Modélisation énergétique des navires auto-déchargeurs à l’aide des méthodes d’apprentissage automatique

Noudji Lape, Ginette Brenda (2025). Modélisation énergétique des navires auto-déchargeurs à l’aide des méthodes d’apprentissage automatique. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

La consommation d’énergie lors des opérations de déchargement représente un enjeu central dans le fonctionnement des navires auto-déchargeurs, en particulier en raison du rôle important des convoyeurs à bande dans la chaîne de manutention. Ces équipements, souvent sollicités en continu sur de longues périodes, sont responsables d’une consommation excessive d’énergie qui nécessite une amélioration. Pour relever ce défi, les recherches des dernières décennies se sont principalement concentrées sur le développement de modèles d’économie basé sur les modélisations physiques ou l’utilisation des algorithmes intelligents à travers des simulations faites sur des bancs d’essai.

Dans un contexte où la réduction de la consommation énergétique constitue un enjeu stratégique tant sur le plan environnemental qu’opérationnel, ce mémoire s’intéresse à l’optimisation de la consommation électrique des convoyeurs à bande. Plus précisément, l’étude propose une double approche basée sur l’industrie 4.0 en utilisant des modèles d’apprentissage automatique, tel que les forêts aléatoires, pour prédire la consommation énergétique à partir de variables opérationnelles comme le débit de déchargement, la vitesse des moteurs, le type de cargaison ou encore les caractéristiques du port. Ces modèles sont entraînés sur des données réelles provenant de plusieurs navires, ce qui permet de capturer la complexité et la variabilité des profils de consommation observées en situation réelle. En complément, des algorithmes d’optimisation numérique, dont la méthode L-BFGS-B, sont mobilisés pour identifier les configurations de fonctionnement minimisant la consommation énergétique, tout en intégrant des contraintes pratiques, telles que la durée de déchargement.

Les résultats montrent que cette double approche permet d’atteindre des économies d’énergie significatives, en particulier pour certains navires disposant de marges de manoeuvre techniques suffisantes. Elle permet d’envisager des configurations de fonctionnement plus réalistes sans compromettre l’efficacité logistique et offre également un cadre décisionnel robuste pour adapter les consignes opérationnelles en fonction du type de cargaison et du contexte portuaire. Ce travail démontre ainsi l’importance de l’intelligence artificielle appliquée à la logistique maritime en vue de renforcer la durabilité des opérations tout en optimisant les performances des équipements.

Titre traduit

Energy consumption modeling of self-unloading ships using machine learning methods

Résumé traduit

Energy consumption during unloading operations represents a central issue in the operation of self-unloading vessels, particularly due to the significant role of belt conveyors in the handling chain. This equipment, often used continuously for extended periods, is responsible for excessive energy consumption that requires improvement. To address this challenge, research in recent decades has focused primarily on the development of energy-saving models based on physical modeling or the use of intelligent algorithms through simulations performed on test benches.

In a context where reducing energy consumption is a strategic issue from both an environmental and operational perspective, this thesis focuses on optimizing the power consumption of belt conveyors. More specifically, the study proposes a dual approach based on Industry 4.0 using machine learning models, such as random forests, to predict energy consumption based on operational variables such as unloading rate, engine speed, cargo type, and port characteristics. These models are trained on real-world data from several vessels, capturing the complexity and variability of consumption profiles observed in real-world situations. In addition, numerical optimization algorithms, including the L-BFGS-B method, are used to identify operating configurations that minimize energy consumption while incorporating practical constraints such as unloading time.

The results show that this dual approach can achieve significant energy savings, particularly for certain vessels with sufficient technical flexibility. It allows for more realistic operating configurations without compromising logistical efficiency and provides a robust decisionmaking framework for adapting operational instructions based on cargo type and port context. This work thus demonstrates the importance of artificial intelligence applied to maritime logistics to enhance operational sustainability while optimizing equipment performance.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise en génie de la production automatisée". Comprend des références bibliographiques (pages 99-102).
Mots-clés libres:	prédiction, modélisation, convoyeur à bande, apprentissage automatique, consommation d'énergie, industrie 4.0
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Sboui, Lokman
Codirecteur:	Codirecteur Chaabane, Amin
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	17 sept. 2025 13:53
Dernière modification:	17 sept. 2025 13:53
URI:	https://espace.etsmtl.ca/id/eprint/3685

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt