Conception d'outils logiciels d'aide à la décision appliqués au cycle de vie des anodes d'une aluminerie
Bibliographic record
Abstract
Les décideurs d'aujourd'hui sont constamment confrontés à des problématiques semistructurées, pour lesquelles il n'existe aucune méthode de résolution reconnue. À ce titre, la modélisation et simulation de systèmes est fréquemment utilisée pour supporter les gestionnaires. Les modèles issus de cette méthode, s'avèrent des outils d'aide à la décision, puisqu'ils permettent de simuler des scénarios de production alternatifs. \n \nL'objectif principal de ce travail de recherche est de démontrer comment modéliser et simuler efficacement un système industriel, dont le fonctionnement repose sur des connaissances de natures diverses. Pour ce faire, nous allons mettre à profit des méthodes d'intelligence artificielles, notamment les systèmes experts, afin de représenter cette connaissance. \n \nDans un premier temps, la démarche empruntée consiste à effectuer une revue de la littérature, en expliquant entre autre, le lien entre des concepts tels la modélisation, simulation et la prise de décision. \n \nNous discutons également de l'intelligence artificielle, plus particulièrement, du rôle et du fonctionnement de coquilles de développements de systèmes experts basées sur l'algorithme de Rete et ce, dans un contexte de support à la décision. \n \nEnsuite, nous appliquons notre méthode à un système industriel réel, à savoir le cycle de vie des anodes d'une aluminerie. Nous discutons des forces et faiblesses de notre approche. Il est notamment question de l'intégration de la coquille de système expert Jess au sein du modèle. Nous décrivons aussi le type de problème qui convient d'avantage à notre approche. \n \nFinalement, nous effectuons la validation du modèle, afin de démontrer que notre méthode s'avère viable. Nous réalisons aussi quelques expériences à partir de scénarios de production alternatifs. Nous discutons de l'impact de ces scénarios sur certaines mesures de performance du système.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".