Cadre intégré de modélisation, simulation et pilotage de la résilience des chaînes logistiques par jumeau numérique et intelligence artificielle // integrated framework for modeling, simulation, and management of supply chain resilience by digital twin an

Topic description

Cette thèse s'inscrit dans le champ du génie industriel et de la modélisation des systèmes complexes. Elle vise à proposer un cadre intégré de modélisation, de simulation et de pilotage de la résilience des chaînes logistiques, dans un contexte marqué par la multiplication des perturbations systémiques, crises sanitaires, instabilités géopolitiques, événements climatiques extrêmes, face auxquelles les approches traditionnelles de gestion montrent leurs limites.
Le projet repose sur une démarche structurée en six phases. La chaîne logistique est d'abord formalisée comme un système à événements discrets, afin de capturer les dynamiques opérationnelles et les mécanismes de propagation des perturbations. Ce modèle est ensuite intégré dans un environnement de simulation multi-scénarios, permettant d'évaluer la robustesse du système et de mesurer des indicateurs de résilience. Des méthodes d'apprentissage automatique et d'apprentissage par renforcement sont mobilisées pour la prédiction des perturbations et l'élaboration de politiques de décision adaptatives, avec une attention particulière portée à l'explicabilité des modèles. L'ensemble est finalement intégré au sein d'un jumeau numérique de supply chain, offrant un environnement de simulation et d'aide à la décision. La validation est conduite à travers des cas d'étude industriels, en lien avec les partenaires de l'Université Savoie Mont Blanc.
Les contributions attendues portent sur un cadre méthodologique unifié combinant modélisation par systèmes à événements discrets, apprentissage automatique explicable et jumeau numérique, ainsi que sur un prototype d'outil d'aide à la décision pour l'évaluation et l'amélioration de la résilience des chaînes logistiques face aux perturbations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project lies in the field of industrial engineering and complex systems and aims to develop an integrated framework for modeling, simulation, and control of supply chain resilience. In a context characterized by increasing systemic disruptions, traditional supply chain management approaches, primarily focused on performance optimization, are no longer sufficient to cope with uncertainty and dynamic environments.
The project is based on the hypothesis that effective resilience management requires a coherent integration of process modeling, dynamic simulation, and decision support mechanisms. To this end, the supply chain will be modeled as a discrete-event system to capture flow dynamics and disruption propagation mechanisms. This model will be embedded within a digital twin environment enabling the simulation of disruption scenarios and the assessment of their impact on system performance.
In addition, artificial intelligence techniques will be leveraged for disruption prediction, scenario analysis, and decision support. Approaches such as supervised learning, anomaly detection, and reinforcement learning will be explored to support adaptive decision-making under uncertainty. Attention will be paid to explainable artificial intelligence to ensure transparency and trust in the recommendations generated.
The expected contributions include the design of a unified methodological framework combining simulation, artificial intelligence, and digital twins, as well as the development of a decision-support system for evaluating and improving supply chain resilience in front of disturbances.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral