L’intelligence énergétique

La recherche d’économies d’énergie s’inscrit depuis longtemps dans l’histoire de SNCF, qui adapte en permanence ses stratégies de stationnement aux évolutions des technologies de traction. Après l’ère de la vapeur, la traction thermique puis électrique ont imposé de nouvelles méthodes de gestion de l’énergie, notamment dans les voitures accueillant les voyageurs. L’arrivée du matériel automoteur, qu’il soit diesel ou électrique, a permis, grâce à sa conception, de simplifier certaines opérations de cette gestion de l’énergie. Avec le TGV, de nouveaux enjeux de performance et d’optimisation de la consommation d’énergie sont apparus. Aujourd’hui, le stationnement des rames TGV repose sur une alimentation en continu, appelée « pré-service » (préconditionnement), garantissant ainsi leur disponibilité. Des modes ECO ont progressivement été déployés afin de limiter la consommation en énergie. À l’avenir, l’automatisation du pré-service à distance ouvrira la voie à une gestion plus fine de l’énergie, grâce au pilotage automatisé du pantographe et du préconditionnement des rames, une fois les contraintes techniques et de sécurité maîtrisées.

Mesures d’échauffement lors du captage de courant à l’arrêt

L’IA au service de l’économie circulaire de SNCF Réseau

Cet article traite de la recherche menée sur la perception visuelle des signaux latéraux pour la conduite automatisée des trains. Depuis l’avènement du « Deep Learning » au cours des années 2010, l’application de technologies d’apprentissage automatique émerge comme une opportunité intéressante pour la résolution de tâches de plus en plus complexes, comme la conduite automatique. Si les approches de Deep Learning sont très efficaces pour détecter les signaux dans des environnements ferroviaires complexes, leur manque d’interprétabilité constitue un défi pour des fonctions critiques de sécurité. Les auteurs proposent une approche hybride pour y répondre : un modèle de Deep Learning détecte les châssis de signalisation, puis des méthodes classiques de vision par ordinateur déterminent l’état des feux. Une analyse temporelle des images successives permet enfin de corriger certaines erreurs inhérentes au modèle et d’améliorer la cohérence des détections. La méthode qui en résulte constitue un compromis entre performance, robustesse et explicabilité.

La ligne Marseille-Briançon rénovée pour les JO 2030

Le contexte général de la ligne