https://dspace.univ-ouargla.dz/jspui/handle/123456789/206 2026-04-12T08:32:38Z https://dspace.univ-ouargla.dz/jspui/handle/123456789/39709 Titre: Intelligent Forecasting and Control Strategies for Multi-Source Renewable Energy Systems Auteur(s): Fares, Bennaceur Résumé: The integration of multi-source renewable energy systems into smart grids remains chal- lenging due to the intermittent nature of renewable sources, load variability, and the need for efficient control and stability. This thesis proposes an intelligent framework integrating forecasting, control, and energy management to enhance the performance and reliability of hybrid renewable systems. The first contribution focuses on solar irradiation forecasting, which provides the foun- dation for intelligent decision-making in hybrid systems. Deep learning and machine learn- ing techniques CNN, LSTM, CNN–LSTM, and SVM are employed to predict short-term solar irradiance with high accuracy, allowing better planning and real-time adaptation of control strategies. The second contribution addresses maximum power point tracking (MPPT), where three intelligent controllers ANFIS with subtractive clustering, a GWO based controller, and an IT2FL controller are developed to maximize PV energy extraction under rapidly changing conditions. The third contribution concerns battery State of Charge (SOC) estimation, achieved through a Cascade Forward Neural Network (CFNN) model capable of handling nonlin- earities and temporal variations. The proposed SOC estimator improves accuracy and ensures optimal energy utilization and battery health. Finally, an Energy Management System (EMS) based on hybrid metaheuristic algo- rithms GWOPSO and ALO is designed to maintain DC bus voltage stability and manage power flow between PV, wind, and storage units. Simulation results demonstrate that the proposed AI-driven framework outperforms conventional approaches in terms of forecasting accuracy, MPPT efficiency, SOC reliabil- ity, and EMS stability, contributing to the realization of intelligent and sustainable smart grids.; L’intégration des systèmes hybrides à sources d’énergie renouvelable dans les réseaux in- telligents demeure un défi en raison du caractère intermittent des ressources renouvelables, de la variabilité de la charge et de la nécessité d’un contrôle efficace et stable. Cette thèse propose un cadre intelligent intégrant la prévision, le contrôle et la gestion énergétique afin d’améliorer les performances et la fiabilité des systèmes hybrides. La première contribution concerne la prévision de l’irradiation solaire, qui constitue la base de la prise de décision intelligente dans les systèmes hybrides. Des techniques d’ap- prentissage profond et d’apprentissage automatique CNN, LSTM, CNN LSTM et SVM sont utilisées pour prédire l’irradiation solaire à court terme avec une grande précision, permettant une meilleure planification et une adaptation en temps réel des stratégies de contrôle. La deuxième contribution traite du suivi du point de puissance maximale (MPPT), où trois contrôleurs intelligents ANFIS avec partitionnement soustractif, un contrôleur basé sur le GWO, et un contrôleur IT2FL sont développés afin de maximiser l’extraction de puissance photovoltaïque sous des conditions rapidement variables. La troisième contribution est liée à l’estimation de l’état de charge (SOC) des batteries, réalisée à l’aide d’un modèle Cascade Forward Neural Network (CFNN) capable de gérer les non-linéarités et les variations temporelles. L’estimateur proposé améliore la précision et garantit une utilisation énergétique optimale et une meilleure durée de vie des batteries. Enfin, un système de gestion de l’énergie (EMS) fondé sur des algorithmes méta- heuristiques hybrides GWOPSO et ALO est conçu pour maintenir la stabilité de la tension du bus CC et gérer les flux d’énergie entre les unités PV, éoliennes et de stockage. Les résultats de simulation montrent que le cadre intelligent proposé dépasse les ap- proches conventionnelles en termes de précision de prévision, d’efficacité MPPT, de fiabi- lité SOC et de stabilité EMS, contribuant ainsi au développement de réseaux intelligents durables et autonomes. Description: Electronic 2025-01-01T00:00:00Z https://dspace.univ-ouargla.dz/jspui/handle/123456789/38254 Titre: Enhanced Neural Network Architectures for Data-Scarce Environments and Multi-Parameter Prediction in Oil and Gas Operations Auteur(s): HARROUZ, Aymen Djamel Eddine Résumé: Neural networks are a crucial component of modern artificial intelligence, demonstrating impressive abilities in understanding complex patterns and relationships in data. However, applying neural networks in real industrial systems, such as Oil and Gas operations, is challenging due to limited his- torical data availability, especially for new machines, and the high cost of obtaining or producing data. As a result, there is a scarcity of public data for the research community. This PhD thesis proposes innovative neural net- work architectures tailored to address the critical challenges in this field. To solve the issue of low prediction accuracy in predicting the health state of tools, a novel neural network architecture is proposed to forecast the Remain- ing Useful Life when limited training data is provided. a feedback mechanism is incorporated into an artificial neural network in a novel manner, using the values of the output layer neurons as inputs. These inputs are utilized as features to generate precise predictions. To validate the effectiveness of the approach, real dataset from oil and gas wells during production is used, this study focuses on a sub dataset of a sub-surface safety valve tool. Addition- ally, a custom neural network architecture is proposed to create a data-driven digital twin based on multi-target regression to mitigate the time delay that impacts decision-making for drillers during directional drilling operations. The architecture combines Long-short Term Memory and Multi-Layer Per- ception branches in a single neural network to forecast and predict important drilling parameters, such as inclination and rate of penetration. To validate this approach a real data collected during a directional drilling operation is used. Furthermore, an incremental learning framework is implemented to simulate the performance of the architectures in real-time, where data is continuously received and the regression models are updated concurrently. The proposed architectures demonstrate superior results compared to exist- ing works in the field. The research conducted in this thesis aims to extend the capabilities of neural network models, uncovering their potential in solv- ing complex problems while contributing to the evolving field of intelligent systems. Description: Automation and Systems Engineering 2024-01-01T00:00:00Z https://dspace.univ-ouargla.dz/jspui/handle/123456789/37631 Titre: Observation à échantillonnage événementiel d'un système cyber-physique Auteur(s): Gasmi, Elhadi; SID Mohamed, Amine; HACHANA, Oussama Résumé: This thesis focuses on event-triggered state estimation problems within the context of cyber-physical systems (CPSs), aiming to develop new event-triggered estimators for nonlinear and Gaussian/nonGaussian systems. Event-triggered state estimation has been a prominent area of systems research for several decades, with successful applications in diverse elds such as signal processing, target tracking, and navigation systems. This approach o ers a promising solution to data tra c congestion by facilitating aperiodic, event-triggered information exchange between sensors and estimators. The motivation for this research stems from the resource limitations inherent in CPS applications, such as wireless sensor networks, and the increased computational burden associated with calculating optimal state estimates under event-triggering conditions. In this work, we address several practical challenges encountered in the eld and endeavor to advance the state of the art in event-triggered state estimation. In the rst part, we provide a brief introduction to the problem of systems under event-triggering conditions and outline the main theory using probabilistic inference, where the problem is addressed with Bayesian state estimation. In the second part, we present the necessary theory for event-triggered state estimation, where the Gaussian assumption are discussed to approximate the posterior Probability Density Function (pdf). Here, the problem is reduced to one of the approximated nonlinear type of Kalman lters. In the next part of this research, we assume that the posterior pdf is no longer to be Gaussian. Therefore, we develop an event-triggered particle lter to approximate the non-Gaussian posterior. The pdfs are approximated based on Monte Carlo simulations using a set of particles and weights. However, computing the particle weights based on the event trigger condition can lead to a computational burden. To address this issue, a Bayesian constraint is developed. Finally, we study the e ect of packet dropouts on the performance of state estimators, speci cally focusing on particle lters. Packet dropouts, caused by imperfect communication channels, are unavoidable when information is transmitted through a communication network. We rst develop a nonlinear particle lter to reduce the estimation error. Using a special form of the sequential Monte Carlo algorithm, the posterior distribution is approximated, and the corresponding minimum meansquared error is derived. By contrasting the error covariance matrix with the posterior Cramér-Rao lower bound, the estimator's performance is assessed. Description: Automatics & systems 2024-01-01T00:00:00Z https://dspace.univ-ouargla.dz/jspui/handle/123456789/37305 Titre: Study, realization and characterization of thin films based on TCO for micro-technology applications. Auteur(s): Abdelhamid BOUNEGAB Résumé: Transparent conducting oxides (TCOs) are materials with dual property of elec-trical conductivity and transparency in the visible, making them ideal candidates for applications in microtechnology. In this thesis work, we prepared thin films of n-type semiconductors, represented by tin oxide (SnO2) and p-type semiconductors, represented by nickel oxide (NiO), with the aim of realizing a heterojunction. This heterojunction is in demand by industry for ultraviolet photodiode applications. This study also made it possible to improve the optical and structural properties of each type of layer, developed using the simple and cost-effective spray pyrolysis technique. The materials obtained were then analyzed using several characterization techniques, in particular spectroscopic ellipsometry (SE). The originality of this work lies in the use of a B-spline model to fit the spectroscopic ellipsometry data and extract the optical constants of SnO2 and NiO films under temperature variation. It reports a minimum root-mean-square error of 4.022 for the ellipsometric fit, indicating a good match between the model and the experimen-tal data. The B-spline model is shown to be effective in accurately fitting spectroscopic ellipsometry data of SnO2 films. In addition, this summary also discusses the use of the Wemple-DiDomenico model to estimate the average oscillator and dispersion energies of NiO films. It also highlights the decrease in refractive index and Urbach energy with increasing crystallite size in NiO films. These analyses suggest that the B-spline model and the Wemple-DiDomenico model are powerful tools for characterising the structural and optical properties of TCO thin films. The results of characterization of the two TCOs were used to design a PIN photodiode based on a NiO/Silicon/SnO2 heterojunction. This PIN photodiode was desgned using Silvaco simulator, resulting in a determination of the current-voltage characteristics of 7.3 nA, with a low leakage current and high sensitivity estimated at 7.3 mA/W for petahertz communication, especially ultraviolet communica-tion.; Les oxydes transparents et conducteurs (TCO) sont des matériaux à double pro-priété, conductivité électrique et transparence dans le visible, ce qui en fait des candidats idéaux pour des applications en microtechnologies. Dans ce travail de thèse, nous avons préparé des couches minces de semi-conductrs de type n, représentées par l’oxyde d’étain (SnO2), et d’autres de type p, représentées par l’oxyde de nickel (NiO), dans le but de réaliser une hétérojonction. Cette hétérojonction est demandée par l’industrie pour des applications de photodiodes ultraviolettes. Cette étude a également permis d’améliorer les propriétés optiques et structurales de chaque type de couche, élaborée par la technique de spray pyrolyse, une technique simple et économique. Les matériaux obtenus ont en-suite été analysés par plusieurs techniques de caractérisation, en particulier l’ellipsométrie spectroscopique (SE). L’originalité de ce travail est l’utilisation d’un modèle B-spline pour ajuster les données d’ellipsométrie spectroscopique et extraire les constantes optiques des films de SnO2 et NiO en variation de température. Il fait état d’une erreur quadra-tique moyenne minimale de 4.022 pour l’ajustement ellipsométrique, ce qui indique une bonne adéquation entre le modèle et les données expérimentales. Le modèle B-spline s’avère efficace pour ajuster avec précision les données d’ellipsométrie spectroscopique des films SnO2. En outre, ce résumé traite également de l’utilisation du modèle de Wemple-DiDomenico pour estimer les énergies moyennes d’oscillateur et de dispersion des films de NiO. Il met également en évidence la diminution de l’indice de réfraction et de l’énergie d’Urbach avec l’augmentation de la taille des cristallites dans les films de NiO. Ces analyses suggèrent que le modèle B-spline et le modèle Wemple-DiDomenico sont des outils puissants pour caractériser les propriétés structurelles et optiques des films minces de TCO. Les résultats de caractérisation des deux TCOs ont été exploités pour concevoir une photodiode PIN à base d’une hétérojonction NiO/Silicon/SnO2. Cette photodiode PIN été conçue à l’aide du simulateur Silvaco, ce qui a permis de déterminer les caractéristiques courant-tension de 7.3 nA avec une faible fuite de courant et une sensibilité élevée estimée à 7.3 mA/W pour la communication petahertz, en particulier pour l’ultraviolet communication.; أكاسيد التوصيل الشفاف (TCOs) هي مواد تتمتع بخاصيتين مزدوجتين، التوصيل الكهربائي والشفافية في المجال المرئي، مما يجعلها مرشحةً مثالية للاستخدامات في التقنيات الدقيقة. في هذا العمل البحثي، قمنا بتحضير أغشية رقيقة من أشباه الموصلات من النوع n، الممثلة بأكسيد القصدير (SnO2)، وأشباه الموصلات من النوع p، الممثلة بأكسيد النيكل(NiO)، بهدف تحقيق وصلة p-n. هذه الوصلة مطلوبة بشدة من قبل الصناعة لتطبيقات الصمامات الثنائية البصرية فوق البنفسجية. وقد أتاحت هذه الدراسة أيضًا تحسين الخصائص البصرية والهيكلية لكل نوع من الطبقات، التي تم تطويرها باستخدام تقنية الرش البسيطة والفعالة من حيث التكلفة. ثم تم تحليل المواد التي تم الحصول عليها باستخدام العديد من تقنيات التوصيف، ولا سيما قياس استقطاب الضوء الطيفي (SE) تكمن أصالة هذا العمل في استخدام نموذج B-spline لملاءمة بيانات قياس استقطاب الضوء الطيفي واستخراج الثوابت البصرية لأفلام SnO2 وNiO تحت اختلاف درجات الحرارة. يبلغ الحد الأدنى لمتوسط مربع الخطأ.022 4 للملاءمة القياسية، مما يشير إلى تطابق جيد بين النموذج والبيانات التجريبية. يظهر أن نموذج B-spline فعال في ملاءمة بيانات قياس استقطاب الضوء الطيفي لأفلام SnO2 بدقة. بالإضافة إلى ذلك، يناقش هذا الملخص أيضًا استخدام نموذج Wemple-DiDomenico لتقدير متوسط طاقات التذبذب والتشتت لأفلام NiO كما يسلط الضوء على انخفاض مؤشر الانكسار وطاقة Urbach مع زيادة حجم البلورية في أفلام NiO تشير هذه التحليلات إلى أن نموذج B-spline ونموذج Wemple-DiDomenico أدوات قوية لتوصيف الخصائص البنيوية والبصرية لأغشية TCO الرقيقة. ومن ثم استخدام نتائج تحديد خصائص TCOs الاثنين لتصميم صمام ثنائي البصري PIN يعتمد على وصلة NiO/Silicon/SnO2. حيث تم تصميم هذا الصمام الثنائي البصري باستخدام برنامج المحاكاة Silvaco، مما أدى إلى تحديد خصائص التيار والجهد والتي تبلغ 3.7 نانو أمبير، مع تيار تسريب منخفض وحساسية عالية تقدر بـ 3.7 مللي أمبير / وات للاتصال بيتاهرتز، وخاصةً الاتصال فوق البنفسجي. Description: Telecommunications Networks 2024-01-01T00:00:00Z