins in the built environment: a pathway to resilient and sustainable cities. Computational Urban Science, 5(1), 20.

[7] Pazhuhan, M. (2025). Urban digital twin for resilient urban planning: Opportunities and challenges in the Global South. Digital Twins for Smart Metabolic Circular Cities, 197-222.

[8] Nouiri, M., Bekrar, A., Jemai, A., Niar, S., & Ammari, A. C. (2018). An effective and distributed particle swarm optimization algorithm for flexible job-shop scheduling problem. Journal of Intelligent Manufacturing, 29(3), 603-615.

[9] Kantasa-Ard, A., Nouiri, M., Bekrar, A., Ait el Cadi, A., & Sallez, Y. (2021). Machine learning for demand forecasting in the physical internet: a case study of agricultural products in Thailand. International Journal of Production Research, 59(24), 7491-7515.

[10] Salman, A. M., Alengaram, U. J., Wan Jaafar, W. Z., Suhatril, M., Marafa, S. I., & Deboucha, W. (2025). Artificial neural network-based prediction of compressive strength in sustainable one-part GGBS/POFA-based geopolymer mortar with synthesized sodium silicates. Journal of Sustainable Cement-Based Materials, 1-28.

Mots clés

Jumeau numérique, Approche BIM, Méthodes d'optimisation, Intelligence artificielle, Gestion des risques