DeepRun
DeepRun – Deep Learning for Reunion Energy Autonomy
La stratégie de spécialisation intelligente pour la recherche et l’innovation S3 2021-2027 de La Région Réunion cherche à atteindre l’objectif, parmi tant d’autres, de l’autonomie électrique d’ici 2023 (Siby, 2020). Et le programme régional « Green Revolution, La Réunion île solaire et terre d’innovation » proposent d’encourager davantage les sources renouvelables (solaire, vent, thermique, biomasse) et de stocker les énergies non exploitées par des moyens durables. Les axes prioritaires n°1 et n°4 du programme FEDER sont d’investir dans les leviers de croissance, et progresser vers la transition énergétique et l’autonomie électrique. En effet deux leviers sont disponibles, la première est l’augmentation des énergies renouvelables (biomasse, solaire, …) et la seconde est la maitrise des énergies intermittentes (solaire et vent) par le stockage d’hydrogène.
D’ici 2023, les centrales de charbon devront être converties en centrale à biomasse (ALBIOMA, 2020). Or, à ce jour il n’existe pas de cartographie fine du domaine agricole sur le territoire réunionnais, rendant difficile la caractérisation des surfaces agricoles à l’échelle de l’île. La télédétection par images satellitaires offre un moyen de produire de la connaissance des sols à grande échelle tout en ayant un coût raisonnable. Cette captation d’image permet non seulement d’atteindre des zones difficiles d’accès, mais ouvre à une revisite périodique pour le suivi de projets. La végétation se distingue facilement du béton (Gaetano et al., 2018). Cependant, différencier la canne à sucre du maïs, ou les vergers créoles arborés avec des résolutions satellitaires est une tâche bien plus difficile. Les approches récentes de type Deep Learning promettent ici d’analyser efficacement les quantités phénoménales de données (Watanabe et al., 2020) et d’améliorer les classifications d’usage du sol tout en étant facilement exploitables par un utilisateur (Ayhan et al., 2020). Ces outils seront ainsi mis en place dans le cadre du projet DeepRun pour obtenir des cartographies fines d’usages du sol.
Parmi l’ensemble des moyens de stockage durable, l’hydrogène représente un vecteur d’énergie d’avenir, très prometteur pour le territoire. En ce sens, la France vient de lancer le programme de relance hydrogène pour l’horizon 2030. Malgré tout, de nombreux verrous technologiques et sociétaux restent à résoudre. Pour réduire les coûts de production, le Japon vient par exemple d’inaugurer la plus grande centrale électrolyseur au monde. Le manque de fiabilité par l’apparition des défauts de fonctionnement (Dijoux et al., 2017) est l’un des nombreux challenges. Les outils classiques de diagnostic n’intègrent que les variables extérieures qui sont difficilement interprétables avec peu de sensibilité. Le projet DeepRun vise à améliorer la compréhension et la détection de ces défauts en intégrant les observations internes aux outils classiques. Et, les méthodes récentes de Deep Learning présentent d’excellents résultats dans ce genre d’application (Haas et al., 2020).
Le projet postdoctoral DeepRun étudie de manière transversale les outils d’intelligence artificielle pour la reconnaissance d’images afin d’accompagner une transition vers l’indépendance énergétique.
Durée du projet postdoctoral : 18 mois (octobre 2021 – mars 2022)
Objectif principal
L’objectif principal est le développement d’outils de reconnaissance d’images multi-échelles transversales, mettant en œuvre des algorithmes de type Deep Learning, appliqués à l’estimation de la ressource en biomasse pour la production de bioénergie, et à la fiabilité des convertisseurs hydrogène pour l’optimisation du stockage d’énergie.
Retombées attendues
- Développement et recherche d’un outil d’apprentissage profond répondant aux contraintes opératoires du territoire réunionnais.
- Application multi-échelle de la méthode développée, détection fine des types de cultures sur l’échelle de la parcelle, et reconnaissance des régimes de bulles/gouttelettes.
- Mettre à disposition de la communauté scientifique et de la société les résultats des recherches.
Le projet DeepRun comporte trois actions :
Action 1 : Conception d’un outil de reconnaissance d’images multiéchelles
- Mise à jour de la bibliographie sur les outils de reconnaissance d’images Deep Learning multiéchelle
- Développement d’un outil scientifique spécifique aux conditions du territoire réunionnais
- Fonctionnement des convertisseurs hydrogène en milieu tropical (humidité et température)
- Diversité des cultures réunionnaise et relief escarpé
- Création des bases de données avec des images satellitaires (Pléiades) et de nouvelles cartographies de vérités provenant de la DEAL REUNION / IGN
- Création des bases de données pour les convertisseurs hydrogène
Action 2 : Application à la reconnaissance de l’occupation du sol à l’échelle du paysage
- Détection des types de cultures et génération de cartographies fines d’usage du sol (1 par année)
- Croisement des cartographies (risques, gisement, usages) pour la prise de décision photovoltaïque
Action 3 : Application sur une échelle des microbulles à l’échelle de la cellule électrochimique
- Création des bases de données et détection des bulles/gouttelettes, puis détermination des régimes de fonctionnement
- Couplage des distributions spatiales obtenues aux modèles et conception d’un outil de diagnostic multimodal
Pour mener à bien le projet des machines de calcul à différentes échelles sont mise à disposition du chercheur postdoctorant :
- Stations de calcul locales du ENERGY-lab et du CIRAD
- GPU : 2 x Nvidia Quadro RTX 4000 (8 Go) + 1 x Nvidia RTX 5500 (24 Go)
- RAM : 128 Go
- Stockage : 4 To
- Mésocentre HPC et données Meso@LR
- GPU : 2 noeuds de visualisation modifiés Nvidia RTX 6000 (48 Go)
- RAM post : 3 To
- Stockage : 15 Po
- Supercalculateur HPE CNRS IDRIS Jean-Zay
- GPU : 7 partitions accélérés, Nvidia V100 (16-32 Go), Nvidia A100 (40-80 Go), max 1024 GPUs/job
- RAM post : 3 To
- Stockage : 30 Po
Le banc d’essai hydrogène du projet SYSPACREVERS est également mis a disposition pour les expérimentations :
Partenaires scientifiques
- CIRAD
- Pierre Todoroff (pierre.todoroff@cirad.fr)
- Lionel Le Mézo (lionel.le_mezo@cirad.fr)
- Mickaël Mezino (mickael.mezino@cirad.fr)
- Bertrand pitollat (bertrand.pitollat@cirad.fr)
- CNRS IDRIS (support avancé)
- Maxime Song (maxime.song@idris.fr)
- Pierre Cornette (pierre.cornette@idris.fr)
Partenaires fianciers
Articles scientifiques
- Christophe Lin-Kwong-Chon, Cedric Damour, Michel Benne, Jean-Jacques Amangoua Kadjo, et Brigitte Grondin-Pérez, « Adaptive neural control of PEMFC system based on data-driven and reinforcement learning approaches », Control Engineering Practice, vol. 120, p. 105022, mars 2022, doi: 10.1016/j.conengprac.2021.105022.
- Christophe Lin-Kwong-Chon, Pierre Todoroff, Lionel Le Mezo, Michel Benne et Jean-Jacques Amangoua Kadjo, « Multi-level deep-based classification of land use and land cover: A case study on Réunion Island », Proceedings of the International Society of Sugar Cane Technologists, volume 31, xx–xx, 2023 (à paraitre)
Actes de congrès
- Christophe Lin-Kwong-Chon, Kenza Benlamlih, Pierre Todoroff, Jean-Jacques Amangoua Kadjo, « Deep learning et imagerie satellitaire pour cartographier l’occupation du sol : performances et perspectives », RGR2021, 17 novembre 2021, sciencesconf.org:rgr2021:374451.
- Idriss Sinapan, Christophe Lin-Kwong-Chon, Cédric Damour, Michel Benne, Jean-Jacques Amangoua Kadjo, Optimisation des interfaces fluidiques dans un système de production d’hydrogène par électrolyse à partir des outils de reconnaissance d’images Deep Learning, CNRS Aussois FRH2, 2 juin 2022
- Christophe Lin-Kwong-Chon, Idriss Sinapan, Dominique Grondin, Michel Benne, Segmentation d’images pour la classification de données massives, TEMERGIE ValoREn, 1er decembre 2022
- Christophe Lin-Kwong-Chon, Pierre Todoroff, Lionel Le Mezo, Michel Benne et Jean-Jacques Amangoua Kadjo, « Multi-level deep-based classification of land use and land cover: A case study on Réunion Island », ISSCT2023, Hyderabad, 2023
Posters
- Pierre Todoroff, Christophe Lin-Kwong-Chon, Kenza Benlamlih, Deep Learning et imagerie satellitaire pour cartographier l’occupation du sol : performances et perspectives, CST SIAAM, 15 novembre 2021
- Pierre Todoroff, Christophe Lin-Kwong-Chon et Kenza Benlamlih, Modèle d’apprentissage profond pour cartographier l’occupation du sol en zone tropicale à partir d’images THRS, SEAS-OI, 13 juin 2022
- Christophe Lin-Kwong-Chon, Pierre Todoroff, Mickaël Mezino, Lionel Le Mezo, Cartographie de l’occupation du sol par imagerie satellitaire et apprentissage profond : Premiers résultats, CST CapTerre, 24 novembre 2022
Cartographies d’occupation du sol
Outils et interfaces
- DeepRun-GUI : Une application graphique (GUI) pour la génération de modèles d’apprentissage profond, l’entraînement des modèles et l’inférence d’images. Code source.
Vulgarisations
- Fête de la Sciences, 17 novembre 2022, 30ème édition, Université de La Réunion
Directeur du laboratoire et responsable d’orientation scientifique
Pr. Michel Benne (michel.benne@univ-reunion.fr )
Porteur du projet DeepRun
MCF HDR Jean-Jacques Amangoua Kadjo (amangoua.kadjo@univ-reunion.fr)
Partenaire scientifique
Dr HDR Pierre Todoroff (pierre.todoroff@cirad.fr)
Postdoctorant
Dr Christophe Lin-Kwong-Chon (christophe.lin-kwong-chon@univ-reunion.fr)
Contact :
Laboratoire ENERGY-lab
Jean-Jacques Amangoua Kadjo
amangoua.kadjo@univ-reunion.fr
Tel : +262(0)262 938216
15, Avenue
René Cassin
CS 92003
97744 Saint-Denis Cedex 9
La Réunion