Contexte :

Sujet : Chaîne logistique 5.0 dans l'industrie du rétrofit automobile : optimisation et simulation pour un écosystème durable et centré sur l'humain.

Cette thèse a pour objectif d'optimiser la chaîne logistique du rétrofit de véhicules thermiques en

électriques, dans un contexte de transition énergétique et de mobilité durable. Elle s'appuie sur des

approches combinant optimisation, simulation et intégration du jumeau numérique, afin de renforcer

la résilience, la flexibilité et l'efficacité de la chaîne logistique. Les flux et les ressources seront

modélisés de manière dynamique pour répondre aux fluctuations de la disponibilité des véhicules, tout

en intégrant les enjeux environnementaux. Les modèles développés adopteront une approche centrée

sur l'humain, conformément aux principes de l'industrie 5.0. Les solutions proposées viseront à fournir

des recommandations opérationnelles pour soutenir une conversion écologique pérenne.

Contexte scientifique

Le rétrofit automobile, consistant à convertir les véhicules thermiques en électriques, s'inscrit dans

un contexte européen et français marqué par une transition énergétique ambitieuse et des objectifs

environnementaux stricts. En France, le parc automobile comptait environ 40 millions de véhicules

en 2023, avec une projection de diminution progressive des voitures thermiques au profit des

véhicules électriques, conformément aux directives de l'Union européenne visant à réduire les

émissions de gaz à effet de serre de 55% d'ici à 2030 par rapport à 1990 (Parlement européen 2018).

Une étude de l'ADEME confirme l'intérêt environnemental du rétrofit, avec par exemple 66 % de

réduction des émissions de gaz à effet de serre (GES) sur le cycle de vie pour une petite voiture

convertie par rapport à son usage diesel maintenu (Maumon 2021). En Europe, le marché du rétrofit

devrait croître de plus de 20 % annuellement (Zoting 2024), reflétant une demande accrue pour des

solutions durables et résilientes face aux enjeux climatiques (Transport & Environment 2023). Le

marché mondial de la conversion électrique pourrait atteindre 125 milliards de dollars d'ici à 2032,

en hausse de 62 milliards de dollars depuis 2022 (soit ~7,4 % de croissance annuelle moyenne)

(Transport & Environment 2023). Toutefois, ce développement est confronté à plusieurs défis

majeurs, tels que l'approvisionnement en kit (batteries et moteurs électriques), la gestion des

chaînes logistiques complexes (coordination multi-acteurs), la gestion des flux inverses (collecte,

assemblage/désassemblage en masse) et la diminution progressive des véhicules thermiques

disponibles à convertir (Wu, et al. 2023). De plus, la boucle de réutilisation des voitures pourrait se

réduire avec le temps, nécessitant une optimisation rigoureuse pour maximiser la réutilisation des

composants existants et minimiser les coûts et les délais. Selon une étude de l'Agence Européenne

pour l'Environnement, l'optimisation de la chaine logistique pour le rétrofit pourrait

potentiellement réduire les émissions de GES de plus de 100 millions de tonnes d'ici 2035 (Tobelem

et Olivier 2024). Ainsi, il devient indispensable de développer des modèles logistiques résilients et

durables, centrés sur l'humain, afin de répondre efficacement à la demande croissante tout en

surmontant les difficultés liées à l'approvisionnement et à la gestion des ressources. L'optimisation

via des méthodes couplées de simulation et d'optimisation permettrait d'améliorer la performance

globale de la chaîne logistique, assurant ainsi une transition fluide vers une mobilité électrique plus

verte et durable.

Les travaux de recherche récents sur la chaine logistique proposent des solutions basées sur la

logistique inverse, l'optimisation du transport, la planification de désassemblage, la digitalisation et

la résilience organisationnelle, et peuvent être adaptés aux contraintes du rétrofit (Pinho Santos et

Proença 2022).

L'étude (Masoumi, Kazemi et Abdul-Rashid 2019) fournit un état de l'art sur la conception d'une

chaîne logistique automobile durable. Dans cette lignée, (Bou Zeid 2024) à travers une étude menée

pour le groupe Renault, a développé des méthodes d'optimisation de la logistique amont,

combinant heuristiques et simulation pour piloter les flux de composants à l'échelle internationale.

Ces approches peuvent être adaptées à la planification des pièces spécifiques au rétrofit (moteurs,

packs batteries, kits de conversion, etc.).

Autres travaux comme (Habibi 2017) propose une approche mathématique pour planifier

simultanément la collecte des produits en fin de vie et leur désassemblage. Ces modèles sont

transposables au rétrofit, qui nécessite une revalorisation des composants issus du véhicule

d'origine. L'étude de (Hake et Friedrich 2025) présente une méthode d'ordonnancement

automatisé dans les chaînes numériques de production automobile, ce qui ouvre des perspectives

pour le pilotage des ateliers de rétrofit.

Bien que la littérature sur la chaîne logistique soit bien développée, elle aborde encore peu le

rétrofit automobile en tant que processus industriel à part entière, avec ses spécificités propres.

Les modèles d'optimisation existants tiennent rarement compte de la forte variabilité des

configurations techniques des véhicules à reconditionner, pourtant caractéristique du rétrofit. Par

ailleurs, les considérations environnementales telles que l'empreinte carbone ou l'analyse du cycle

de vie restent peu intégrées dans les fonctions objectifs des modèles logistiques.

Dans ce contexte se pose la problématique de recherche suivante : "Comment concevoir et

optimiser une chaine logistique résiliente, durable et agile pour le rétrofit automobile, en

intégrant les incertitudes liées à la disponibilité des véhicules, des composants, et les contraintes

réglementaires et environnementales ?"

Cette problématique nous emmène à explorer les verrous scientifiques suivants :

- Comment concevoir une chaîne logistique agile pour l'approvisionnement des composants

critiques (batteries, moteurs électriques) dans le cadre du rétrofit ?

- Quelles méthodologies de modélisation et d'optimisation seront le plus adaptées à la

chaine logistique du rétrofit automobile ?

- Comment la simulation ou l'usage d'un jumeau numérique peuvent-ils contribuer au

pilotage de la chaîne logistique du rétrofit ?

- Comment intégrer les principes de l'économie circulaire dans la conception de la chaine

logistique du rétrofit automobile ?

Sujet

Cette thèse vise à concevoir une chaîne logistique 5.0 optimisée pour le rétrofit des véhicules

thermiques en électriques, en mettant l'accent sur la résilience, la centralité sur l'humain et

l'adaptabilité face aux fluctuations de la disponibilité des véhicules à convertir. Les objectifs

principaux de cette recherche sont les suivants :

- Optimiser la chaîne logistique du rétrofit de véhicules : Développer un modèle intégré

centré sur l'humain permettant d'optimiser les flux, les stocks et l'allocation de ressources,

afin de maximiser la réutilisation des véhicules thermiques et d'assurer une efficacité

opérationnelle durable et maintenir un niveau élevé du bien-être des opérateurs humains.

- Renforcer la résilience et l'adaptabilité : Mettre en place des approches de simulation et

d'optimisation robustes pour évaluer la résistance de la chaîne face aux fluctuations de

disponibilité des véhicules et aux ruptures d'approvisionnement, tout en garantissant une

flexibilité opérationnelle face aux changements futurs.

- Évaluer l'impact environnemental et économique : Analyser les effets des solutions

proposées sur la réduction des émissions de GES, la rentabilité du processus ainsi que leurs

impacts environnementaux et sociaux, en validant les modèles dans un contexte industriel

réel afin de fournir des recommandations pratiques aux acteurs du secteur. Ceci assurera

non seulement la viabilité économique, mais aussi l'attractivité du secteur grâce à la prise

en compte du bien-être des opérateurs dans les modèles d'optimisation et de simulation.

La méthodologie de la thèse s'articule autour de plusieurs étapes clés, articulant modélisation,

optimisation, simulation et validation sur des données réelles. Dans un premier temps, une analyse

approfondie des acteurs, des flux et des contraintes permet de…

Compétences scientifiques et techniques :

- Modélisation, Simulation de flux, Gestion et optimisation de la chaine logistique

- Connaissance des méthodes d'optimisation

- Capacité de modélisation de systèmes

- Bonne Connaissance en Python, C++, Flex Sim/Any Logic/NetLogo

- Connaissance des méthodes de machine Learning

- Une aptitude à la rédaction de rapports et d'articles scientifiques, et à la communication (Anglais niveau B1 requis, B2 souhaité)

Compétences relationnelles :

- Être autonome, avoir un esprit d'initiative et de curiosité,

- Savoir travailler en équipe et avoir un bon relationnel,

- Être rigoureux

CESI est une école d'ingénieurs qui fait de la promotion sociale par l'excellence un modèle de réussite. Rejoignez un environnement stimulant où l'esprit d'équipe, la diversité des projets et l'autonomie ne font qu'un. Découvrez une école qui a su développer un modèle unique et se donne les moyens au quotidien de relever les grands défis de l'époque. Nos 25 campus, 28 000 étudiants, 8000 entreprises partenaires et 106 000 alumni témoignent de l'impact de CESI au niveau national.

CESI accompagne ses étudiants en utilisant des méthodes innovantes de pédagogie active. L'établissement forme avec rigueur les futurs ingénieurs, techniciens et managers, dans les secteurs suivants : l'Industrie & l'Innovation, le BTP, l'Informatique et le Numérique et le Développement Durable. Parallèlement, CESI concrétise son engagement dans la Recherche à travers des activités menées au sein de son Laboratoire d'Innovation Numérique, CESI LINEACT.

Les partenariats établis avec 130 universités à travers le globe, attestent de l'engagement international de CESI. Ces liens privilégiés offrent aux élèves ingénieurs une mobilité sortante et entrante à l'échelle internationale, façonnée notamment par des stages obligatoires faisant partie intégrante de leur cursus.