Balyogi Mohan DASH - Admis au titre de docteur

Adresse Professionnelle
UMR CRIStAL University of Lille - Scientific campus ESPRIT building, Avenue Henri Poincaré, 59655
VILLENEUVE-D'ASCQ FRANCE
mohandash96@gmail.com
Identifiant ORCID 0000-0001-9902-4886
Identifiant Hal https://hal.archives-ouvertes.fr/search/index/?q=%2A&authIdHal_s=balyogi-mohan-dash
Compte LinkedIn https://www.linkedin.com/in/balyogi-mohan-dash/
Compte Researchgate https://www.researchgate.net/profile/Bmohan-Dash

Projet professionnel :

Recherche en entreprise, R&D du secteur privé
Expertise, études et conseils dans des organisations, cabinets ou sociétés fournissant des prestations intellectuelles, des expertises scientifiques, prospectives ou stratégiques

Techniques maîtrisées :
Mechanical Design Matlab Python Machine Learning Data Analysis Scientific literature retrieval and monitoring Research ethics Artificial Intelligence and Deep Learning Bond Graph Modeling for Multi-Physics Systems Diagnosis and Prognosis using Bond Graph
Compétences :
Time management and organization French language proficiency Team management and collaboration Professional profile preparation and communication Sharing good practices Open Science practices for research dissemination English

Expérience professionnelle :
CDI depuis le 4 mars 2024
Domaine d'activité : Artificial Intelligence
Type de contrat : Entreprises
Fonction exercée : R&D Engineer
Secteur d'emploi : Activités informatiques
Unité de recherche ou entreprise : BUAWEI
Saint-André-lez-Lille - FRANCE

Doctorat Automatique, productique

Thèse soutenue le 7 mars 2024 - Université de Lille

Ecole doctorale : MADIS Mathématiques, sciences du numérique et de leurs interactions

Sujet : Détection et localisation de défauts hybride et robuste en intégrant les bond graphs et l'intelligence artificielle. Application à la prodction de l'Hydrogène vert.

Mots-clés de la thèse : Apprentissage,Bond Graph,Apprentissage auto-supervisé,Diagnostic,intelligence artificielle explicable XAI,Hydrogène vert,

Direction de thèse : Belkacem OULD BOUAMAMA

Unité de recherche : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille UMR 9189 - Villeneuve d'Ascq

Production scientifique

- Balyogi Mohan Dash, Belkacem Ould Bouamama, Mahdi Boukerdja, Komi Midzodzi Pekpe 2024. Bond Graph-CNN based hybrid fault diagnosis with minimum labeled data Engineering Applications of Artificial Intelligence, 131, pp.107734,
- Balyogi Mohan Dash, Belkacem Ould Bouamama, Komi Midzodzi Pekpe, Mahdi Boukerdja 2023. FDI-X: An Occlusion-based Approach for Improving the Explainability of Deep Learning Models in Fault Detection and Isolation , pp.01-06,
- Balyogi Mohan Dash, Belkacem Ould Bouamama, Mahdi Boukerdja, Komi Midzodzi Pekpe 2022. A Comparison of Model-Based and Machine Learning Techniques for Fault Diagnosis , pp.1-7,
- Balyogi Mohan Dash, Om Prakash, Arun Kumar Samantaray 2022. Failure prognosis of the components with unlike degradation trends: A data-driven approach Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, pp.1748006X2211193,

Informations complémentaires :
My extra professional interest includes creating educational videos on YouTube. My channel focuses on sharing my knowledge and experience in the field of artificial intelligence and fault diagnosis, with a specific focus on sustainable energy technologies. I find it rewarding to educate and inspire others who are interested in these topics, and I hope to continue to create valuable content for my viewers.

Dernière mise à jour le 24 janvier 2024