Conception de Jumeaux Numériques cognitifs basés sur l’apprentissage modulaire et les systèmes

Topic description

Bref descriptif des objectifs

Contexte scientifique et industriel

La transition énergétique impose une augmentation significative de la production d’énergie tout en garantissant la sûreté, la disponibilité et la durabilité des actifs de production et de transport. Dans ce contexte, les Jumeaux Numériques (JNs) émergent comme des outils clés pour la surveillance avancée, l’anticipation des défaillances et l’optimisation des stratégies de maintenance.

Cependant, les actifs énergétiques sont des systèmes complexes, hétérogènes et évolutifs, produisant des données multimodales (séries temporelles capteurs, images, rapports textuels, historiques de maintenance). Les approches d’IA monolithiques montrent des limites en termes de robustesse, généralisation et explicabilité, notamment lorsqu’il s’agit de raisonner sous contraintes opérationnelles changeantes.

Parallèlement, les avancées récentes en apprentissage modulaire et en systèmes multi‑agents (MAS) montrent qu’il est possible de construire des architectures distributives, hiérarchiques et spécialisées, capables de mieux structurer le raisonnement, de réduire l’interférence entre tâches et d’améliorer l’interprétabilité. Ces paradigmes offrent un cadre naturel pour concevoir des Jumeaux Numériques cognitifs, adaptatifs et explicables.

Problématique de recherche

Comment concevoir un jumeau numérique intelligent, fondé sur des architectures modulaires et multi‑agents, capable de :

• percevoir de manière robuste l’état d’actifs énergétiques complexes à partir de données multimodales,
• comprendre les mécanismes physiques et fonctionnels sous‑jacents de manière explicable,
• projeter l’évolution future des états de santé et des performances sous contraintes d’exploitation, de maintenance et d’augmentation de production ?

Objectifs scientifiques

L’objectif général de cette thèse est de développer des fondements théoriques et méthodologiques pour la conception de Jumeaux Numériques cognitifs basés sur :

• l’apprentissage modulaire (modules spécialisés, routage, agrégation),
• les systèmes multi‑agents hiérarchiques,
• et les principes de la conscience situationnelle.

Ces fondements viseront une surveillance proactive, explicable et orientée décision des actifs énergétiques.

Compétences souhaitées :

Les connaissances et expertises des domaines suivants sont fortement recommandés :

• Expertise en apprentissage profond,
• Maitrise des techniques de traitement de signal et traitement d’image,
• Expertise en programmation python (PyTorsh, TensorFlow)

Durée du contrat : 4 ans (à temps plein) à partir de septembre

Rémunération : communiquer avec la personne contact

Lieu : Montréal (Centre de recherche d’Hydro-Québec en partenariat avec Université Laval à Québec

Research topic for a PhD thesis (English version)

Objective: Design of Cognitive Digital Twins Based on Modular Learning and Multi‑Agent Systems for Explainable Monitoring, Diagnosis, and Prognostics

Brief description of objectives

Scientific and Industrial Context

The energy transition requires a significant increase in energy production while ensuring the safety, availability, and sustainability of production and transmission assets. In this context, Digital Twins (DTs) are emerging as key tools for advanced monitoring, failure anticipation, and the optimization of maintenance strategies.

However, energy assets are complex, heterogeneous, and evolving systems, generating multimodal data such as sensor time series, images, textual reports, and maintenance histories. Monolithic AI approaches show limitations in terms of robustness, generalization, and explainability, particularly when reasoning under changing operational constraints.

At the same time, recent advances in modular learning and multi‑agent systems (MAS) demonstrate that it is possible to design distributed, hierarchical, and specialized architectures that better structure reasoning, reduce task interference, and improve interpretability. These paradigms provide a natural framework for designing cognitive, adaptive, and explainable Digital Twins.

Research Problem

How can an intelligent digital twin, grounded in modular and multi‑agent architectures, be designed to:

• robustly perceive the state of complex energy assets from multimodal data,
• explainably understand the underlying physical and functional mechanisms,
• project the future evolution of health states and performance under operational, maintenance, and production‑increase constraints?

Scientific Objectives

The overall objective of this PhD is to develop theoretical and methodological foundations for the design of cognitive Digital Twins based on:

• modular learning (specialized modules, routing, and aggregation),
• hierarchical multi‑agent systems,
• and the principles of situational awareness.

These foundations aim to enable proactive, explainable, and decision‑oriented monitoring of energy assets.

Desired skills:

Knowledge and expertise in the following areas are highly recommended:

• Expertise in deep learning,
• knowledge of signal processing and image processing techniques,
• Expertise in python programming (PyTorsh, TensorFlow)

Contract duration: 4 years (full-time) starting from september

Salary: communicate with contact person

Location: Montreal (Research Center of Hydro-Québec in partnership with Université Laval à Québec

Starting date

-10-05

Funding category

Public/private mixed funding

Funding further details