{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/22169"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/22169","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"Interpolation des séries temporelles provenant de jauges de déformation d’aubes de turbines hydroélectriques en fonction de conditions de fonctionnement à l’aide d’un auto-encodeur variationnel","abstract":"Les sources d’énergie renouvelables ont suscité un engouement soutenu dans la dernière décennie. Par contre, ce type d’énergie ajoute des instabilités aux réseaux électriques. En conséquence, ces instabilités entraînent un fonctionnement des turbines hydroélectriques en dehors de leur zone efficiente et pour lesquelles elles sont conçues. Pour mieux comprendre les dommages potentiels pouvant résulter de ce changement dans les conditions de fonctionnement, la fatigue des aubes de turbines est analysée à partir de jauges de déformation positionnées durant la mise en service des turbines. Cependant, cette unique collecte de mesures par turbine permet uniquement d’obtenir des signaux de jauges de déformation sur un ensemble discret de conditions de fonctionnement. Ainsi, l’interpolation des séries temporelles des conditions de fonctionnement est essentielle. La méthode actuelle, l’interpolation par krigeage, exige une quantité de ressources humaines qui rend difficile le suivi de l’ensemble des capteurs et l’ensemble des turbines. Pour relever ce défi, une approche faisant appel à un auto-encodeur variationnel (Variational autoencoder - VAE) est proposée. Cette approche permet l’interpolation de séries temporelles en les transformant de manière inversible en représentations latentes. Les résultats obtenus par l’approche proposée sont comparés à ceux de l’état de l’art. Un aperçu d’interpolation dans les différentes zones d’opération sont également présentés ainsi que l’organisation apprise par le réseau dans l’espace latent. Il est montré que l’approche proposée nécessite moins de ressources humaines que l’approche de krigeage tout en produisant des séries temporelles plus près des données mesurées dans le domaine des fréquences.","abstract_html":"Les sources d’énergie renouvelables ont suscité un engouement soutenu dans la dernière décennie. Par contre, ce type d’énergie ajoute des instabilités aux réseaux électriques. En conséquence, ces instabilités entraînent un fonctionnement des turbines hydroélectriques en dehors de leur zone efficiente et pour lesquelles elles sont conçues. Pour mieux comprendre les dommages potentiels pouvant résulter de ce changement dans les conditions de fonctionnement, la fatigue des aubes de turbines est analysée à partir de jauges de déformation positionnées durant la mise en service des turbines. Cependant, cette unique collecte de mesures par turbine permet uniquement d’obtenir des signaux de jauges de déformation sur un ensemble discret de conditions de fonctionnement. Ainsi, l’interpolation des séries temporelles des conditions de fonctionnement est essentielle. La méthode actuelle, l’interpolation par krigeage, exige une quantité de ressources humaines qui rend difficile le suivi de l’ensemble des capteurs et l’ensemble des turbines. Pour relever ce défi, une approche faisant appel à un auto-encodeur variationnel (Variational autoencoder - VAE) est proposée. Cette approche permet l’interpolation de séries temporelles en les transformant de manière inversible en représentations latentes. Les résultats obtenus par l’approche proposée sont comparés à ceux de l’état de l’art. Un aperçu d’interpolation dans les différentes zones d’opération sont également présentés ainsi que l’organisation apprise par le réseau dans l’espace latent. Il est montré que l’approche proposée nécessite moins de ressources humaines que l’approche de krigeage tout en produisant des séries temporelles plus près des données mesurées dans le domaine des fréquences.","abstract_has_math":false,"creators":["Houde, Derick"],"institution":"Université de Sherbrooke","degree_name":"M. Ing.","degree_level":"Maîtrise","degree_discipline":"Informatique","degree_department":null,"school":null,"contributors":[],"advisors":["Plourde, Éric","Gagnon, Martin"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-27T21:07:32Z","subjects":["Interpolation","Autoencodeur variationnel (VAE)","Fatigue","Turbine Francis","Série temporelle"],"languages":["fr","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11143/22169","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Plourde, Éric","Gagnon, Martin"]},{"key":"dc:creator","label":"Author","values":["Houde, Derick"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-11-14T14:17:29Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-11-14T14:17:29Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"key":"dc:publisher","label":"Institution","values":["Université de Sherbrooke"]},{"key":"dc:type","label":"Dc Type","values":["Mémoire de maîtrise"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Informatique"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Maîtrise"]},{"key":"thesis:degree_name","label":"Degree Name","values":["M. Ing."]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Sherbrooke"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Interpolation","Autoencodeur variationnel (VAE)","Fatigue","Turbine Francis","Série temporelle"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fr","en"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11143/22169"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Les sources d’énergie renouvelables ont suscité un engouement soutenu dans la dernière décennie. Par contre, ce type d’énergie ajoute des instabilités aux réseaux électriques. En conséquence, ces instabilités entraînent un fonctionnement des turbines hydroélectriques en dehors de leur zone efficiente et pour lesquelles elles sont conçues. Pour mieux comprendre les dommages potentiels pouvant résulter de ce changement dans les conditions de fonctionnement, la fatigue des aubes de turbines est analysée à partir de jauges de déformation positionnées durant la mise en service des turbines. Cependant, cette unique collecte de mesures par turbine permet uniquement d’obtenir des signaux de jauges de déformation sur un ensemble discret de conditions de fonctionnement. Ainsi, l’interpolation des séries temporelles des conditions de fonctionnement est essentielle. La méthode actuelle, l’interpolation par krigeage, exige une quantité de ressources humaines qui rend difficile le suivi de l’ensemble des capteurs et l’ensemble des turbines. Pour relever ce défi, une approche faisant appel à un auto-encodeur variationnel (Variational autoencoder - VAE) est proposée. Cette approche permet l’interpolation de séries temporelles en les transformant de manière inversible en représentations latentes. Les résultats obtenus par l’approche proposée sont comparés à ceux de l’état de l’art. Un aperçu d’interpolation dans les différentes zones d’opération sont également présentés ainsi que l’organisation apprise par le réseau dans l’espace latent. Il est montré que l’approche proposée nécessite moins de ressources humaines que l’approche de krigeage tout en produisant des séries temporelles plus près des données mesurées dans le domaine des fréquences."]},{"key":"dc:title","label":"Title","values":["Interpolation des séries temporelles provenant de jauges de déformation d’aubes de turbines hydroélectriques en fonction de conditions de fonctionnement à l’aide d’un auto-encodeur variationnel"]}]}],"canonical_facts":{"dc:contributor.advisor":["Plourde, Éric","Gagnon, Martin"],"dc:creator":["Houde, Derick"],"dc:date.accessioned":["2024-11-14T14:17:29Z"],"dc:date.available":["2024-11-14T14:17:29Z"],"dc:date.issued":["2024"],"dc:description.abstract":["Les sources d’énergie renouvelables ont suscité un engouement soutenu dans la dernière décennie. Par contre, ce type d’énergie ajoute des instabilités aux réseaux électriques. En conséquence, ces instabilités entraînent un fonctionnement des turbines hydroélectriques en dehors de leur zone efficiente et pour lesquelles elles sont conçues. Pour mieux comprendre les dommages potentiels pouvant résulter de ce changement dans les conditions de fonctionnement, la fatigue des aubes de turbines est analysée à partir de jauges de déformation positionnées durant la mise en service des turbines. Cependant, cette unique collecte de mesures par turbine permet uniquement d’obtenir des signaux de jauges de déformation sur un ensemble discret de conditions de fonctionnement. Ainsi, l’interpolation des séries temporelles des conditions de fonctionnement est essentielle. La méthode actuelle, l’interpolation par krigeage, exige une quantité de ressources humaines qui rend difficile le suivi de l’ensemble des capteurs et l’ensemble des turbines. Pour relever ce défi, une approche faisant appel à un auto-encodeur variationnel (Variational autoencoder - VAE) est proposée. Cette approche permet l’interpolation de séries temporelles en les transformant de manière inversible en représentations latentes. Les résultats obtenus par l’approche proposée sont comparés à ceux de l’état de l’art. Un aperçu d’interpolation dans les différentes zones d’opération sont également présentés ainsi que l’organisation apprise par le réseau dans l’espace latent. Il est montré que l’approche proposée nécessite moins de ressources humaines que l’approche de krigeage tout en produisant des séries temporelles plus près des données mesurées dans le domaine des fréquences."],"dc:identifier.uri":["http://hdl.handle.net/11143/22169"],"dc:language.iso":["fr","en"],"dc:publisher":["Université de Sherbrooke"],"dc:subject":["Interpolation","Autoencodeur variationnel (VAE)","Fatigue","Turbine Francis","Série temporelle"],"dc:title":["Interpolation des séries temporelles provenant de jauges de déformation d’aubes de turbines hydroélectriques en fonction de conditions de fonctionnement à l’aide d’un auto-encodeur variationnel"],"dc:type":["Mémoire de maîtrise"],"thesis:degree_discipline":["Informatique"],"thesis:degree_level":["Maîtrise"],"thesis:degree_name":["M. Ing."],"thesis:institution_name":["Université de Sherbrooke"]},"updated_at":"2026-07-27T21:07:32Z"}