Otman DARIR

Stage : Étalonnage et réparation des instruments de mesure Laboratoire de Métrologie AFROLAB Au sein du laboratoire de métrologie AFROLAB, j'ai participé à l'étalonnage et à la réparation des instruments de mesure utilisés dans divers domaines techniques. Mes principales missions étaient les suivantes : Étalonnage des instruments de mesure : J'ai pris en charge l'étalonnage de différents instruments de mesure, en veillant à garantir leur précision et leur conformité aux normes internationales. Ce travail a impliqué une compréhension approfondie des outils et des procédures d'étalonnage spécifiques. Réparation des instruments défectueux : J'ai assisté dans le diagnostic et la réparation des instruments de mesure présentant des dysfonctionnements, en utilisant des techniques de maintenance préventive et corrective. Préparation des certificats d'étalonnage : J'ai contribué à la préparation des certificats d'étalonnage, en garantissant la conformité des résultats et la documentation appropriée pour assurer la traçabilité et la validité des mesures. Ce stage m'a permis de renforcer mes compétences en métrologie, en gestion de la précision des instruments et en rédaction de rapports techniques, tout en travaillant dans un environnement exigeant en termes de normes de qualité.

Stage : Augmentation de la base de données de signaux IMU à l’aide de modèles de Deep Learning pour l’évaluation de la mobilité et la prévention des chutes Laboratoire de Conception, Optimisation et Modélisation des Systèmes (LCOMS), Lors de ce stage, j'ai participé à l'augmentation d'une base de données de signaux provenant de capteurs IMU (accéléromètre, gyroscope, magnétomètre) dans le cadre d'un projet de prévention des chutes et d'évaluation de la mobilité. Mes principales missions comprenaient : Développement de modèles de Deep Learning : J'ai conçu et implémenté des modèles VAE (Variational Autoencoder) et GAN (Generative Adversarial Network) pour générer des signaux IMU réalistes, afin d'enrichir la base de données et améliorer les analyses de mobilité. Utilisation de frameworks avancés : J'ai utilisé PyTorch, TensorFlow et MATLAB pour le développement, l'entraînement et l'optimisation des modèles de génération de signaux. Comparaison et validation des performances : J'ai procédé à une évaluation approfondie des performances des modèles, en comparant les signaux générés aux données réelles et en validant leur réalisme pour garantir leur utilité dans les applications de santé et de prévention des chutes. Ce stage m'a permis de renforcer mes compétences en Deep Learning, en traitement de données issues de capteurs et en modélisation générative. J'ai également approfondi mes connaissances dans l'application de ces technologies à la santé et à l'analyse de la mobilité.

Stage : Optimisation des composants d’un véhicule électrique Le Laboratoire Ingénierie des Systèmes & Applications (LISA) Lors de ce stage, j'ai travaillé sur l'optimisation des composants d'un véhicule électrique (VE) afin de maximiser sa performance et son efficacité énergétique. Mes principales missions étaient les suivantes : Développement d'un algorithme de calcul des priorités des composants : J'ai conçu un algorithme basé sur la logique floue permettant de déterminer les coefficients de priorité des différents composants du VE en fonction de plusieurs paramètres. Prise en compte de multiples facteurs dynamiques : L'algorithme intègre des variables clés telles que l'état de charge de la batterie, le mode de conduite et l'état de la route, afin d'ajuster en temps réel la hiérarchie de priorité des composants pour une optimisation continue. Mise en œuvre de la priorisation automatique des systèmes : J'ai contribué à la conception d'un système permettant de prioriser de manière dynamique les différents systèmes du véhicule, afin d'améliorer la performance globale et l'efficacité énergétique du véhicule. Ce projet m'a permis d'acquérir une expérience pratique en optimisation algorithmique, en gestion de l'énergie des véhicules électriques et en intégration de la logique floue dans des systèmes complexes.