Topic description
En France, chaque année, des antennes sont démantelées et remplacées par des nouvelles. Dans la majeure partie des cas, les anciennes antennes sont mises au rebut, alors qu'elles restent fonctionnelles. Certaines de ces antennes pourraient donc être ré-utilisées pour d'autres sites, en France, ou à l'étranger via le programme OSCAR (interne à Orange). Pour pouvoir être reconditionnée, l'antenne doit passer certains tests de performances, menés par un prestataire externe (actuellement Amphenol sur leur site d'Amboise). L'objectif est de doter le groupe d'un outillage mathématique permettant de décider quelles antennes sont à envoyer en reconditionnement, en fonction de leurs caractéristiques et des besoins des sites Orange.
Cette thèse a pour but de développer des outils d'aide à la décision, basés sur de l'optimisation et de l'IA afin de de décider quels équipements il vaut mieux reconditionner ou remplacer, en tenant compte à la fois de la performance, de l'aspect économique et de l'empreinte carbone. Ces résultats peuvent également servir à guider des plans de déploiement ou de renouvellement d'un parc d'antennes
Principaux Objectifs
Identifier un modèle de machine learning permettant d'estimer la probabilité qu'une antenne puisse passer les tests de reconditionnement (en fonction de ses caractéristiques techniques)
Proposer et implémenter un modèle mathématique d'optimisation minimisant l'impact environnemental et économique, tout en gérant l'incertitude sur la probabilité de succès de reconditionnement
Proposer des modèles d'optimisation pour obtenir des plans de déploiement/renouvellement d'un parc d'antennes, en fonction des besoins et des potentielles antennes reconditionnables.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
In France, antennas are dismantled and replaced with new ones every year. In most cases, the old antennas are discarded, even though they remain functional. Some of these antennas could therefore be reused at other sites, in France or abroad, through the OSCAR program (internal to Orange). To be refurbished, the antenna must pass certain performance tests, conducted by an external service provider (currently Amphenol at their Amboise site). The goal is to equip the group with mathematical tools to determine which antennas should be sent for refurbishment, based on their characteristics and the needs of Orange sites.
This thesis aims to develop decision-support tools, based on optimization and AI, to determine which equipment is best refurbished or replaced, taking into account performance, cost, and carbon footprint. These results can also be used to guide deployment or renewal plans for an antenna fleet.
Main Objectives
Identify a machine learning model to estimate the probability that an antenna can pass refurbishment tests (based on its technical characteristics).
Propose and implement a mathematical optimization model that minimizes environmental and economic impact while managing uncertainty regarding the probability of successful refurbishment.
Propose optimization models to develop deployment/renewal plans for an antenna fleet, based on needs and the potential for refurbishment.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Cifre
Funding further details
CIFRE - ANRT (Agence Nationale Recherche Technologie)
