J’ai le plaisir de vous annoncer que Junyi Zhong soutiendrai sa thèse intitulée :

English Title : « Towards Trustworthy Digital Twins for Smart City Environmental Monitoring »

Titre Français : « Vers des jumeaux numériques fiables pour la surveillance environnementale des villes intelligentes »

Date : Lundi 21 Janvier 2026 à 14h00

Lieu : Salle des thèses, bâtiment P à la faculté des Sciences et Technologie, Université Paris-Est Créteil (UPEC)

Résumé de la thèse

L’urbanisation rapide et la pression environnementale croissante renforcent la nécessité de dispositifs intelligents de suivi en temps réel pour les villes intelligentes. Pourtant, les plateformes actuelles de jumeaux numériques peinent à intégrer des flux de données hétérogènes en particulier ceux issus de capteurs environnementaux et d’infrastructures urbaines dans des modèles fiables et opérationnels. Cette thèse présente un système de surveillance par jumeau numérique de confiance (Trustworthy Digital Twin, TDT), structuré autour de trois composantes :
(1) des chaînes de traitement d’apprentissage automatique adaptatif appliquées aux séries temporelles pour la prédiction en temps réel et la détection d’anomalies, illustrées par le cas d’usage de la prévision de la qualité de l’eau ;
(2) un cadre sémantique fondé sur des graphes de connaissances et une authentification par preuves à divulgation nulle de connaissance (.soda) garantissant la provenance et lintégrité des données ; et
(3) un algorithme de fusion multi-capteurs, fondé sur la théorie des jeux et résilient aux fautes byzantines, permettant une intégration robuste en présence de dérive, de bruit et de comportements adversariaux.

Ce cadre définit des ontologies et des chaînes d’approvisionnement de données sémantiques facilitant la fusion interopérable des données et la prise de décision fondée sur l’apprentissage automatique. Deux mécanismes renforcent la confiance dans les données :
(i) .soda, un protocole d’attestation auto-souveraine assurant une authenticité vérifiable ; et
(ii) G-TOK, un système de preuves préservant la confidentialité pour la vérification de données capteurs et la formation d’un consensus de confiance multi-agents.

Ensemble, ils constituent la couche Mécanisme et Vérification, assurant l’intégrité des données et un contrôle distribué tolérant aux fautes. La couche d’Évaluation Appliquée valide le système au moyen de pilotes de surveillance de cours d’eau, démontrant une amélioration de la tolérance aux fautes, une compensation automatisée des données et un consensus résilient au sein du Trustworthy Game- Theoretic Framework (TGTF). Le TGTF met en œuvre une boucle fermée combinant détection d’anomalies, attribution d’erreurs et compensation, réduisant les coûts opérationnels tout en renforçant la fiabilité. Le pipeline d’apprentissage atteint une précision de pointe pour la prévision environnementale et la couche de fusion améliore la robustesse des réseaux de capteurs à bas coût. Enfin, la thèse introduit un modèle de données de confiance capable d’agréger des signaux analytiques pour estimer l’impact environnemental et d’intégrer des capacités d’IA générative dans des jumeaux numériques cognitifs en vue de générer de manière autonome des chaînes d’approvisionnement de données. Ce cadre interdisciplinaire propose une base scalable, sécurisée et prédictive pour la surveillance environnementale urbaine et établit des principes méthodologiques et d’ingénierie pour une intelligence urbaine reproductible et exploitable.

Mots-clefs : Intelligence artificielle, ville intelligente, environnement intelligent, modèle de données sémantique, Jumeaux numériques fiables, blockchain, théorie des jeux, tolérance aux
pannes, apprentissage automatique, Cadre d’aide à la décision

Composition du jury :

• Prof. MOUNGLA Hassine, Université Paris Cité, Laboratoire d’Informatique Paris DESCARTES (LIPADE) (Rapporteur)
• Prof. ABDERREZAK Rachedi, Université Paris Cité, Laboratoire d’Informatique Gaspard-Monge (LIGM) (Rapporteur)
• Prof. KALLEL Sondes, Université de Versailles Saint-Quentin-en-Yvelines (UVSQ). (Examinateur)
• Prof. VARRAULT Gilles, Université Paris-Est Créteil, Laboratoire Eau, Environnement, Systèmes Urbains. (Examinateur & Président)
• Prof. LUCAS Françoise, Université Paris-Est Créteil, Laboratoire Eau, Environnement, Systèmes Urbains (LEESU). Professeur à l’UPEC (Directrice de thèse)
• Dr. Thiago Abreu, Université Paris-Est Créteil, Laboratoire Images, Signaux et Systèmes Intelligents (LISSI). Maître de conférences à l’UPEC (Co-encadrants)
• Dr. Sami Souihi, Université Paris-Est Créteil, Laboratoire Images, Signaux et Systèmes Intelligents (LISSI). Maître de conférences en réseaux informatiques, HDR à l’UPEC, Chercheur-invité Senior, CEA/LIST à Université de Paris Saclay (Co-encadrants

ENGLISH PhD abstract :

Rapid urbanization and rising environmental pressures have intensified the need for intelligent, real-time smart-city monitoring. Yet current digital-twin platforms struggle to fuse heterogeneous data, particularly from urban environmental and infrastructure sensors, into reliable, actionable models. This dissertation presents a Trustworthy Digital Twin (TDT) Monitoring System built on three components : (1) adaptive time-series ML pipelines for real-time prediction and anomaly detection, demonstrated through water-quality forecasting ; (2) a semantic data framework using knowledge graphs and zero-knowledge-proof authentication (.soda) to ensure provenance and integrity ; and (3) a Byzantine-resilient, game-theoretic fusion algorithm enabling robust multi-sensor integration under drift, noise, and adversarial behavior. The framework defines ontologies and semantic data supply chains supporting interoperable data fusion and ML-driven decision support. Two mechanisms reinforce data trustworthiness : (i) .soda, a self-sovereign attestation protocol enabling verifiable authenticity, and (ii) G-TOK, a privacy-preserving proof system for sensor-data verification and multi-agent trust consensus. Together they form the Mechanism and Verification Layer, ensuring data integrity and fault-tolerant distributed control. The Applied Evaluation Layer validates the system through river-water monitoring pilots, showing improved fault tolerance, automated data compensation, and resilient consensus within the Trustworthy Game-Theoretic Framework (TGTF). TGTF provides a closed loop of anomaly detection, error attribution, and compensation, reducing operational costs while improving reliability. The learning pipeline achieves state-of-the-art accuracy for environmental forecasting, and the fusion layer enhances robustness across low-cost sensor networks. Finally, the dissertation introduces a trustworthy data model that aggregates analytical signals for environmental-impact estimation and integrates generative-AI capabilities into cognitive digital twins for autonomous data-supply-chain generation. This interdisciplinary framework delivers a scalable, secure, and predictive foundation for smart-city environmental monitoring and establishes methodological and engineering principles for reproducible and actionable urban Intelligence.

Keywords : Artificial Intelligence, Smart City, Smart Environment, Semantic Data Model, Trustworthy Digital Twins, Blockchain, Game Theory, Fault Tolerance, Machine Learning, Decision-Support Framewor

Francoise Lucas