Sidi Mohammed ALAOUI soutient sa thèse de doctorat le jeudi 6 novembre 2025 : "Optimisation d’un réseau de capteurs par les techniques d’apprentissage automatique pour l’identification de sources polluantes" (see English version above)

Sidi Mohammed ALAOUI soutient sa thèse de doctorat le jeudi 6 novembre 2025, 14h, Université d’Évry Site Pelvoux, amphithéâtre Yasmina Bestaoui Bx30.

La soutenance de thèse est visible via Zoom: https://univ-evry-fr.zoom.us/j/94097473331?pwd=AmNOJ6cxZsSg4Q6K6ssoCPgS9CEbEW.1

Titre: Optimisation d’un réseau de capteurs par les techniques d’apprentissage automatique pour l’identification de sources polluantes.

Résumé

Cette thèse porte sur l’optimisation de réseaux de capteurs par apprentissage automatique pour la localisation rapide et fiable de sources de pollution atmosphérique. Elle combine modèles de dispersion et méthodes d’identification de sources dans un cadre unifié. L’objectif est de concevoir des réseaux compacts, performants et exploitables en contexte opérationnel, capables d’estimer précisément la position et le débit d’une source de rejet accidentel. Un état de l’art approfondi a d’abord été établi, distinguant deux grandes familles d’approches : le problème de clustering, visant à réduire la redondance et à sélectionner des capteurs représentatifs, et le problème d’optimisation combinatoire, nécessitant la définition et la minimisation d’une fonction coût. Trois bases de données ont été construites pour servir de bancs d’essai : une base entièrement synthétique pour la comparaison méthodologique, une base semi-synthétique dérivée de la campagne d’Indianapolis, et une base étendue issue de huit années de mesures horaires (2016–2023). Dans ce travail, trois contributions principales sont présentées. Tout d’abord, une étude comparative est menée entre différentes approches de classification appliquées à l’optimisation du réseau de capteurs. Ensuite, une nouvelle mesure de similarité est introduite ; elle est apprise à l’aide d’un réseau de neurones et permet d’améliorer à la fois la couverture spatiale et la précision de l’estimation. Par la suite, une méthode d’apprentissage multiple est proposée afin de combiner plusieurs modèles spécialisés et d’accroître la robustesse de l’optimisation. Enfin, une approche de prédiction est développée, permettant de déterminer directement la configuration optimale du réseau de capteurs. Ces travaux montrent que l’apprentissage automatique, qu’il soit intégré à des cadres de classification ou utilisé directement pour déterminer une configuration optimale, permet de concevoir des réseaux de capteurs plus compacts, robustes et opérationnels. Les perspectives portent sur l’intégration de contraintes physiques, l’adaptation aux données réelles, la quantification de l’incertitude ainsi que l’extension à des contextes urbains et dynamiques.

Composition du jury de thèse/Doctoral thesis jury composition

Membre du jury	Titre	Lieu d’exercice	Fonction dans le jury
Ayman ALFALOU	Professeur	ISEN Yncréa Ouest	Co-directeur de thèse
Frédéric BOUCHARA	Professeure des Universités	Université de Toulon	Rapporteur
Khalifa DJEMAL	Professeure des Universités	Université Évry Paris-Saclay	Directeur de thèse
Amir Ali FEIZ	Maître de Conférences	Université Évry Paris-Saclay	Co-encadrant
Virginie FRESSE	Maître de Conférences HDR	Télécom Saint-Étienne	Examinatrice
Rachid JENNANE	Professeur des Universités	Université d’Orléans	Examinateur
Antoine MANZANERA	Professeur	ENSTA Paris – Institut Polytechnique de Paris	Rapporteur
Ehsan SEDGH GOOYA	Enseignant-Chercheur	ISEN Yncréa Ouest	Invité

Sidi Mohammed Sanim ALAOUI defends his doctoral thesis on thirsday, November 6, 2025, 2pm, University of Évry, Pelvoux Site, Yasmina Bestaoui Bx30 Amphitheather. The thesis defense can be viewed via Zoom: https://univ-evry-fr.zoom.us/j/94097473331?pwd=AmNOJ6cxZsSg4Q6K6ssoCPgS9CEbEW.1

Title : Optimization of a Sensor Network using Machine Learning Techniques for Pollutant Source Identification.

Abstract

This thesis focuses on the optimization of sensor networks using machine learning techniques for the fast and reliable localization of atmospheric pollutant sources. It combines dispersion models and source identification methods within a unified framework. The objective is to design compact, efficient, and operationally deployable networks capable of accurately estimating both the position and emission rate of an accidental release. A comprehensive state of the art was first established, distinguishing two major families of approaches: the clustering problem, which aims to reduce redundancy and select representative sensors, and the combinatorial optimization problem, which requires defining and minimizing an appropriate cost function. Three benchmark datasets were developed as testbeds: a fully synthetic dataset for methodological comparison, a semi-synthetic dataset derived from the Indianapolis field campaign, and an extended dataset built from eight years of hourly meteorological measurements (2016–2023). In this work, three main contributions are presented. First, a comparative study is conducted between several classification-based approaches applied to sensor network optimization. Second, a new similarity measure is introduced; it is learned through a neural network and improves both spatial coverage and estimation accuracy. Third, a multi-learning method is proposed to combine several specialized models, increasing the robustness of the optimization. Finally, a predictive approach is developed to directly determine the optimal configuration of the sensor network. These results demonstrate that machine learning, whether integrated into classification frameworks or used directly to infer optimal configurations, enables the design of more compact, robust, and operational sensor networks. Future perspectives include the integration of physical constraints, adaptation to real data, uncertainty quantification, and extension to dynamic urban environments.

Date: jeudi 06/11/2025, 14h
Lieu: Université d’Évry, Site Pelvoux, Amphithéâtre Yasmina Bestaoui Bx30, 36 rue du Pelvoux, 91080 EVRY-COURCOURONNES
Doctorant : Sidi Mohammed ALAOUI (Université d’Évry, Université Paris Saclay, IBISC équipe IRA2/ISEN Yncréa Ouest)
Direction de thèse: Khalifa DJEMAL (PR IUT d’Évry, IBISC équipe IRA2), directeur de thèse ; Ayman ALFALOU (Professeur, ISEN Yncréa Ouest), co-directeur de thèse; Amir Ali FEIZ (MCF Univ. Évry, LMEE), co-encadrant de thèse