BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:1170@cran.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20251217T093000 DTEND;TZID=Europe/Paris:20251217T120000 DTSTAMP:20251219T085029Z URL:https://www.cran.univ-lorraine.fr/events/soutenance-de-these-de-narech -houessou-2/ SUMMARY:Soutenance de thèse de Narech Houessou DESCRIPTION:Le 17 décembre 2025 à 9h30 (Salle 124 Jaune\, site ENSEM).\n\ nTitre: Apprentissage automatique et fusion de données pour la surveilla nce environnementale. Application à la prévention des risques d’exposi tion aux polluants dans les environnements de travail.\n\nDate et lieu: L a 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 H aye\, 54500 Vandœuvre-lès-Nancy).\n\nLa présentation sera également di ffusée en visioconférence via le lien suivant: Lien\n\nComposition du j ury:\n\n Valeriu VRABIE(Université de Reims Champagne-Ardenne) - Rappor teur\n Daniel DAUGERON (Université Clermont Auvergne) - Rapporteur\n D avid BRIE (Université de Lorraine) - Examinateur\n\nMme Evelyne GEHIN   (Université Paris-Est Créteil (UPEC) - Examinatrice\n\n Sebastian MI RON (Université de Lorraine) - Directeur de thèse\n Philippe DUQUENNE (Institut National de Recherche et de Sécurité\, INRS) - Co-directeur de thèse\n\nMme Karine GERARDIN (INRS) – Invitée\n\nRésumé :\n\nL’ exposition professionnelle aux polluants constitue un enjeu majeur en sant é au travail\, en raison de ses effets potentiellement graves sur la sant é des travailleurs et de la difficulté à caractériser précisément le s situations d’exposition. La prévention de ces risques repose sur la c apacité à mesurer\, modéliser et représenter les concentrations de pol luants dans le temps et dans l’espace. Cependant\, les méthodes traditi onnelles d’interpolation spatiale (e.g.\, krigeage)\, ne permettent pas de capturer la dynamique temporelle ni les hétérogénéités fines des p hénomènes de diffusion observés dans les environnements réels. Ce trav ail vise à développer des approches de cartographie spatio-temporelle de s concentrations de polluants intégrant explicitement la dimension tempor elle et exploitant les mesures issues de réseaux de capteurs déployés e n milieu de travail. Le problème étudié consiste à reconstruire le cha mp spatio-temporel des concentrations à partir de données partielles et bruitées\, en combinant des stratégies d’échantillonnage\, d'interpol ation 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-tempore lles. Deux approches de cartographie spatio-temporelle ont été développ ées : (1) une méthode fondée sur une modélisation tensorielle intégra nt des contraintes de régularité spatio-temporelle\, permettant de resti tuer la continuité des champs de diffusion \; et (2) une approche basée sur les réseaux de neurones informés par la physique (Physics-Informed N eural Networks\, PINNs)\, qui intègre les équations différentielles gou vernant la diffusion-réaction des polluants. Ces méthodes ont été éva luées à partir de données expérimentales acquises en environnement con trôlé à l’INRS (Vandoeuvre-lès-Nancy) et fusionnées avec des trajec toires spatio-temporelles pour la reconstruction de l’exposition individ uelle. Une modélisation 3D de l’environnement de travail a également été intégrée afin de générer des représentations réalistes de l'en vironnement étudié. Les résultats obtenus démontrent la capacité de c es approches à modéliser la dynamique spatio-temporelle des polluants et ouvrent la voie à de nouveaux outils d’aide à la décision pour la pr évention des risques chimiques dans les environnements de travail.\n\n&nb sp\;\n\nTitle: Machine learning and data fusion for environmental monitor ing. Application to risk exposure prevention in working environments.\n\nD ate and location: The PhD defense will take place on Wednesday\, Decembe r 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.\n\nThe present ation will also be broadcast via video-conference through the following li nk: Link\n\nPhD committee:\n\n Valeriu VRABIE(Université de Reims Champ agne-Ardenne) - Reviewer\n Daniel DAUGERON (Université Clermont Auvergne ) - Reviewer\n David BRIE (Université de Lorraine) - Examiner\n\nMme Ev elyne GEHIN  (Université Paris-Est Créteil (UPEC) - Examiner\n\n Se bastian MIRON (Université de Lorraine) - Thesis Supervisor\n Philippe D UQUENNE(Institut National de Recherche et de Sécurité\, INRS) - Thesis C o-supervisor\n\nMme Karine GERARDIN (INRS) - Invited\n\nAbstract:\n\nOcc upational exposure to pollutants is a major concern in workplace health du e to its potentially severe impacts on workers and the challenges associat ed with accurately characterizing exposure scenarios. Effective risk preve ntion depends on the ability to measure\, model\, and represent pollutant concentrations across both space and time. Traditional spatial interpolati on methods (e.g.\, kriging)\, however\, fail to capture temporal dynamics and the fine-scale heterogeneities of diffusion processes observed in real -world environments.\n\nThis study aims to develop spatio-temporal cartogr aphy approaches for pollutant concentrations that explicitly account for t he temporal dimension and exploit data from sensor networks deployed in oc cupational settings. The primary objective is to reconstruct the spatio-te mporal concentration field from partial and noisy measurements by combinin g sampling and interpolation strategies with physical modeling. A secondar y objective is to evaluate the feasibility of estimating individual worker s’ exposure based on the reconstructed maps and their spatio-temporal tr ajectories.\n\nTwo spatio-temporal mapping approaches were developed: (1) a tensor-based modeling method incorporating spatio-temporal regularity co nstraints 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.\n\nThese methods were evaluate d using experimental data obtained in a controlled environment at INRS (Va ndoeuvre-lès-Nancy) and integrated with spatio-temporal trajectories to r econstruct individual exposures. A 3D model of the workplace environment w as also incorporated to generate realistic representations of the studied setting. The results demonstrate the capability of these approaches to acc urately model the spatio-temporal dynamics of pollutants and highlight the ir potential as decision-support tools for chemical risk prevention in occ upational environments. CATEGORIES:Soutenances thèses et HDR LOCATION:CRAN - ENSEM\, 2\, Avenue de la Foret de Haye\, Voandoeuvre-les-Na ncy\, 54516\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=2\, Avenue de la Foret de H aye\, Voandoeuvre-les-Nancy\, 54516\, France;X-APPLE-RADIUS=100;X-TITLE=CR AN - ENSEM:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20251026T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR