Sujet de thèse: Combiner co-simulation avec optimisation et apprentissage

Combiner co-simulation avec optimisation et apprentissage.

 

Laboratoire : LORIA                                                                                      Équipe : SIMBIOT Département 3

 

Encadrant :
Vincent CHEVRIER      vincent DOT chevrier AT loria.fr

 

Contexte :

MECSYCO (Multi-agent Environment for Complex System CO-simulation) est un intergiciel de co-simulation [Camus et al  18, Paris 19]. Il permet de faire interagir plusieurs modèles et leurs simulateurs pour simuler un système global conçu à partir de différents composants. Chaque entité ou phénomène du système cible est modélisé via un logiciel dédié, puis les différents modèles interagissent pour rendre compte du comportement du système dans sa globalité, nous parlons alors de co-simulation de multi-modèle.

L’intérêt de la co-simulation [Gomes et al 18] (plutôt que la simulation) est de pouvoir intégrer des modèles hétérogènes (simulateurs différents, formalismes différents, …) sous forme incrémentale pour étudier le système global. La co-simulation permet par exemple d’étudier un système de distribution électrique comme composé d’une partie électrique, d’une partie de télécommunication et d’une partie de contrôle commande en simulant conjointement ces parties.

 

MECSYCO est utilisé pour différentes études dont le thème central est l’énergie : par exemple la Chaire Territoire, Industrie et Energie de l’Université de Lorraine en partenariat avec l’EPFL (énergétique des procédés et synergies énergétiques) ; la collaboration APHEEN LORIA (rénovation énergétique des habitats existants), le projet ULHyS (LUE) (étude des micro-grille à hydrogène) en collaboration avec le laboratoire GREEN, …  Voir http://mecsyco.com/dev/research/ pour une liste non exhaustive d’autres exemples d’applications).

 

L’usage de la co-simulation s’intègre généralement dans une démarche plus vaste d’aide à la décision : on étudie un système pour prendre une décision comme par exemple dimensionner (optimiser) des équipements (par exemple recherche des spécifications d’un stockage d’énergie) en fonction de contraintes (production locale d’énergie renouvelable, météo et comportement thermique d’une maison, usages, etc). C’est par exemple l’un des objectifs scientifiques poursuivi dans la chaire Territoire, Industrie et Energie.

Co-simuler suppose également l’existence de modèles (ex : modèle thermique de la maison).  Il arrive cependant que pour certains systèmes le modèle d’un composant n’existe pas mais que l’on dispose de données. On pourrait alors construire le modèle de ce composant à partir des données par des méthodes d’apprentissage. C’est par exemple l’un des objectifs du travail entrepris avec l’APHEEN dans [Vernerey 20] où un modèle de comportement thermique d’un appartement a été construit à partir de données météo et de relevés de température dans l’appartement.

 

 

Sujet de thèse

La thèse ambitionne d’explorer les relations entre co-simulation, optimisation et apprentissage afin de proposer à terme une démarche globale d’aide à la décision s’appuyant sur la co-simulation.

 

Les relations entre co-simulation, optimisation et apprentissage peuvent s’envisager de manières multiples.  Un premier point de vue peut être de considérer l’optimisation et l’apprentissage comme « à côté » de l’outil de co-simulation et pouvant l’exécuter pour obtenir des données et/ou modifier des paramètres ou la structure du multi-modèle.  Ces relations peuvent de plus se concevoir à différents niveaux : au niveau d’un composant/modèle (ex : optimiser le stockage d’énergie, apprendre le modèle thermique de la maison) ou au niveau du composé/système (ex : apprendre le comportement d’un système pour disposer d’un modèle simplifié plus rapide à simuler (réduction de modèles) ou plus facile à manipuler ; optimiser le comportement du système). Un autre point de vue est de considérer qu’optimisation et apprentissage font partie de la co-simulation comme composant (et donc comme modèle) de décision au sein du système simulé (par exemple le modèle d’un système de gestion de l’énergie).

 

Comme on le voit, les notions d’optimisation et d’apprentissage sont de natures très différentes (notamment en termes de problème à résoudre et de techniques à utiliser) selon le point de vue adopté. C’est pourquoi une première étape du travail sera de clarifier ces notions et de les mettre en regard d’un cas d’étude.

L’axe de travail privilégié est de questionner le formalisme DEVS et le concept associé de Système, Entité Structure pour évaluer dans quelles mesures ils sont compatibles avec ces différentes notions d’optimisation et d’apprentissage, et sous quelles hypothèses selon chacune des facettes.

Pour cela, on posera un premier cas d’étude (restreint) que l’on confrontera à une première proposition de définitions, puis de manière incrémentale, la proposition sera augmentée et de nouveau confrontée à un/des cas d’études.

 

La plateforme MECSYCO (mecsyco.com) servira de base logiciel pour l’intégration des propositions et l’on puisera parmi les projet en cours pour définir des cas d’étude.

 

Profil souhaité

Le candidat doit être titulaire d’un master en informatique (ou équivalent) avec une expérience de recherche. Des compétences dans l’un des domaines de la (co-)simulation, apprentissage ou optimisation seront un plus.

Les compétences tant conceptuelles que logicielles sont précieuses car la thèse va des concepts TMS/DEVS à leur implémentation dans MECSYCO.

 

Bibliographie introductive

Paris Thomas « Modélisation de systèmes complexes par composition » Thèse de doctorat de l’Université de Lorraine 2019.

Gomes al “ Cosimulation: a survey, ACM Computing Surveys May 2018 Article No.: 49 https://doi.org/10.1145/3179993.

Camus et al  Co-simulation of cyber-physical systems using a DEVS wrapping strategy in the MECSYCO middleware    SIMULATION, SAGE Publications, 2018, 94 (12), pp.1099-1127.

Thomas Paris, et al. “Teaching cosimulation basics through practice”. In: 2019 SUMMER SIMULATION CONFERENCE. Berlin, Germany, July 2019.

Charles Vernerey De l’usage des données pour la construction de modèles en rénovation énergétique. Stage Master 2 MIAGe, Sept 2020.

Un descriptive de l’outil MECSYCO est disponible sur mecsyco.com, ainsi que des références plus complètes sur les travaux entrepris.

 

Logo d'Inria