Thèse Cadre Intégré de Modélisation Simulation et Pilotage de la Résilience des Chaînes Logistiques par Jumeau Numérique et Intelligence Artificielle H/F - Doctorat.Gouv.Fr

Établissement : Université de Savoie Mont-Blanc École doctorale : Sciences Ingénierie Environnement Laboratoire de recherche : Systèmes et Matériaux pour la Mécatronique Direction de la thèse : Jean-luc MAIRE Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 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. Contexte scientifique et positionnement dans la littérature
Les chaînes logistiques sont caractérisées par une complexité croissante liée à leur mondialisation, à la multiplicité des acteurs et à l'interconnexion des flux physiques et d'informations, les rendant particulièrement vulnérables aux perturbations exogènes, crises sanitaires, instabilités géopolitiques, événements climatiques extrêmes. La notion de résilience a émergé comme cadre conceptuel dépassant les approches centrées sur l'efficience : elle désigne la capacité d'un système logistique à anticiper, absorber et s'adapter aux perturbations tout en maintenant un niveau de performance acceptable (Ponomarov & Holcomb, 2009 ; Sheffi, 2005).
La littérature a progressé des approches conceptuelles et qualitatives (Christopher & Peck, 2004 ; Sheffi & Rice, 2005) vers des cadres quantitatifs mobilisant la recherche opérationnelle, les systèmes dynamiques et le contrôle (Ribeiro & Barbosa-Póvoa, 2018 ; Ivanov & Dolgui, 2020 ; Spiegler et al., 2012). La modélisation par systèmes à événements discrets s'est imposée comme un formalisme clé pour représenter explicitement les flux, les processus et les interactions entre acteurs, permettant de capturer la propagation des perturbations au sein des réseaux logistiques (Terzi & Cavalieri, 2004). Les approches de modélisation formelle offrent des garanties analytiques sur le comportement des systèmes, bien qu'elles restent peu intégrées au pilotage opérationnel (Shoukat et al., 2018 ; Soltani et al., 2025). Plus récemment, les méthodes d'apprentissage automatique et les jumeaux numériques ont été mobilisés pour la prédiction des perturbations et l'aide à la décision (Min, 2010 ; Tao et al., 2019 ; Ivanov et al., 2021). Toutefois, la littérature reste fragmentée entre ces approches et souligne une double limite : l'absence de cadres intégrant modélisation SED, simulation et décision de manière cohérente, et le manque d'explicabilité des modèles d'apprentissage automatique, frein majeur à leur adoption dans des contextes décisionnels critiques (Adadi & Berrada, 2018 ; Rai, 2020).

Verrou scientifique et question de recherche
Malgré les avancées récentes, ces travaux restent cloisonnés dans des approches partielles et ne permettent pas de répondre à la complexité du pilotage de la résilience dans sa globalité. Si le jumeau numérique offre un cadre fédérateur prometteur, son articulation formelle avec la modélisation SED et les méthodes d'apprentissage explicable reste à ce jour peu explorée dans la littérature.

La question de recherche de cette thèse est la suivante :
Comment concevoir un cadre intégré, fondé sur la modélisation SED, la simulation multi-scénarios et un jumeau numérique enrichi par des méthodes d'apprentissage automatique explicable, pour évaluer et piloter la résilience des chaînes logistiques face aux perturbations ? L'objectif général de cette thèse est de concevoir et valider un cadre intégré de pilotage de la résilience des chaînes logistiques, articulant modélisation par systèmes à événements discrets, simulation multi-scénarios, apprentissage automatique explicable et jumeau numérique.
Cet objectif se décline en quatre objectifs spécifiques :
- Formaliser la chaîne logistique comme un système à événements discrets capable de représenter la propagation des perturbations au sein du réseau.
- Simuler le comportement du système sous différents scénarios de perturbation et mesurer des indicateurs de résilience pertinents.
- Développer des modèles de prédiction des perturbations et de recommandation de stratégies adaptatives, en garantissant l'explicabilité des résultats produits.
- Intégrer l'ensemble au sein d'un jumeau numérique de supply chain et valider le cadre sur des cas d'étude industriels. La méthodologie adoptée s'inscrit dans une approche de Design Research Methodology (Blessing & Chakrabarti, 2009), articulant modélisation des systèmes, simulation dynamique et méthodes computationnelles d'aide à la décision. Elle est structurée en six phases progressives.

Phase 1 : Étude systématique de la littérature. Une revue systématique de la littérature sera conduite sur trois axes : les modèles de systèmes à événements discrets appliqués aux chaînes logistiques, les méthodes d'apprentissage automatique pour la gestion des perturbations, et les approches de jumeaux numériques en contexte industriel. Cette phase fonde les choix méthodologiques sur un état de l'art rigoureux et positionne les contributions de la thèse dans la littérature existante.

Phase 2 : Modélisation par systèmes à événements discrets. La chaîne logistique sera formalisée comme un système à événements discrets afin de représenter explicitement les processus, les flux et les interactions entre acteurs. Des formalismes tels que les réseaux de Petri, les réseaux de files d'attente ou des modèles hybrides seront mobilisés pour capturer les dynamiques opérationnelles et les mécanismes de propagation des perturbations au sein du réseau logistique.

Phase 3 : Simulation multi-scénarios. Le modèle sera implémenté dans un environnement de simulation à événements discrets permettant d'évaluer le comportement du système sous différents scénarios de perturbation : défaillances fournisseurs, ruptures de transport, variations extrêmes de la demande ou contraintes de capacité. Des indicateurs de résilience seront mesurés à l'issue de chaque scénario, temps de récupération, robustesse et capacité d'absorption, afin d'alimenter les phases ultérieures.

Phase 4 : Intégration de méthodes d'apprentissage automatique et d'aide à la décision explicable. Des méthodes d'apprentissage supervisé et d'apprentissage profond seront mobilisées pour la prédiction des perturbations, tandis que des approches de détection d'anomalies permettront d'identifier des signaux faibles précurseurs de ruptures. Des méthodes d'apprentissage par renforcement seront explorées pour l'apprentissage de politiques de décision adaptatives en environnement incertain. L'explicabilité des modèles sera traitée comme une contrainte de conception à part entière, afin de garantir la transparence des recommandations produites dans un contexte décisionnel industriel.

Phase 5 : Construction du jumeau numérique. Les composants développés dans les phases précédentes seront intégrés au sein d'un jumeau numérique de supply chain, structuré en quatre couches fonctionnelles : modélisation des processus et des ressources, agrégation des données opérationnelles et contextuelles, couche analytique combinant simulation et apprentissage automatique, et couche décisionnelle dédiée à la visualisation et à l'évaluation de scénarios. Ce jumeau numérique permettra de tester différentes stratégies de résilience avant leur mise en oeuvre réelle.

Phase 6 : Validation industrielle. La validation du cadre proposé sera conduite à travers un ou plusieurs cas d'étude industriels, en s'appuyant sur le tissu économique régional et les réseaux de partenaires de l'Université Savoie Mont Blanc. Le mécénat de la Fondation USMB et le réseau de l'association PLM (Auvergne-Rhône-Alpes) constitueront des leviers pour engager des entreprises dans une démarche de co-construction et de validation terrain.

Le projet de thèse s'adresse à un(e) candidat(e) titulaire d'un master en génie industriel, informatique ou systèmes d'information, avec de solides bases en modélisation et simulation de systèmes. Un intérêt pour les méthodes d'apprentissage automatique et leurs applications industrielles est attendu. Le(la) candidat(e) devra faire preuve de rigueur scientifique, d'autonomie et d'une capacité à travailler à l'interface de plusieurs disciplines. La maîtrise de la rédaction académique en anglais est indispensable, la thèse ayant vocation à donner lieu à des publications dans des revues et conférences internationales. Une ouverture aux collaborations industrielles sera appréciée dans le cadre des partenariats envisagés.

• Rigueur et méthode