Thèse Jumeaux Numériques Centrés sur l'Humain pour l'Ordonnancement des Tâches et la Gestion des Ressources Intégrant Bien-Être et Pénibilité au Travail une Architecture Généralisée pour les Trava H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Elyes LAMINE ORCID 0000000217287744 Début de la thèse : 2027-09-01 Date limite de candidature : 2026-11-23T23:59:59 Le présent projet de thèse porte sur le développement d'une nouvelle génération de Jumeaux Numériques Centrés sur l'Humain (Human-Centric Digital Twins - HCDT), dédiés à l'optimisation de l'organisation du travail et à l'allocation dynamique des ressources. Ces modèles intègrent explicitement les contraintes liées à la santé, à la sécurité, à la fatigue et au bien-être des opérateurs. Les travaux ciblent prioritairement des environnements contraints et incertains, caractérisés par l'intervention de travailleurs isolés ou de première ligne soumis à une forte variabilité opérationnelle, dans lesquels les décisions d'ordonnancement doivent s'adapter en continu aux aléas opérationnels, environnementaux et physiologiques.

Sur le plan scientifique, l'objectif est de dépasser le paradigme traditionnel de l'ordonnancement guidé par les seules métriques de performance opérationnelle. La démarche vise à concevoir des modèles prédictifs-réactifs et multiobjectifs conciliant efficience opérationnelle et contraintes ergonomiques. La charge physique, la dynamique de la fatigue et de la récupération, ainsi que l'exposition aux risques professionnels seront formalisées afin d'être directement intégrées aux moteurs d'optimisation et de réordonnancement.

L'innovation méthodologique repose sur le couplage en boucle fermée d'un moteur de simulation à événements discrets (SED) et d'algorithmes d'optimisation dynamique. Cette architecture permettra au HCDT d'anticiper les situations de surcharge ou de fatigue, d'évaluer des scénarios prospectifs (« what-if ») et de réajuster en quasi-temps réel l'affectation des tâches et la distribution des ressources. La synchronisation continue avec les données issues du terrain, notamment via des capteurs ou des systèmes IoT, contribuera à maintenir la fidélité et la cohérence du modèle par rapport à l'état réel du système.

Afin de garantir un niveau d'abstraction suffisant, la thèse proposera un socle méthodologique générique, interopérable et transférable. La démarche sera validée empiriquement sur des cas d'étude complémentaires : le secteur agricole, en particulier le travail en milieu isolé, et le domaine de la santé, notamment les structures de soins à domicile et les EHPAD. Ces retours du terrain permettront d'éprouver et d'enrichir progressivement le modèle, afin de garantir une planification à la fois faisable et adaptée, tout en identifiant les invariants de l'architecture HCDT et les spécificités propres à chaque domaine d'application.

Inscrit dans la philosophie de l'Industrie 5.0, ce travail contribuera à l'émergence de systèmes de production et de services plus soutenables, adaptatifs et sûrs, en plaçant la modélisation des facteurs humains au coeur de la prise de décision automatisée. Digital Twins have progressively emerged as major tools for the representation, simulation, and decision support of complex systems. Initially developed for industrial equipment and processes, they are now being extended to environments where humans become a central component of the system, particularly in healthcare, agriculture, and activities performed in isolated settings.

This evolution toward Human-Centric Digital Twins (HCDTs) raises major scientific challenges: the non-deterministic nature of human behavior, environmental variability, the dynamic evolution of fatigue and workload, and the need to reconcile operational performance with occupational health, safety, and worker well-being. These issues are particularly critical for isolated and frontline workers, whose activities require adaptive decision-making under uncertainty.

The PhD therefore aims to move beyond conventional simulation and scheduling approaches by developing a Human-Centric Digital Twin combining predictive simulation, multi-objective optimization, and continuous data assimilation. Three main scientific challenges structure the research:

Challenge 1 - Near-real-time simulation-optimization coupling: design a low-latency bidirectional coupling between Discrete Event Simulation (DES) and predictive-reactive scheduling under human and environmental uncertainties, while addressing the trade-off between schedule responsiveness and stability.
Challenge 2 - Multi-objective optimization integrating human factors: formulate and solve scheduling models combining operational performance, ergonomics, workload, fatigue/recovery, occupational strain, and risk exposure.
Challenge 3 - Continuity between models, data, and the Digital Twin: develop a BPMN-to-DES pipeline and continuous IoT/HMI data assimilation mechanisms to dynamically update the Digital Twin and limit drift between the real system and its virtual representation.

The overall ambition is to establish a generic and transferable methodological core for more adaptive, safer, and truly human-centered work systems. This PhD aims to develop a generic Human-Centric Digital Twin (HCDT) architecture for dynamic work optimization and decision support. The proposed approach will combine predictive simulation, adaptive multi-objective scheduling, and continuous data assimilation, while explicitly integrating human-related dimensions such as fatigue, physical strain, workload, occupational risks, recovery, and worker well-being.

The main scientific objectives are:

1 - Develop a predictive-reactive multi-objective scheduling engine designed to jointly optimize operational performance and human-related criteria, including metabolic strain, nonlinear fatigue, recovery dynamics, workload, and exposure to environmental and occupational risks.
2- Design a predictive Discrete Event Simulation (DES) engine, dynamically coupled with the scheduling engine, to anticipate future system states, explore what-if scenarios, and support decision-making under combined operational, environmental, and human uncertainties.
3- Implement an automated BPMN-to-DES transformation pipeline and a continuous data-assimilation infrastructure, including IoT and information-system data, to dynamically update the Digital Twin and maintain alignment between the virtual representation and real-world operations.
4 - Validate and benchmark the HCDT architecture across multiple real-world application contexts, including isolated agricultural work, hospital care units, and nursing homes, in order to assess its genericity, transferability, robustness, and ability to improve both operational performance and worker well-being.

The overall ambition is to deliver a predictive, adaptive, and human-centered decision-support framework designed to optimize work organization while reducing occupational strain and improving the health, safety, and well-being of workers. The method will be structured as a set of interconnected phases organized within an iterative learning and enrichment loop. Each iteration will progressively refine the knowledge base, models, data integration mechanisms, and decision-support capabilities of the Human-Centric Digital Twin.

1- Understanding and Characterization of Work Situations
Two complementary activities will be conducted in parallel: a targeted literature review on human and environmental factors, and field observations involving a limited number of isolated workers. The literature review will focus on how factors such as fatigue, stress, physical workload, recovery, occupational strain, well-being, and environmental exposure can be assessed, measured, and modeled. In parallel, field observations will provide a better understanding of actual work practices, task organization, operational constraints, environmental conditions, and exposure to risks.
2- Process and Human-Factor Modeling
Knowledge derived from the literature and field observations will be formalized into a first representation of the work system. Workflows will notably be modeled using BPMN, including tasks, resources, temporal constraints, decision points, human-related factors, and environmental conditions. This phase will provide the initial modeling backbone of the HCDT.
3- Predictive Simulation and Multi-Objective Scheduling
Based on these models, a predictive Discrete Event Simulation (DES) engine and a predictive-reactive multi-objective scheduling engine will be progressively developed. The objective will be to jointly consider operational performance and human-related criteria such as fatigue, workload, recovery, occupational strain, well-being, and risk exposure.
4 - Closed-Loop Integration and Continuous Enrichment
The simulation and scheduling engines will be integrated within a closed-loop decision-support framework. Observational data, information-system data, and, where available, IoT/HMI data will be continuously assimilated to update the Digital Twin states and parameters. Differences between predicted and observed system behavior will be used to recalibrate the models and progressively enrich the decision-support mechanisms.
5 - Experimental Validation, Feedback, and Transferability
Successive versions of the HCDT will be validated and benchmarked in real-world application contexts. Experimental results will feed back into the previous phases, leading to refinement of the selected human factors, BPMN models, simulation parameters, and optimization strategies. The approach will be progressively extended from isolated-worker settings to other human-centered environments, including hospital care units and nursing homes, in order to assess the genericity, robustness, and transferability of the proposed architecture.

The overall methodological logic can therefore be summarized as:

Observe & Understand Model Simulate & Optimize Deploy & Measure Learn & Enrich Iterate

This iterative approach ensures that the HCDT is not developed as a static model, but as a progressively enriched, data-informed, and field-validated decision-support framework.

- Formation : Master 2 Recherche ou diplôme d'ingénieur en informatique, mathématiques appliquées, science des données, recherche opérationnelle ou génie industriel.

- Compétences recherchées : Solides compétences en recherche opérationnelle, optimisation combinatoire, simulation à événements discrets (SED) et analyse de données. Maîtrise d'un langage de programmation scientifique (Python, Julia, C++ ou Java) et des fondamentaux de l'IA.

- Compétences appréciées : Modélisation BPMN, IoT / systèmes embarqués et interfaces homme-machine (IHM).

- Intérêts scientifiques : Appétence affirmée pour la modélisation, les jumeaux numériques et les applications à fort impact sociétal (santé, agriculture,...).

- Aptitudes & Langues : Rigueur méthodologique, autonomie, esprit d'initiative et goût pour le travail interdisciplinaire. Anglais scientifique courant (écrit et oral).

- Éligibilité (Règle de mobilité MSCA) : Sans condition d'âge ni de nationalité. Les candidats doivent respecter la règle de mobilité Marie Sklodowska-Curie : ne pas avoir résidé, travaillé ou étudié en France plus de 12 mois au cours des 36 mois précédant la date de recrutement.

Application link: https://edd-projets.utoulouse.fr/