« Systèmes de Jumeau Numérique pour les systèmes de production : application sur le manufacturing lab »

Doctorante : Xeniya PYSTINA 

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

Traditional production systems face major challenges in transitioning to Industry 4.0 (I4.0). These systems must quickly adapt to fluctuations in demand, supply chain disruptions, and equipment failures. Digitalizing company assets is crucial for seamless communication and data integration across value chains. This transformation requires reorganizing machines and equipment using technologies such as the Internet of Things (IoT), data analytics, and artificial intelligence. Modern production systems, incorporating I4.0 concepts, rely on advanced architectures like RAMI4.0 for designing and implementing Digital Twins (DT).
For these systems to operate effectively in smart production environments, they must meet interoperability, communication, and standardization requirements. However, consistent application of standards, such as ISO 23247, remains a significant challenge. Managing intelligent production systems involves addressing complex structural, operational, and organizational issues. A methodical, integrated approach is essential to align strategic objectives with field operations.
This research aims to develop a structured approach for designing, developing, and implementing DT systems aligned with companies' strategic visions and commercial goals in manufacturing industries. The approach ensures traceability of design attributes, data interoperability, real-time synchronization, and model accuracy, adapting standard DT definitions to meet specific business needs.
The framework is divided into two main parts: (1) Developing a DT system on a smart platform to test various scenarios, such as production order management and rescheduling, considering the production line hierarchy; and (2) Validating the conceptual framework by designing a DT system prototype. This approach provides recommendations on how to develop and use DTs to enhance production system performance and strategic objectives, addressing the challenges of modern production systems.

Responsible production in agricultural supply chains: An impact of Information transparency

Doctorante : Qing LI

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

This thesis addresses a novel research problem in agricultural supply chains by integrating the study of responsible production with information transparency. Building on existing research in responsible production, we clarify responsible production to production efficiency, food waste reduction, and product quality improvement. Grounded in the research on information transparency, this thesis shows the specific format of information transparency in agriculture and models the characteristics of these phenomena based on the knowledge of agricultural cooperatives, blockchain technology, product traceability, quality testing, and moral hazard.

Multi-criteria optimization for the management of intensive care beds in an epidemic context

Doctorante : Fang WAN

Laboratoire INSA : DISP

Ecole doctorale : ED512 Infomaths

In this study, we explore the various challenges of healthcare resource management in the context of the COVID-19 pandemic, such as multiple uncertainties, multi-objective considerations, and diverse research subjects. The focus is on issues like medical resource allocation, priority setting, predictive models, and hyperparameter optimization. First, we conduct an in-depth investigation into intensive care units (ICU) bed allocation strategies, primarily considering how to reasonably distribute ICU beds among different patient types to maximize admission rates, patient satisfaction, and resource utilization, while maintaining scheduling stability under the influence of uncertainties. Then, Considering the upstream resources related to ICUs, especially the direct impact of operating room (OR) on ICU bed allocation, we coordinated the optimization of the OR and ICU modules. We examined the impact of OR allocation on ICU bed distribution, particularly in the context of random emergency patient arrivals. We explored how to minimize peak ICU bed demand, reduce delays in elective surgeries, and minimize healthcare staff overtime. Next, due to the random arrival of emergency patients, uncertain surgery duration, and prolonged length of stays (LOS) of patients in ICU, we first predicted emergency patient arrivals, patients' surgery durations and LOS, and then allocated ORs for both emergency and elective patients. Our goal is to provide timely emergency services and improve the utilization of ORs and ICU beds while minimizing the cancellation of elective surgeries. We also compared the performance of large language model (LLM) and traditional algorithms in the allocation of ORs and ICU beds. The performance of the models was further improved through hyperparameter optimization. Finally, we summarize the key findings of this research and provide suggestions for future research directions, particularly in improving the resilience and adaptability of medical resource management systems.

Réduire les déchets, mutualiser les flux : planification et ordonnancement pour une écologie industrielle

Maître de conférences : Anne-Laure LADIER

Laboratoire INSA : DISP (Décision et Information pour les Systèmes de Production)Rapporteurs : Roberta COSTA AFFONSO, Ton DE KOK, Dominique FEILLET

Rapporteurs : Roberta COSTA AFFONSO, Ton DE KOK, Dominique FEILLET

Jury : 

Civilité	Nom et Prénom	Grade/Qualité	Établissement
M.	El-Houssaine AGHEZZAF	Professor	Ghent University
Mme	Gülgün ALPAN	Professeur des Universités	Grenoble INP – UGA
Mme	Valérie BOTTA-GENOULAZ	Professeur des Universités	INSA Lyon
Mme	Roberta COSTA AFFONSO	Professeur des Universités	ISAE-Supméca
M.	Ton DE KOK	Professor	Centrum Wiskunde & Informatica
M.	Dominique FEILLET	Professeur	Mines Saint-Etienne, LIMOS
M.	Jacques LAMOTHE	Professeur	IMT Mines Albi, Centre Génie Industriel
Mme	Claire VALENTIN	Professeur des Universités	Université Claude Bernard Lyon 1

Innovative multichannel models for pricing and inventory decisions considering service level

Doctorante : Minh Tam TRAN

Laboratoire INSA : DISP

École doctorale : ED512 : InfoMaths (Informatique et Mathématiques de Lyon)

The thesis investigates contemporary challenges in retail management amidst the digital revolution, with a focus on multichannel retailing, dual-channel pricing, and data-driven inventory management. This thesis first begins with an overview of evolving retail dynamics driven by technological advancements and shifting consumer demands, emphasizing the necessity for inventive solutions to navigate these complexities. Second, by exploring multichannel retailing in-depth, the study examines inventory allocation and pricing optimization across physical and online channels. It addresses a multichannel pricing problem, proposing a methodology to ensure optimal solutions and highlighting the importance of channel coordination and service levels on market share and profitability. Thirdly, further delving into dual-channel pricing, the thesis presents a novel pricing model capturing intricate interactions between channels, retailers, and customers. It emphasizes the significance of determining optimal physical store capacity and managing stock-out conversions to online sales with promotions. Fourth, introducing data-driven inventory management methodologies, the study leverages Kernel Density Estimation (KDE) within chance-constrained optimization frameworks. By demonstrating superior performance in achieving target service levels compared to traditional methods, the thesis emphasizes the importance of managing inventory under uncertainty while maintaining service quality. Last but not least, the thesis concludes by promoting a deeper understanding of retail management in the digital age, offering valuable insights and methodologies to navigate modern retailing complexities. By embracing innovation, data-driven approaches, and customer-centric strategies, retailers can position themselves for success in an increasingly dynamic and competitive environment. Future research directions include exploring advanced machine learning techniques and extending the model to consider sustainability and supply chain resilience.

Simulation en conception électrique : Atelier pour la gestion des Modèles par Apprentissage Automatique

Doctorante : Adam DESORMIÈRE

Laboratoire INSA : DISP

École doctorale : ED512 Infomaths (Informatique et Mathématiques de Lyon)

Ce travail de thèse se place dans le contexte des simulations effectuées par Intel pour estimer la consommation électrique de ses futurs produits. L’entreprise, qui réutilise souvent des circuits électriques similaires dans ses produits, ne tire pas suffisamment parti du savoir acquis dans les nombreuses simulations qu’elle effectue. Les modèles de simulations sont mal répertoriés, peu réutilisés par les ingénieurs en charge, et il est souvent nécessaire de repartir d’une page blanche pour un travail partiellement effectué par le passé.
Notre objectif est de proposer à l'entreprise des méthodes pour mieux gérer ses modèles de simulation de consommation électrique pour faciliter la réutilisation du savoir capitalisé dans les simulations précédentes. Il s’agit par exemple de détecter les modèles simulant des circuits classiques (mémoires, cœurs…), très souvent créés, afin de proposer aux ingénieurs des bibliothèques prêtes à l’emploi pour ces modèles. Nous avons choisi de nous focaliser sur l’extraction et l’exploitation des données issues des modèles, pour permettre à l’entreprise de mettre en place un PLM dans un second temps. Afin d’atteindre ces objectifs, nous employons des méthodes d’apprentissage automatique afin d’exploiter les métadonnées attachées aux modèles et les données contenues dans les modèles.
Nous proposons d’abord un algorithme qui exploite trois métadonnées attachées aux modèles pour évaluer la distance entre chaque paire de modèles de simulation. Nous utilisons ensuite ces distances, pondérables, pour proposer aux ingénieurs chargés de la simulation des groupes de modèles similaires grâce à un clustering hiérarchique.
Pour les données contenues dans les modèles, nous proposons d’utiliser un algorithme de traitement automatique du langage mathématique. Nous exploitons en particulier l’équation décrivant la consommation électrique du circuit modélisé pour quantifier la distance entre deux modèles de simulation. A nouveau, nous utilisons cette distance pour regrouper les modèles dits similaires selon ce critère, grâce à l’algorithme de clustering OPTICS.

Multi-Objective Optimization in Short and Mid-term Home Health Care Planning

Doctorante : Jiao ZHAO

Laboratoire INSA : DISP

Ecole doctorale : ED512 Infomaths

L'industrie des Soins de Santé à Domicile (SSD) offre des soins essentiels aux personnes âgées, handicapées et malades chroniques, financée par l'assurance sociale et la fiscalité. Les entreprises SSD doivent planifier efficacement pour maximiser l'utilisation des ressources et assurer des soins de qualité.
Dans les entreprises de SSD, les gestionnaires acceptent un nombre limité de patients, évaluant leur niveau de dépendance et planifiant leurs services hebdomadaires. Les soignants, internes et externes, visitent les patients selon des itinéraires et horaires définis. L'objectif est de créer ces itinéraires et horaires tout en considérant le nombre de soignants différents. Une approche de programmation linéaire en nombres entiers mixtes est utilisée, intégrant une recherche de grand voisinage dans un cadre de recherche locale améliorée. Les résultats montrent une performance supérieure à la méthode augmentée de contrainte et enfin des recommandations de gestion sont données.
Suite à la planification hebdomadaire en soins à domicile, des incertitudes liées aux temps de service peuvent survenir, affectant la qualité du service. Pour y remédier, nous introduisons un problème d'optimisation bi-objectif pour la planification et le routage incertains. Nous proposons des versions déterministes et stochastiques d'une recherche adaptative de grand voisinage intégrée dans un cadre de recherche locale multidirectionnelle améliorée, offrant une efficacité supérieure comparée au Solveur Gurobi. La robustesse de notre modèle et méthode est confirmée par une analyse de sensibilité. Enfin, l'application pratique de cette méthode est démontrée par un cas réel, accompagnée de recommandations managériales.
 

Flowshop scheduling problem including learning and fatigue effects: theoretical contributions and case study

Doctorante : Yenny Alexandra PAREDES-ASTUDILLO

Laboratoire INSA : DISP

Ecole doctorale : ED512 : InfoMaths

Despite the rise of automation, hand-intensive production systems are still in use due to the need for workers to be extremely flexible and precise in completing certain tasks. Interest is generated by the impact of learning and fatigue on manual task productivity. The focus of this study is on a flowshop scheduling problem (FSSP) that considers the effects of learning and fatigue. Firstly, a literature review was conducted on the scheduling problem with learning and deterioration effect. After that, a theoretical approach was used to address the problem of FSSP with learning effect. Mathematical models that minimize the makespan were presented. Exact methods and heuristics were proposed for solving the problem in small and large instances. As fatigue is a type of deterioration, a multi-agent model was proposed to validate the integration of muscular fatigue into the FSSP by minimizing the total fatigue dose. Finally, the framework was validated by a case study application that took place in a manual picking line. The modeling of learning and fatigue effects and the computation of model parameters from real data were discussed. A bi-objective approach was proposed to minimize both makespan and total fatigue dose simultaneously. Break policies are recommended depending on the company's needs and the objective to prioritize. The aim of this work is to inspire future work that is interested in addressing operations research problems with a responsible incorporation of human factors.

Nouvelles variantes et méthodes de résolution pour les problèmes de transport à la demande, application au transport d'enfants en situation de handicap

Doctorant : Timothée CHANE-HAÏ

Laboratoire INSA : DISP

Ecole doctorale : ED512 Infomaths

Cette thèse introduit de nouveaux modèles et méthodes de résolution pour les problèmes de transport à la demande (DARP). Ce travail s’applique au transport régulier d'enfants en situation de handicap entre leurs domiciles et leurs lieux de prise en charge. Pour des raisons de coûts et de qualité de service, il doit être effectué aussi efficacement que possible.
Aucune méthode de la littérature ne peut résoudre les problèmes réels car leur taille est trop importante (plusieurs milliers d'usagers). De plus, les recherches se concentrent sur l'organisation des tournées de véhicules. Cependant, l'intégration d'autres éléments gravitant autour du transport serait bénéfique pour les systèmes de santé dans leur ensemble.

Nous apportons des éléments de réponse à ces enjeux dans les trois chapitres principaux de cette thèse.
Premièrement, deux méthodes d'apprentissage automatique sont appliquées : une méthode offline extrait les caractéristiques des bonnes solutions et les utilise pour créer de nouvelles heuristiques ; une méthode online dénommée NRPA construit la meilleure séquence d'usagers à insérer.

Deuxièmement, nous présentons le problème journalier de transport à la demande (Com- DARP). Dans cette variante, chaque usager a un trajet aller le matin, un trajet retour le soir, et un temps de trajet maximal journalier. La dépendance entre les deux demandes de trajet est utilisée pour améliorer le transport à l'échelle de la journée. Nous résolvons le problème avec une métaheuristique de recherche à petit et grand voisinage couplée à un filtre de précédences (SLNS-PF).

Troisièmement, nous introduisons le problème d'affectation et transport à la demande (ADARP). Cette variante élargit le champ d'application du problème de tournées de véhicules en incluant l'affectation des usagers et l'allocation des ressources. Le problème est résolu par une nouvelle matheuristique nommée recherche itérative d'itinéraires (IRS).
Dans chaque chapitre, les résultats expérimentaux sont analysés pour fournir de nouvelles perspectives théoriques et pratiques.
 

Et s’il était possible, grâce à l’intelligence artificielle, de soulager les pressions opérationnelles des équipes soignantes et offrir une meilleure qualité de suivi aux patients en prédisant leurs parcours de soins ?​ C’est le sujet qui a occupé Alice Martin, désormais docteure, lors de sa thèse menée au laboratoire DISP¹. Alors que les structures de santé françaises rencontrent des difficultés structurelles, celles-ci tentent d'améliorer la prise en charge des patients notamment en cas de maladies chroniques. Pour anticiper l’évolution de la consommation des actes thérapeutiques, Alice Martin a cherché à comprendre les aspects du profil des patients à travers la donnée. 

Aujourd’hui, les structures de santé rencontrent des difficultés structurelles dans l'organisation des soins et la prise en charge de leurs patients. Quelles sont-elles ?
L’accès aux soins souffre de fractures multiples : augmentation du nombre de maladies chroniques, vieillissement de la population, fracture territoriale dans l'accès aux soins médicaux, pressions financières et recherche d’efficience à tout prix… Beaucoup de structures de santé tentent de s’adapter à ces transformations en optimisant les parcours patients, notamment grâce à la prédiction des évènements cliniques. Cela suppose de mieux comprendre les patients pour leur proposer des prises en charge adaptées à leurs besoins et à leur profil clinique. D’autre part, il y a une disponibilité croissante des données de santé et une meilleure applicabilité de l’intelligence artificielle. Près de 30 % des données stockées dans le monde sont des données de santé et l’exploitation de celles-ci peuvent aider notamment  à assurer la viabilité du système de santé français, qui n’a pas de visée de rentabilité.

Durant votre thèse, vous avez travaillé à cette prédiction des parcours patients. Comment mieux prévoir et soulager les structures dans leurs organisations ? 
Pour anticiper des évènements cliniques sur un profil de patient donné, il a fallu étudier de près beaucoup de données médico-économiques. Ces données, notamment celles issues de la facturations des hôpitaux, sont très révélatrices des parcours de soins. Elles permettent de recomposer la trajectoire suivie des patients, grâce à l’intelligence artificielle qui offre d’excellentes perspectives d’analyse, de modélisation et d’interprétation. Nous avons étudié deux cas d’application. Le premier avec les Hospices Civils de Lyon, autour des troubles neurocognitifs comme l’Alzheimer. Nous avions accès à une base de données de suivi très riche qui, croisée avec les données de l’assurance maladie, ont donné un maillage très précis. Cela nous a permis d’identifier des profils types et d’établir des liens entre le profil et des évènements qui pourraient affecter le parcours de santé. Le deuxième cas d’application concernait un hôpital où l’enjeu était de réduire la variation des besoins en soins de patients traités à domicile, lors de situation de soins palliatifs ou de polyhandicap par exemple. Malheureusement, nous n’avons pas pu donner de suite concrète aux travaux avec cet organisme de santé, mais nous aurions souhaité développer une interface d’aide à la prise de décision pour les personnels soignants. 

Des applications réelles de ce type de prédiction sont donc possibles pour les organisations de santé ? 
Bien sûr, l’usage des algorithmes pour les organisations de santé n’est pas nouveau, mais dans notre cas, une réelle application pose plusieurs questions. D’abord, il faut s’assurer de pouvoir obtenir des données de santé de qualité, pouvant varier d’un établissement ou d’un service à un autre. Ensuite, il existe toujours des biais : ces données sont-elles représentatives de la réalité ? Les biais de représentations et de réplications de nos propres stéréotypes s’appliquent aussi ici. Sur les données que j’ai traitées, il y a eu une situation assez révélatrice : à l’occasion d’un questionnaire visant à évaluer le niveau de dépendance de patients atteints de trouble neurocognitifs, une série de questions les interrogeait sur leurs habitudes à faire le ménage, la lessive ou la vaisselle. De prime abord et au regard de ces questions, les patients de sexe masculin semblaient assez dépendants, alors qu’en réalité, ces patients n’avaient jamais été habitués à ces tâches quotidiennes durant toute leur vie. Avec ces seules données, on aurait tendance à surestimer la dépendance des hommes, alors qu’en réalité, ça n’est qu’un mode de vie qui se reflète. Face à ces biais, il faut être attentif pour pouvoir y apporter des corrections. Aussi, dans notre cas, nos IA généralisent et s’adaptent assez mal à de nouveaux contextes ; difficile pour elles de prévoir des évènements comme la crise Covid par exemple. Plus loin encore se pose la question de la responsabilité juridique de l’algorithme : à partir du moment où l’on décide de son implémentation au sein d’un hôpital, qui doit porter la responsabilité des résultats ? En fait, il y a beaucoup de problématiques qui dépassent la vision académique et qui peuvent poser énormément de freins à l’adoption même si nos travaux ont ouvert beaucoup de perspectives en matière de soutien au corps médical et à la qualité de prise en charge des patients.

 

[1] Decision & Information Systems for Production systems (INSA Lyon/ Lyon 2/Lyon 1/Université Jean Monnet)