Thèse : Auto-génération des modèles génériques d’entrepôts logistiques compétitifs et décarbonés : une approche alliant Intelligence Artificielle, fouille de données et Simulation
Mots clés : Entrepôts logistiques, simulation à évènements discrets, fouille de données, machine learning
Type de financement : CIFRE Entreprise : DAHER
Encadrant entreprise : Mahdi MOVAHEDKHAH
Laboratoire : G-SCOP
Encadrants laboratoire : Gülgün Alpan et Zakaria Yahouni
Date de début (souhaitée) : 1 octobre 2023
Contexte
Le secteur de la logistique industrielle est en pleine mutation (numérique et écoresponsable). D’une part, les chaines logistiques sont de plus en plus complexes et doivent s’adapter à un monde de plus en plus incertain (crise sanitaire, crise géopolitique, inflation, tension matière première, cout du transport, …), et d’autre part les prestataires logistiques sont soumis à une intensité concurrentielle forte (contrats courts, obligation de réduction de coûts, réorganisations logistiques fréquentes). Il est crucial d’anticiper les enjeux à venir : économique, social et environnementaux et de doter les systèmes logistiques d’outil numérique d’aide à la décision et au pilotage afin de pouvoir modéliser, simuler, optimiser et mesurer les activités et leur impact environnemental dans un contexte incertain et concurrentiel.
Dans cette thèse, nous allons travailler sur l’une des briques du jumeau numérique, pour répondre à un besoin au niveau stratégique et tactique sur le dimensionnement d’entrepôt et la génération de schéma directeur.
Le dimensionnement d’un entrepôt logistique consiste à estimer la capacité nécessaire pour satisfaire une quantité de flux qui transite dans l’entrepôt, en respectant des critères de performance. Le schéma directeur décrit le type et le nombre de ressources (humaines et techniques) nécessaires pour équilibrer la « charge / capacité » du site logistique (par exemple, le nombre de racks, systèmes automatisés, véhicules automatisées AGVs, chariots, etc.) et leur implantation physique dans l’entrepôts avec les surfaces dédiées aux activités.
Objectif
Cette thèse a pour objectif de créer des outils d’aide à la décision pour (1) dimensionner une nouvelle plateforme logistique ou une sous-zone dans une plateforme existante, et (2) proposer des schémas directeurs optimisés pour atteindre un ensemble d’indicateurs de performance Industrielle orientée Développement Durable. Nous allons explorer l’utilisation des algorithmes de l’Intelligence Artificielle (AI) et la Simulation à évènements discrets (SED). Les approches Machine Learning (ML) permettront d’intégrer les données disponibles et générer automatiquement des alternatives d’implantation d’entrepôts. La SED permettra d’évaluer la performance des alternatives sur plusieurs critères et potentiellement sous des conditions d’aléas.
Profil recherché pour la thèse
- Profil de formation « génie industriel » avec des compétences en machine learning / data mining.
- Le-La candidat-e devrait avoir des compétences en simulation à évènements discrets.
- Des compétences en programmation orienté objet et analyse de données (avec Python ou langage équivalent)
- Curiosité scientifique et capacité d’analyse
- La thèse proposée est une thèse CIFRE, des compétences relationnelles sont nécessaires pour organiser et animer les échanges avec les différents partenaires.
- Langue : Français et Anglais
Candidature
Envoyer votre CV, une lettre de motivation, lettres de recommandation et/ou les coordonnées (e-mail & numéro de téléphone) de 2 ou 3 personnes référentes ainsi que vos relevés de notes à gulgun.alpan@grenoble-inp.fr et zakaria.yahouni@grenoble-inp.fr
