Chercheur doctorant en chaîne logistique 5.0 bordeaux h/f.

Le poste proposé

0 dans l’industrie du rétrofit automobile : optimisation et simulation pour un écosystème durable et centré sur l’humain.

Cette thèse a pour objectif d’optimiser la chaîne logistique du rétrofit de véhicules thermiques en

électriques, dans un contexte de transition énergétique et de mobilité durable. Elle s’appuie sur des

approches combinant optimisation, simulation et intégration du jumeau numérique, afin de renforcer

la résilience, la flexibilité et l’efficacité de la chaîne logistique. Les flux et les ressources seront

modélisés de manière dynamique pour répondre aux fluctuations de la disponibilité des véhicules, tout

en intégrant les enjeux environnementaux. Les modèles développés adopteront une approche centrée

sur l’humain, conformément aux principes de l’industrie 5.0. Les solutions proposées viseront à fournir

des recommandations opérationnelles pour soutenir une conversion écologique pérenne.

Contexte scientifique

Le rétrofit automobile, consistant à convertir les véhicules thermiques en électriques, s’inscrit dans

un contexte européen et français marqué par une transition énergétique ambitieuse et des objectifs

environnementaux stricts. En France, le parc automobile comptait environ 40 millions de véhicules

en, avec une projection de diminution progressive des voitures thermiques au profit des

véhicules électriques, conformément aux directives de l’Union européenne visant à réduire les

émissions de gaz à effet de serre de 55% d’ici à par rapport à (Parlement européen ).

Une étude de l’ADEME confirme l’intérêt environnemental du rétrofit, avec par exemple 66 % de

réduction des émissions de gaz à effet de serre (GES) sur le cycle de vie pour une petite voiture

convertie par rapport à son usage diesel maintenu (Maumon ). En Europe, le marché du rétrofit

devrait croître de plus de 20 % annuellement (Zoting ), reflétant une demande accrue pour des

solutions durables et résilientes face aux enjeux climatiques (Transport & Environment ). Le

marché mondial de la conversion électrique pourrait atteindre milliards de dollars d’ici à ,

en hausse de 62 milliards de dollars depuis (soit ~7,4 % de croissance annuelle moyenne)

(Transport & Environment ). Toutefois, ce développement est confronté à plusieurs défis

majeurs, tels que l’approvisionnement en kit (batteries et moteurs électriques), la gestion des

chaînes logistiques complexes (coordination multi-acteurs), la gestion des flux inverses (collecte,

assemblage/désassemblage en masse) et la diminution progressive des véhicules thermiques

disponibles à convertir (Wu, et al. ). De plus, la boucle de réutilisation des voitures pourrait se

réduire avec le temps, nécessitant une optimisation rigoureuse pour maximiser la réutilisation des

composants existants et minimiser les coûts et les délais. Selon une étude de l’Agence Européenne

pour l’Environnement, l’optimisation de la chaine logistique pour le rétrofit pourrait

potentiellement réduire les émissions de GES de plus de millions de tonnes d’ici (Tobelem

et Olivier ). Ainsi, il devient indispensable de développer des modèles logistiques résilients et

durables, centrés sur l’humain, afin de répondre efficacement à la demande croissante tout en

surmontant les difficultés liées à l’approvisionnement et à la gestion des ressources. L’optimisation

via des méthodes couplées de simulation et d’optimisation permettrait d’améliorer la performance

globale de la chaîne logistique, assurant ainsi une transition fluide vers une mobilité électrique plus

verte et durable.

Les travaux de recherche récents sur la chaine logistique proposent des solutions basées sur la

logistique inverse, l’optimisation du transport, la planification de désassemblage, la digitalisation et

la résilience organisationnelle, et peuvent être adaptés aux contraintes du rétrofit (Pinho Santos et

Proença ).

L’étude (Masoumi, Kazemi et Abdul-Rashid ) fournit un état de l’art sur la conception d’une

chaîne logistique automobile durable. Dans cette lignée, (Bou Zeid ) à travers une étude menée

pour le groupe Renault, a développé des méthodes d’optimisation de la logistique amont,

combinant heuristiques et simulation pour piloter les flux de composants à l’échelle internationale.

Ces approches peuvent être adaptées à la planification des pièces spécifiques au rétrofit (moteurs,

packs batteries, kits de conversion, etc.).

Autres travaux comme (Habibi ) propose une approche mathématique pour planifier

simultanément la collecte des produits en fin de vie et leur désassemblage. Ces modèles sont

transposables au rétrofit, qui nécessite une revalorisation des composants issus du véhicule

d’origine. L’étude de (Hake et Friedrich ) présente une méthode d’ordonnancement

automatisé dans les chaînes numériques de production automobile, ce qui ouvre des perspectives

pour le pilotage des ateliers de rétrofit.

Bien que la littérature sur la chaîne logistique soit bien développée, elle aborde encore peu le

rétrofit automobile en tant que processus industriel à part entière, avec ses spécificités propres.

Les modèles d’optimisation existants tiennent rarement compte de la forte variabilité des

configurations techniques des véhicules à reconditionner, pourtant caractéristique du rétrofit. Par

ailleurs, les considérations environnementales telles que l’empreinte carbone ou l’analyse du cycle

de vie restent peu intégrées dans les fonctions objectifs des modèles logistiques.

Dans ce contexte se pose la problématique de recherche suivante : “Comment concevoir et

optimiser une chaine logistique résiliente, durable et agile pour le rétrofit automobile, en

intégrant les incertitudes liées à la disponibilité des véhicules, des composants, et les contraintes

réglementaires et environnementales ?”

Cette problématique nous emmène à explorer les verrous scientifiques suivants :

– Comment concevoir une chaîne logistique agile pour l’approvisionnement des composants

critiques (batteries, moteurs électriques) dans le cadre du rétrofit ?

– Quelles méthodologies de modélisation et d’optimisation seront le plus adaptées à la

chaine logistique du rétrofit automobile ?

– Comment la simulation ou l’usage d’un jumeau numérique peuvent-ils contribuer au

pilotage de la chaîne logistique du rétrofit ?

– Comment intégrer les principes de l’économie circulaire dans la conception de la chaine

logistique du rétrofit automobile ?

Sujet

Cette thèse vise à concevoir une chaîne logistique 5.0 optimisée pour le rétrofit des véhicules

thermiques en électriques, en mettant l’accent sur la résilience, la centralité sur l’humain et

l’adaptabilité face aux fluctuations de la disponibilité des véhicules à convertir. Les objectifs

principaux de cette recherche sont les suivants :

– Optimiser la chaîne logistique du rétrofit de véhicules : Développer un modèle intégré

centré sur l’humain permettant d’optimiser les flux, les stocks et l’allocation de ressources,

afin de maximiser la réutilisation des véhicules thermiques et d’assurer une efficacité

opérationnelle durable et maintenir un niveau élevé du bien-être des opérateurs humains.

– Renforcer la résilience et l’adaptabilité : Mettre en place des approches de simulation et

d’optimisation robustes pour évaluer la résistance de la chaîne face aux fluctuations de

disponibilité des véhicules et aux ruptures d’approvisionnement, tout en garantissant une

flexibilité opérationnelle face aux changements futurs.

– Évaluer l’impact environnemental et économique : Analyser les effets des solutions

proposées sur la réduction des émissions de GES, la rentabilité du processus ainsi que leurs

impacts environnementaux et sociaux, en validant les modèles dans un contexte industriel

réel afin de fournir des recommandations pratiques aux acteurs du secteur. Ceci assurera

non seulement la viabilité économique, mais aussi l’attractivité du secteur grâce à la prise

en compte du bien-être des opérateurs dans les modèles d’optimisation et de simulation.

La méthodologie de la thèse s’articule autour de plusieurs étapes clés, articulant modélisation,

optimisation, simulation et validation sur des données réelles. Dans un premier temps, une analyse

approfondie des acteurs, des flux et des contraintes permet de construire un modèle conceptuel

de la chaîne logistique du rétrofit. Ce modèle constitue une base pour le développement de

modèles mathématiques d’optimisation (tels que la programmation linéaire, les heuristiques ou

méta-heuristiques), en intégrant les variations liées à l’approvisionnement, à la demande, à la

disponibilité des véhicules, ainsi que les incertitudes associées aux opérateurs humains. Il prend

également en compte leur bien-être, en considérant des facteurs tels que le comportement

humain, la fatigue et l’apprentissage. Ensuite, des approches de simulation, notamment par

événements discrets ou systèmes multi-agents, sont utilisées pour évaluer la résilience du système

face à différentes perturbations. Des scénarios de stress tests sont élaborés afin d’anticiper et de

gérer les dynamiques futures. Les solutions issues de l’optimisation et de la simulation sont ensuite

confrontées à des données réelles provenant de bases publiques, (Monteforte, Mock et Tietge

), (European Commission, Directorate-General for Mobility and Transport ), (Équipe

data.gouv.fr ) et, le cas échéant, à des jeux de données recueillis dans le cadre de

collaborations entre le réseau d’entreprise du CESI et ses partenaires industriels, afin d’en valider

la pertinence. Enfin, l’impact environnemental et économique des politiques retenues est mesuré

afin de fournir des recommandations concrètes et exploitables.

Antériorité du sujet dans le laboratoire

Dans le contexte de l’industrie 5.0, où les défis environnementaux, sociétaux et économiques

imposent une transition rapide vers une mobilité plus durable, le laboratoire CESI LINEACT s’est

déjà engagé dans plusieurs travaux portant sur la conception, la simulation et l’optimisation de

systèmes manufacturiers et logistiques. Les projets « École de la Batterie » et « Battwin »

témoignent de l’intérêt porté à la conversion écologique, notamment par la mise en place de

solutions pour l’amélioration du processus de fabrication de batteries et de nouveaux modes de

propulsion électrique. De même, le projet PLFADDT et la thèse de Mme. Asma Azzoug portant sur

la localisation de hubs logistiques illustrent la volonté de CESI LINEACT de développer des outils

d’aide à la décision et des modèles d’optimisation en faveur d’une chaine logistique plus flexible,

centrée sur l’humain, et résiliente. Parallèlement, des recherches récentes explorant la chaine

logistique 5.0 (Boudouaia, et al. ), et l’intégration du jumeau numérique dans les opérations

logistiques (El Kihel, et al. ) (Yousra et Soufiane ), renforcent cette approche en mettant

l’accent sur l’interaction entre technologies avancées, facteurs humains et performance

environnementale. En complément, les travaux de modélisation et simulation menés

antérieurement (Sahnoun, et al. ), (Yousra et Soufiane ) démontrent déjà la maîtrise des

méthodes nécessaires à l’analyse et à l’optimisation de systèmes complexes pour la production et

la logistique interne (Souleymane, et al. ) (Sahnoun, et al. ) et externe (Djahar, Sahnoun

et B. ). La thèse proposée s’inscrit ainsi dans un contexte scientifique riche et bénéficie d’un

socle méthodologique solide pour concevoir, modéliser et évaluer une chaîne logistique du rétrofit

automobile plus résiliente, adaptative et centrée sur l’humain.

Programme de travail

Les différentes étapes envisagées pour mener à bien ce projet de thèse sont étalé sur trois années.

La première année sera consacrée à l’analyse de l’état de l’art, à la définition du périmètre du sujet

ainsi qu’à la détermination des indicateurs de performance et des critères de résilience, durabilité

et centrage sur l’humain. Durant cette période, un modèle conceptuel de la chaine logistique du

rétrofit sera établi, accompagné de la collecte de données initiales et du développement d’un

premier prototype de modèle d’optimisation. La deuxième année se focalisera sur la mise en oeuvre

des modèles mathématiques et des algorithmes d’optimisation, suivie de l’intégration d’une

plateforme de simulation afin d’évaluer la résilience du système face à différentes perturbations.

Des scénarios de stress-tests et d’analyse de sensibilité permettront d’ajuster les modèles et

d’inclure progressivement les facteurs humains et environnementaux. Enfin, la troisième année

visera la validation des outils développés, et la mise en place d’une boucle de sim-optimisation

permettant l’adaptation des planning et stratégies en fonction de l’évolution du contexte. L’impact

environnemental, économique et social sera évalué, fournissant ainsi une vision globale des

bénéfices potentiels. À l’issue de cette dernière phase, les résultats seront synthétisés, complétés

par des recommandations opérationnelles, valorisés auprès des partenaires industriels, et finalisés

sous forme de publications scientifiques et d’un manuscrit de thèse.

Production scientifique/technique attendue

Plusieurs livrables sont attendus pour chaque tâches envisagés :

– Synthèse de revue littérature avec les verrous scientifiques et les hypothèses

– Modèle conceptuel intégrant les concepts de la SC5.0 centrée operateurs humains pour la

conception de la chaine logistique.

– Modèle d’aide à la décision/modèle de simulation intégrant des scénarios de perturbations

et tests de reconfiguration

– Rapport d’analyse des performances comparant les résultats obtenus avec d’autres

modèles de la littérature

– Manuscrit de thèse

Les travaux seront valorisés par la publication de deux articles scientifiques dans des revues

spécialisées de haute qualité. Le doctorant sera amené aussi à publier et à présenter ses travaux

dans deux conférences internationales et nationales au minimum.

Présentation du laboratoire

CESI LINEACT (UR ), Laboratoire d’Innovation Numérique pour les Entreprises et les

Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations

technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI

avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à

concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec

elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le

maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale

; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle

technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines

applicatifs.

L’équipe « Apprendre et Innover » relève principalement des Sciences cognitives, Sciences

sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation.

Les principaux objectifs scientifiques visés sont la compréhension des effets de

l’environnement, et plus particulièrement des situations instrumentées par des objets

techniques (plateformes, ateliers de prototypage, systèmes immersifs…) sur les processus

d’apprentissage, de créativité et d’innovation.

L’équipe « Ingénierie et Outils Numériques » relève principalement des Sciences du Numérique

et de l’Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la

simulation, l’optimisation et le pilotage de composants, systèmes et processus complexes et

des interactions Humains-systèmes dans des systèmes cyber-physiques et jumeaux

numériques.

Ces deux équipes développent et croisent leurs recherches dans les domaines applicatifs de l’Industrie

du Futur, de la Ville du Futur et des services numériques, soutenues par des plateformes de recherche,

principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au

Bâtiment du Futur.

Positionnement dans les thématiques de recherche du laboratoire

Le sujet de cette thèse s’inscrit dans le cadre des travaux de recherche menés par l’équipe 2 :

Ingénierie et outils Numériques” du laboratoire CESI LINEACT, spécifiquement axés sur la thématique

de la “ Gestion et décision – Planification, Ordonnancement dynamique et Pilotage” appliquée au

contexte de l’industrie du futur.

Organisation

Financement: CESI LINEACT Lab

Lieu de travail : CESI campus de Bordeaux

Date de démarrage : 01/10/

Durée : CDD de 3 ans Temps plein

Encadrant (s) :

Dr. HDR, M’hammed SAHNOUN, directeur de recherche CESI-LINEACT

Dr. Yousra EL KIHEL, Enseignante chercheuse CESI-LINEACT

Dr. Houda TLAHIG, Enseignante chercheuse CESI-LINEACT

Bibliographie

Andres, Beatriz, Manuel Diaz-Madroñero, Antonio Lucas Soares, et Raul Poler. «Enabling technologies

to support supply chain logistics 5.0.» IEEE Access (IEEE), .

Barot, C. «Scénarisation d’environnements virtuels. Vers un équilibre entre contrôle, cohérence et

adaptabilité.» .

Bidi, Georges, et Célestin Elock Son. «Quelques thèses récentes sur la logistique de demain.» Question

(s) de management (EMS Éditions) 55 : –.

Bou Zeid, Issa. «Planification et optimisation du transport dans la logistique amont : une étude de cas

de la chaîne d’approvisionnement de Renault.» Thèse de doctorat, Université Grenoble Alpes,

Grenoble, France, .

Boudouaia, Mohammed Amine, Samir Ouchani, Saeed Mian Qaisar, et Abdulaziz T. Almaktoom.

«Supply chain 5.0: Vision, challenges, and perspectives.» 21st Learning and Technology

Conference (L&T).. –.

D Djahar, R., M. Sahnoun, et Bettayeb B. «Le parc logistique du futur, un acteur d’un déloppement

durable des territoires.» Le parc logistique du futur, un acteur d’un déloppement durable des

territoires. En ligne researchgate. net/publication …, .

Dragoni, M. et al. «Using ontologies for modeling virtual reality scenarios.» : -.

Dris, A. S., Lehericey, F., Gouranton, V., & Arnaldi, B. «OpenBIM Based IVE Ontology: an ontological

approach to improve interoperability for Virtual Reality Applications.» In Advances in

Informatics and Computing in Civil and Construction Engineering, : -.

Efstratios, A. «Semantic Based Virtual Environments for Product Design.» .

El Kihel, Yousra, Anne Zouggar Amrani, Yves Ducq, Driss Amegouz, et Ahmed Lfakir. «Methodology

combining industry 4.0 technologies and KPI’s reliability for supply chain performance.»

International Journal of Computer Integrated Manufacturing (Taylor & Francis) 36 :

–.

Getuli, V. «An ontology-based BIM Expert System for temporal and spatial construction planning.»

.

Habibi, Muhammad Khoirul Khakim. «Optimisation d’une chaın̂ e logistique inverse avec la prise en

compte des processus de désassemblage.» Ph.D. dissertation, Lyon, .

Hake, Cornelius, et Christian Friedrich. «Automated Generation of Precedence Graphs in Digital Value

Chains for Automotive Production.» arXiv preprint arXiv:., .

Havard, V, B Jeanne, X Savatier, et D Baudry. «Inoovas – Industrial Ontology for Operation in Virtual

and Augmented Scene: the architecture.» .

Havard, V. «Développement de méthodes et outils basés sur la réalité augmentée et virtuelle pour

l’assistance ou l’apprentissage d’opérations dans un contexte industriel.» .

Ma, Z, et Z Liu. «Ontology-and freeware-based platform for rapid development of BIM applications

with reasoning support.» Automation in Construction 90 : 1-8.

Ma, Z., & Liu, Z. «Ontology-and freeware-based platform for rapid development of BIM applications

with reasoning support.» Automation in Construction 90 : 1-8.

Masoumi, S. Maryam, Nima Kazemi, et Salwa Hanim Abdul-Rashid. «Sustainable supply chain

management in the automotive industry: A process-oriented review.» Sustainability (MDPI) 11

: .

Maumon, Emmanuel. Les pistes de l’ADEME pour un rétrofit économe, sûr et bénéfique pour

l’environnement. 22 May .

retrofit-econome-sur-et-benefique-pour-lenvironnement/ (accès le July 11, ).

Pallot, M, et S Richir. «Blurring the lines between digital and physical worlds.» Laval Virtual Vision ,

.

Parlement européen. Réduction des émissions de CO₂ : objectifs et actions de l’Union européenne. 8

March .

STO_fr.pdf (accès le July 11, ).

Pauwels, P, et W Terkaj. «EXPRESS to OWL for construction industry: Towards a recommendable and

usable ifcOWL ontology.» Automation in Construction 63 : -.

Pinho Santos, L., et J. F. Proença. «Developing Return Supply Chain: A Research on the Automotive

Supply Chain. Sustainability, 14, .» Developing Return Supply Chain: A Research on

the Automotive Supply Chain. Sustainability, 14,. s Note: MDPI stays neutral with

regard to jurisdictional claims in published …, .

Sahnoun, M., Y. Xu, B. Bettayeb, D. Baudry, et F. Ben-Abdelaziz. «OPTIMISATION DE LA TAILLE DE

FLOTTE DE ROBOTS DANS UN ATELIER FLEXIBLE: APPROCHE PAR SIMULATION.» Université Le

Havre Normandie France, : 91.

Sahnoun, M’Hammed, Naihui He, Belgacem Bettayeb, Mario Gonzalez-Romo, David Zhang, et Moussa

Souleymane. «Integrated Scheduling of Machines and AGVs in Flexible Manufacturing

System.» 21st International Working Seminar on Production Economics. .

Souleymane, Moussa Goumeye, M’Hammed Sahnoun, David Baudry, et Anne Louis. «Supervision d’un

systeme de production constitue de robots collaboratifs.» confere. .

Tobelem, Boran, et Arthur Olivier. Pacte vert européen : 13 mesures proposées par la Commission pour

une réduction des émissions carbone. 15 March .

par-la-commission-pour-une-reduction-des-emissions-carbone/ (accès le April 4,

).

Transport & Environment. E-retrofit outlook : An option to decarbonise the car fleet. October .

(accès

le July 11, ).

Wu, Ziqing, Raphaël Oger, Matthieu Lauras, Benoit Montreuil, Louis Faugère, et Aymeric Libeau.

«Market Potential Estimation Framework for Circular Economy.» IFAC-PapersOnLine (Elsevier)

56 : –.

Yousra, El Kihel, et Embarki Soufiane. «Contribution to the distribution supply chain’s performance

through the use of digital technologies Case study: cold logistics chain.» International

Conference on Advanced Technologies for Humanity.. –.

Zhang, S, F Boukamp, et J Teizer. «Ontology-based semantic modeling of construction safety

knowledge: Towards automated safety planning for job hazard analysis (JHA).» Automation in

Construction 52 : 29-41.

Zoting, Shivani. Automotive Retrofit Electric Vehicle Powertrain Market Size, Share, and Trends to

. 3 December .

powertrain-market (accès le July 11, ).

Le profil souhaité

Compétences scientifiques et techniques :

– Modélisation, Simulation de flux, Gestion et optimisation de la chaine logistique

– Connaissance des méthodes d’optimisation

– Capacité de modélisation de systèmes

– Bonne Connaissance en Python, C++, Flex Sim/Any Logic/NetLogo

– Connaissance des méthodes de machine Learning

– Une aptitude à la rédaction de rapports et d’articles scientifiques, et à la communication (Anglais niveau B1 requis, B2 souhaité)

Compétences relationnelles :

– Être autonome, avoir un esprit d’initiative et de curiosité,

– Savoir travailler en équipe et avoir un bon relationnel,

– Être rigoureux