4 Presentations

• 
  10:30 AM - 10:55 AM

  Optimisation de la Logistique Inverse des Bidons d’Huile Vides par l’Apprentissage Machine : Une Analyse Comparative de Modèles de Prévision.

  • Aicha ksouma, presenter, Polytechnique Montréal
  • Ashkan Amirnia, Department of Mathematics and Industrial Engineering, Polytechnique Montréal, Canada
  • Samira Keivanpour, Polytechnique Montréal
  • Jean-Marc Frayret, Polytechnique Montréal, CIRRELT

  La gestion efficace de la logistique inverse des bidons d'huile vides est cruciale pour des raisons économiques et environnementales.Ce projet de recherche vise à développer un modèle prédictif pour estimer la quantité de résidus industriels, plus précisément les bidons d’huile usagés, générés et à récupérer dans un contexte de logistique inverse. L’objectif principal est d’anticiper la génération de ces résidus afin d’optimiser les opérations de collecte, réduire les coûts logistiques, et soutenir les pratiques de gestion durable des déchets. Le projet est réalisé en collaboration avec une entreprise partenaire qui utilise actuellement des modèles traditionnels. Pour améliorer la performance prédictive, des approches basées sur l’apprentissage automatique (ML) sont explorées. Une attention particulière est portée à l’intégration de données contextuelles, notamment les tendances saisonnières, les données météorologiques et les caractéristiques géographiques. L’approche adoptée est multi-attributs et multivariée, combinant plusieurs types de données pour refléter la complexité du terrain. Les résultats attendus permettront une meilleure planification des tournées de collecte, une réduction du gaspillage de ressources, ainsi qu’un appui concret aux stratégies de logistique durable. Ce projet s’inscrit dans une perspective d’économie circulaire et contribue à l’efficience des systèmes industriels en matière de gestion des résidus. Venez découvrir comment le ML peut transformer la gestion de ce flux de déchets !

• 
  10:55 AM - 11:20 AM

  Revue pour le développement d'un Chatbot pour la circularité en design multidisciplinaire et fabrication additive

  • Ghita El Anbri, presenter, Polytechnique Montréal
  • Geneviève Tardif, Polytechnique Montréal
  • Samira Keivanpour, Polytechnique Montréal

  Cette revue explore le potentiel de développement d'un chatbot pour guider les concepteurs vers des pratiques de circularité dans un contexte multidisciplinaire, plus particulièrement dans l'industrie aérospatiale. L'analyse des outils existants pour évaluer l'impact environnemental des matériaux souligne leur utilité, tout en insistant sur la nécessité de les compléter par des analyses du cycle de vie (ACV) pour une validation rigoureuse des crédits environnementaux des produits. Cette revue met en évidence l'importance d'intégrer dans le chatbot des données ACV, des stratégies d'optimisation du recyclage (y compris les technologies telles que la fabrication additive) et des principes de conception circulaire (tels que l'utilisation de matériaux composites). Les données clés identifiées pour alimenter un tel chatbot comprennent des informations détaillées sur les matériaux (impact environnemental, options de fin de vie), des principes de design circulaire et des réglementations environnementales dans le contexte aérospatial. Cette revue conclut sur le potentiel d'un chatbot pour fournir aux concepteurs les connaissances et les ressources nécessaires à la prise de décisions éclairées et durables dans le processus de conception, plus particulièrement dans un contexte de fabrication additive.

• 
  11:20 AM - 11:45 AM

  AI-Driven Optimization of Waste Collection Systems

  • Chiraz Cherif, Écolde de technologie Supérieure
  • Rim Larbi, presenter, Écolde de technologie Supérieure
  • Amin Chaabane, Écolde de technologie Supérieure

  As urbanization and sustainability demands rise, efficient solid waste collection has become a significant challenge. Traditional systems often incur high costs and inefficiencies, even in smart cities. This study explores how Artificial Intelligence (AI) and the Internet of Things (IoT) can improve waste management by predicting smart bin fill levels and optimizing collection routes. Using real-time data from Wyndham City Council (Australia), various machine learning models were evaluated, including LSTM, GRU, CNN, and hybrid CNN-GRU and LSTM-GRU. While R² scores were slightly lower than benchmarks, the LSTM–GRU model demonstrated strong robustness and a low RMSE, making it suitable for real-world applications. The results highlight the potential of AI–IoT integration to reduce operational costs, improve efficiency, and support more sustainable urban waste systems.

• 
  11:45 AM - 12:10 PM

  Design Optimization of Modular Mobility Assistive Devices via Generative AI

  • Maryam Ashkbous, presenter, Polytechnique Montreal
  • Samira Keivanpour, Polytechnique Montreal

  Mobility assistive devices, such as ankle foot orthoses, prosthetic limbs, and knee braces, are essential for enhancing the mobility and quality of life of individuals with physical disabilities or injuries. However, developing these products involves a multi-criteria decision-making problem, as designers must address functional performance, durability, user comfort, and sustainability objectives. In this research, we propose a generative AI-driven framework that integrates circular economy principles into the design and optimization of polymer-based orthoses. This framework incorporates relevant technical, environmental, and economic factors at the early design phase to minimize waste, extend product use-life, and ensure adaptability to various user profiles. We then utilize large language models to facilitate automated design recommendations based on anthropometric data, product lifecycle assessments, and manufacturing constraints. The study demonstrates that merging generative AI with circularity metrics can yield innovative, user-centric solutions for optimizing the design of assistive devices.