Deux chercheuses de la BFH remportent des fonds de recherche mis au concours

Le FNS octroie des subsides Practice-to-Science à des expert-e-s qualifié-e-s, ayant une expérience pratique avérée, souhaitant renforcer la composante académique de leur double profil de compétences science-pratique. Ces subsides sont attribués cette année à deux chercheuses du département Technique et informatique TI de la Haute école spécialisée bernoise BFH, qui se sont imposées avec succès dans un environnement extrêmement compétitif : Vidushi Bigler et Angela Meyer ont convaincu le jury avec leurs projets respectifs et se sont assuré le financement de leur recherche sur trois ans.

Améliorer les prévisions de l’état des flottes industrielles

Le projet « Artificial Intelligence for Improving the Reliability and Resilience of Industrial Fleets » d’Angela Meyer a pour objectif de développer des algorithmes d’apprentissage automatique, qui permettront de mieux diagnostiquer les pannes dans les flottes industrielles comme les parcs éoliens ou les centrales photovoltaïques. Aujourd’hui, on surveille ces installations 24 heures sur 24 au moyen de capteurs afin de détecter et de diagnostiquer à temps tout dysfonctionnement. On utilise certes déjà des modèles d’apprentissage automatique pour inspecter leur état, mais leur précision demeure souvent relative dans l’utilisation de certaines installations de la flotte. Cela entraine des retards et des erreurs d’appréciation dans la détection et le diagnostic des dysfonctionnements des installations. Le projet de recherche développera et testera de nouvelles approches d’apprentissage profond (deep learning) afin de surmonter ces inconvénients et, partant, d’améliorer la fiabilité et la résistance des flottes industrielles.

Modéliser le réseau hydrographique suisse sous forme de graphe

Le changement climatique aura probablement un impact important sur les eaux suisses. Pour les personnes, les animaux, les plantes et les applications industrielles, ce n’est pas seulement la disponibilité de l’eau qui est déterminante, mais aussi sa température. C’est pourquoi les prévisions de température à long terme, sur plusieurs décennies, sont nécessaires et constituent une base décisionnelle importante sur le plan fédéral. Cependant, simuler avec précision les températures des cours d’eau sur une grande échelle spatiale et temporelle en utilisant plusieurs modèles climatiques représente un vrai défi et nécessite des ressources informatiques considérables. En d’autres termes, il faudrait plusieurs années à un superordinateur pour modéliser l’ensemble du réseau hydrographique suisse. Une solution innovante, basée sur l’apprentissage profond (deep learning) et la théorie des graphes, est proposée dans le projet « Spatio-temporal graph convolutional networks – a novel deep learning approach to forecasting river temperatures ». Vidushi Bigler, de l’Institut d’optimisation et d’analyse des données IODA, est convaincue que les résultats de son projet auront un impact pratique considérable sur la gestion des ressources en eau en Suisse. Les répercussions seront importantes aussi bien pour les autorités fédérales et cantonales, les entreprises hydroélectriques et industrielles, les municipalités que pour la communauté scientifique internationale.