Le 17 décembre 2025 à 9h30 (Salle 124 Jaune, site ENSEM).
Titre: Apprentissage automatique et fusion de données pour la surveillance environnementale. Application à la prévention des risques d’exposition aux polluants dans les environnements de travail.
Date et lieu: La soutenance aura lieu le mercredi 17 Décembre 2025 à 09h30, sur le site ENSEM (Salle 124 Jaune, CRAN, site ENSEM, 2 Av. de la Forêt de Haye, 54500 Vandœuvre-lès-Nancy).
La présentation sera également diffusée en visioconférence via le lien suivant: Lien
Composition du jury:
- Valeriu VRABIE(Université de Reims Champagne-Ardenne) – Rapporteur
- Daniel DAUGERON (Université Clermont Auvergne) – Rapporteur
- David BRIE (Université de Lorraine) – Examinateur
Mme Evelyne GEHIN (Université Paris-Est Créteil (UPEC) – Examinatrice
- Sebastian MIRON (Université de Lorraine) – Directeur de thèse
- Philippe DUQUENNE (Institut National de Recherche et de Sécurité, INRS) – Co-directeur de thèse
Mme Karine GERARDIN (INRS) – Invitée
Résumé :
L’exposition professionnelle aux polluants constitue un enjeu majeur en santé au travail, en raison de ses effets potentiellement graves sur la santé des travailleurs et de la difficulté à caractériser précisément les situations d’exposition. La prévention de ces risques repose sur la capacité à mesurer, modéliser et représenter les concentrations de polluants dans le temps et dans l’espace. Cependant, les méthodes traditionnelles d’interpolation spatiale (e.g., krigeage), ne permettent pas de capturer la dynamique temporelle ni les hétérogénéités fines des phénomènes de diffusion observés dans les environnements réels. Ce travail vise à développer des approches de cartographie spatio-temporelle des concentrations de polluants intégrant explicitement la dimension temporelle et exploitant les mesures issues de réseaux de capteurs déployés en milieu de travail. Le problème étudié consiste à reconstruire le champ spatio-temporel des concentrations à partir de données partielles et bruitées, en combinant des stratégies d’échantillonnage, d’interpolation avec la modélisation physique. Un second objectif est d’évaluer la faisabilité d’estimer l’exposition individuelle des travailleurs à partir des cartes reconstruites et de leurs trajectoires spatio-temporelles. Deux approches de cartographie spatio-temporelle ont été développées : (1) une méthode fondée sur une modélisation tensorielle intégrant des contraintes de régularité spatio-temporelle, permettant de restituer la continuité des champs de diffusion ; et (2) une approche basée sur les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs), qui intègre les équations différentielles gouvernant la diffusion-réaction des polluants. Ces méthodes ont été évaluées à partir de données expérimentales acquises en environnement contrôlé à l’INRS (Vandoeuvre-lès-Nancy) et fusionnées avec des trajectoires spatio-temporelles pour la reconstruction de l’exposition individuelle. Une modélisation 3D de l’environnement de travail a également été intégrée afin de générer des représentations réalistes de l’environnement étudié. Les résultats obtenus démontrent la capacité de ces approches à modéliser la dynamique spatio-temporelle des polluants et ouvrent la voie à de nouveaux outils d’aide à la décision pour la prévention des risques chimiques dans les environnements de travail.
Title: Machine learning and data fusion for environmental monitoring. Application to risk exposure prevention in working environments.
Date and location: The PhD defense will take place on Wednesday, December 17, 2025, at 9:30 AM, at ENSEM (Salle 124 Jaune, CRAN, ENSEM site), 2 Av. de la Forêt de Haye, 54500 Vandœuvre-lès-Nancy.
The presentation will also be broadcast via video-conference through the following link: Link
PhD committee:
- Valeriu VRABIE(Université de Reims Champagne-Ardenne) – Reviewver
- Daniel DAUGERON (Université Clermont Auvergne) – Reviewver
- David BRIE (Université de Lorraine) – Examiner
Mme Evelyne GEHIN (Université Paris-Est Créteil (UPEC) – Examiner
- Sebastian MIRON (Université de Lorraine) – Thesis Supervisor
- Philippe DUQUENNE(Institut National de Recherche et de Sécurité, INRS) – Thesis Co-supervisor
Mme Karine GERARDIN (INRS) – Invited
Abstract:
Occupational exposure to pollutants is a major concern in workplace health due to its potentially severe impacts on workers and the challenges associated with accurately characterizing exposure scenarios. Effective risk prevention depends on the ability to measure, model, and represent pollutant concentrations across both space and time. Traditional spatial interpolation methods (e.g., kriging), however, fail to capture temporal dynamics and the fine-scale heterogeneities of diffusion processes observed in real-world environments.
This study aims to develop spatio-temporal cartography approaches for pollutant concentrations that explicitly account for the temporal dimension and exploit data from sensor networks deployed in occupational settings. The primary objective is to reconstruct the spatio-temporal concentration field from partial and noisy measurements by combining sampling and interpolation strategies with physical modeling. A secondary objective is to evaluate the feasibility of estimating individual workers’ exposure based on the reconstructed maps and their spatio-temporal trajectories.
Two spatio-temporal mapping approaches were developed: (1) a tensor-based modeling method incorporating spatio-temporal regularity constraints to ensure continuity in the diffusion fields; and (2) a Physics-Informed Neural Network (PINN) approach, which integrates the governing reaction-diffusion equations of pollutants.
These methods were evaluated using experimental data obtained in a controlled environment at INRS (Vandoeuvre-lès-Nancy) and integrated with spatio-temporal trajectories to reconstruct individual exposures. A 3D model of the workplace environment was also incorporated to generate realistic representations of the studied setting. The results demonstrate the capability of these approaches to accurately model the spatio-temporal dynamics of pollutants and highlight their potential as decision-support tools for chemical risk prevention in occupational environments.