Détection des défaillances des capteurs utilisé en smart irrigation en utilisant l’apprentissage profond (Deep Learning)

Simple item page
dc.contributor.authorHAMDADOUCHE, Ayoub
dc.contributor.authorHACINI, Aymen Fekhr el islam
dc.date.accessioned2025-07-30T10:59:28Z
dc.date.available2025-07-30T10:59:28Z
dc.date.issued2024-12-14
dc.description.abstractL’utilisation de capteurs physiques basés sur l’IoT est courante, mais leur fiabilité en temps réel reste un défi majeur, notamment en cas de perturbations externes. Ce document propose une solution basée sur des réseaux neuronaux LSTM, testée dans un système d’irrigation intelligent. Un modèle prédictif remplace un capteur physique pour prédire en temps réel des valeurs de température, d’humidité et de température du sol avec une grande précision. les résultats mettent en évidence la possibilité d’utiliser un réseau neuronal, désigné ici comme modèle prédictif , pour compléter et surveiller le fonctionnement des capteurs physiques. Cette approche permet de détecter les défaillances des capteurs physiques, rendant ainsi les systèmes d’irrigation intelligents plus fiables et performants.
dc.identifier.urihttp://dspace.ensa.dz/handle/123456789/3919
dc.language.isofr
dc.subject: Irrigation intelligent
dc.subjectintelligence artificielle (AI)
dc.subjectapprentissage automatique (ML)
dc.subjectapprentissage profonde (DL)
dc.subjectLes réseaux de longue mémoire à court terme (LSTM)
dc.subjectréseau de neurones récurrents (RNN).
dc.titleDétection des défaillances des capteurs utilisé en smart irrigation en utilisant l’apprentissage profond (Deep Learning)
dc.typeThesis

Files

Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
HAMDADOUCHE_Ayoub-HACINI_Aymen-Fekhr-el-islam.pdf
Size:
315.56 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Département Génie Rural