La ROADEF
R.O.A.D
Événements
Prix
Publications
Plus
Forum
Connexion

Stage 6 mois M2 : Optimisation d'un réseau sous-marin de capteurs acoustiques

Forum 'Stages' - Sujet créé le 07/02/2024 par lemarch (141 vues)


Le 07/02/2024 par lemarch :

Contexte du projet
Le projet ANR ASTRID RESSACH (RESeau de Surveillance ACoustique Heterogene et auto-adaptatif a demarré en
Janvier 2023. Il a pour partenaires l'Ecole Navale, le SHOM (service hydrographique de la Marine) et le Lab-STICC. Il a
pour but la construction et le déploiement d'un réseau de supervision acoustique sous-marin optimisé. Les composants
d'écoute et d'analyse et le positionnement du réseau doivent être définis en tenant compte des caractéristiques de
propagation et de la dynamique de l'environnement.

Sujet

Le sujet du stage concerne le calcul du type de capteurs et de leur positionnement, en tenant compte des
facteurs d'efficacité de la détection, de coûts (financier, énergetique, etc) du deploiement et de la robustesse du
placement des capteurs en fonction de la dynamique de l'environnement. La qualité d'une solution est evaluée en
utilisant un simulateur du SHOM, qui calcule pour une source de bruit donnée la propagation du signal
et les endroits où ce signal sera capté avec un capteur donné. Si plusieurs capteurs captent un signal donné, celui-ci
peut être egalement localisé.
Plusieurs réseaux de capteurs différents peuvent avoir des caractéristiques différentes mais intéressantes. Par
exemple, on doit pouvoir choisir entre un réseau à bas coût mais moins sensible que un réseau plus cher mais plus
efficace, ou un réseau parfois moins performant mais permettant de capter des sources sonores dans des conditions plus
variées, etc. Pour produire tout un ensemble de solutions (configurations d'un réseau de capteurs) qui représentent un
bon compromis, une méthode d'optimation multi-objectif est prévue. Cette methode est une metaheuristique qui doit
être specialisée pour le probleme du placement de capteurs.

Travail à réaliser Les différentes taches sont les suivantes :
- Comprehension du sujet, modélisation du probleme à traiter (données d'entree, défnition des objectifs d'optimisation, contraintes à respecter pour la validité d'un réseau de capteurs)
- Définition d'un cas d'études en relation avec le SHOM, mise au point du format des données d'entrée
- Etude des principes de l'optimisation multi-objectif
- Etude et implantation d'une méthode de résolution métaheuristique (PAES [4] ou NSGA-II [5]. Choix du langage d'implantation, définition et utilisation de l'API du simulateur du SHOM
- Spécialisation de la méthode d'optimisation métaheuristique : définition d'opérateurs de recherche (modifications semi-aleatoires d'un réseau de capteurs)
| tests sur le cas d'études, en faisant varier les objectifs (cout, robustesse, impermeabilité, portée, zone couverte, localisation possible ou pas des sources, etc) et les méthodes d'exploration (opérateurs de recherche différents)
- Eventuellement, améliorations des solutions avec une heuristique spécialisée
- Publication de l'approche
- Une formulation exacte du probleme à résoudre peut egalement être mise au point.


Le stage peut débuté partir de mi-mars. La durée est de 5 à 6 mois, financé par IsBlue (indemnisation standard de 630€/mois)

Contacts
Laurent LEMARCHAND, Lab-STICC UBO, laurent.lemarchand@univ-brest.fr

 

References
[1] Y. Stephan et B. Kinda. DCSMM -description et avancement du sous-programme de surveillance relatif au bruit ambiant, version 1.0 du 25 juin, elaboree par le SHOM pour la direction de l'eau et de la biodiversite, MTES, convention 65/2016. Rapport Technique, SHOM, 2018.
[2] X. Raick et al. From the reef to the ocean : revealing the acoustic range of the biophony of a coral reef (Moorea island, french polynesia). Journal of Marine Science and Technology, 9(4) :420, 2021.
[3] J.F. Laplante et al. Fish recognition in underwater environments using deep learning and audio data. In Ocean sensing and monitoring XIII. vol. 11752. Int. Society for Optics and Photonics, 2021.
[4] J. D. Knowles and D. W. Corne. Approximating the nondominated front using the pareto archived evolution strategy. Evolutionary computation, 8(2) :149{172, 2000.
[5] K. Deb, A. Pratap, S. Agarwal, and TAMT Meyarivan. A fast and elitist multiobjective genetic algorithm : Nsga-ii. IEEE transactions on evolutionary computation, 6(2) :182{197, 2002.

 

 

.

 

 

 







Moteur de recherche
Tous les forums


  La Société française de Recherche Opérationnelle et Aide à la Décision ROADEF est une association Loi 1901 Plus d'informations sur la ROADEF