Contexte
Figure 1: Buildings in Ulaanbaatar obscured by smog
Ⓒ Asian Development Bank, https://www.flickr.com/photos/asiandevelopmentbank/49487059607/in/photostream/
L’industrialisation rapide, la croissance explosive de la population, les développements de l’agriculture intensive sont un ensemble d’éléments impactant négativement la qualité de notre environnement. La mesure de qualité d’air, associée au suivi d’émissions industrielles, au contrôle de procédés et à la sécurité, est une thématique d’intérêt majeure pour nos sociétés.
Les capteurs intelligents (ou « smart sensors ») en sont une pièce maîtresse et la base nécessaire à la génération de grandes quantités de données, traitées au besoin, envoyées et stockées sur le cloud, puis analysées. Parmi les gazs aux effets directs ou indirects nocifs pour la santé, voire cancérigènes, on retrouve entre autres les oxydes d’azote (NOx), l’ozone (O3), les composés organiques volatils (COV), tels les BTEX (benzène, toluène, éthylbenzène et xylènes) ou le formaldéhyde, ainsi que le sulfure d’hydrogène (H2S) et l’ammoniac (NH3).
Objectif
L’objectif du projet SMARTSENS est de concevoir un réseau de mesure IoT innovant, utilisant des micro-capteurs de gaz et intégrant des techniques de Machine Learning (ML) pour améliorer la précision des mesures. Ce réseau décentralisera les techniques de ML en les implémentant au niveau du Edge Computing afin de replacer les fonctionnalités de mesure au niveau local.
Innovation
Cet objectif contient 2 volets, étudiés respectivement par le centre PReCISE de l’UNamur et le CeREF Technique :
- Développement des modèles de ML. Ce développement pose plusieurs défis, notamment l’apprentissage sur base d’une quantité de données réduite (car onéreuses) mais également l’intégration de contraintes du domaine (intégration des connaissances sur les phénomènes physico-chimiques à la base des technologies de capteurs) ;
- Développement de l’architecture réseau supportant ces modèles. Le principal défi de ce volet est l’objectif d’ultra basse consommation, rarement compatible avec les techniques de machine learning classiques. Un autre défi important (et lié au premier) est la conception d’une topologie de réseau cohérente avec les ressources de calcul et d’énergie à chacun des niveaux du réseau (edge-fog-cloud).
Partenariat scientifique
