Méthode Merec-Rancom-Wisp basée sur la mesure de distance neutrosophique à valeur unique pour résoudre le problème de technologie de stockage d'énergie durable

Intelligence artificielle Informatique Ingénierie Sciences de l'information Génie énergétique
Ensemble Neutrosophique à Valeur Unique Technologie de Stockage d'Énergie Mesure de Distance Méthode Merec Méthode Rancom Méthode Wisp Prise de Décision Multi-Critères

Contexte académique

Avec la croissance continue de la demande énergétique mondiale, les technologies de stockage d’énergie (Energy Storage Technology, EST) jouent un rôle crucial dans l’atténuation de l’impact environnemental et la réduction de l’empreinte carbone. Les EST ne sont pas seulement une composante essentielle des énergies renouvelables, mais aussi un élément clé de la décarbonisation des structures énergétiques mondiales. Cependant, le choix d’une EST appropriée implique de multiples considérations de durabilité, ce qui rend le processus de décision complexe et incertain. Les méthodes de décision traditionnelles se révèlent souvent inadéquates pour traiter ces problèmes multicritères, incertains et incohérents.

Pour résoudre ce problème, les auteurs proposent une méthode de décision multicritère de groupe (Multi-Criteria Group Decision-Making, MCGDM) basée sur les ensembles neutrosophiques à valeur unique (Single-Valued Neutrosophic Set, SVNS). Les SVNS, en tant qu’extension des ensembles flous, permettent de mieux gérer les données incertaines, incohérentes et floues dans les décisions réelles. En introduisant les SVNS, les auteurs visent à développer un nouveau cadre de décision pour évaluer et prioriser différentes EST, offrant ainsi des solutions plus rationnelles dans des environnements décisionnels complexes.

Source de l’article

Cet article a été co-écrit par Arunodaya Raj Mishra, Dragan Pamucar, Pratibha Rani et Ibrahim M. Hezam. Les auteurs proviennent de différentes institutions de recherche, notamment le Vellore Institute of Technology en Inde, l’University of Belgrade en Serbie, l’Indian Institute of Technology (BHU) Varanasi en Inde et la King Saud University en Arabie Saoudite. L’article a été accepté le 5 mars 2025 et publié dans la revue Cognitive Computation, avec le DOI 10.1007/s12559-025-10437-x.

Processus et résultats de la recherche

Processus de recherche

  1. Détermination des poids des experts décisionnels
    L’étude commence par introduire une nouvelle mesure de distance de Hellinger pour les SVNS afin de calculer les poids des experts décisionnels (Decision Experts, DEs). Cette mesure de distance permet de distinguer efficacement les différences entre les SVNS, fournissant ainsi une base scientifique pour l’attribution des poids des experts. Concrètement, les auteurs utilisent les SVNS pour représenter les opinions des experts et calculent les différences entre eux via la distance de Hellinger, déterminant finalement le poids de chaque expert à l’aide de la fonction de score des SVNS.

  2. Construction de la matrice de décision agrégée SVNS (ASVN-DM)
    Après avoir déterminé les poids des experts, les auteurs utilisent l’opérateur de moyenne pondérée SVNS (SVNWA) pour agréger les opinions des différents experts, construisant ainsi une matrice de décision agrégée SVNS. Cette étape garantit que toutes les opinions des experts sont intégrées de manière rationnelle, fournissant des données de base pour l’analyse décisionnelle ultérieure.

  3. Détermination des poids des critères
    Les auteurs proposent une méthode combinant des poids objectifs et subjectifs pour déterminer les poids des critères. Les poids objectifs sont calculés via la méthode basée sur les effets de suppression des critères (Method based on the Removal Effects of Criteria, MEREC), tandis que les poids subjectifs sont déterminés via l’outil de comparaison de classement (Ranking Comparison, RANCOM). Finalement, les auteurs combinent ces deux types de poids pour obtenir le poids intégré de chaque critère.

  4. Construction de la ASVN-DM normalisée
    Pour approfondir l’analyse, les auteurs normalisent la ASVN-DM par normalisation linéaire et vectorielle, construisant finalement une ASVN-DM normalisée moyenne. Cette étape assure la comparabilité des données entre les différents critères et fournit une base pour l’analyse des sommes pondérées et des produits pondérés.

  5. Analyse des sommes et produits pondérés
    Les auteurs utilisent les méthodes des sommes et produits pondérés pour évaluer chaque EST. Concrètement, ils calculent les écarts de somme pondérée (Weighted Sum Deviation, WSD) et les ratios de somme pondérée (Weighted Sum Ratio, WSR), établissant ainsi un classement préliminaire des EST. Ensuite, les auteurs calculent les écarts de produit pondéré (Weighted Product Deviation, WPD) et les ratios de produit pondéré (Weighted Product Ratio, WPR), validant davantage la rationalité du classement.

  6. Calcul du degré d’utilité amélioré (Improved Utility Degree, IUD)
    Pour mapper les résultats de l’analyse des sommes et produits pondérés dans l’intervalle [0,1], les auteurs calculent le degré d’utilité amélioré (IUD) pour chaque EST. Cette étape assure que tous les indicateurs d’évaluation ont une échelle uniforme, fournissant une base scientifique pour la décision finale.

  7. Calcul du degré d’utilité global (Overall Utility Degree, OUD) et classement
    Enfin, les auteurs calculent le degré d’utilité global (OUD) pour chaque EST en combinant les résultats des analyses des sommes et produits pondérés, et établissent un classement final des EST en fonction de la valeur de l’OUD. Les résultats montrent que les batteries lithium-ion (B1) sont les meilleures parmi toutes les EST, suivies des batteries plomb-acide (B2), des batteries sodium-soufre (B3) et des batteries à flux (B4).

Résultats de la recherche

  1. Détermination des poids des experts décisionnels
    En introduisant la nouvelle mesure de distance de Hellinger, les auteurs ont réussi à calculer le poids de chaque expert décisionnel et ont validé l’efficacité de cette mesure de distance dans le traitement des données SVNS.

  2. Détermination des poids des critères
    En combinant les méthodes MEREC et RANCOM, les auteurs ont réussi à calculer le poids intégré de chaque critère et ont validé la rationalité de cette méthode dans le traitement des problèmes de décision multicritères.

  3. Évaluation et classement des EST
    Grâce à l’analyse des sommes et produits pondérés, les auteurs ont évalué chaque EST et ont finalement déterminé que les batteries lithium-ion (B1) étaient le choix optimal. Ce résultat est cohérent avec les recherches existantes, validant l’efficacité et la praticabilité de la méthode proposée.

Conclusion et signification

Conclusion

Cette étude propose une méthode de décision multicritère de groupe basée sur les ensembles neutrosophiques à valeur unique, résolvant avec succès les problèmes de décision complexes dans le choix des technologies de stockage d’énergie durable. En introduisant une nouvelle mesure de distance de Hellinger, une méthode de détermination des poids des critères combinant MEREC et RANCOM, ainsi qu’une analyse des sommes et produits pondérés, les auteurs fournissent un cadre de décision scientifique et rationnel pour le choix des EST.

Valeur scientifique et applicative

  1. Valeur scientifique
    Cette étude est la première à combiner les ensembles neutrosophiques à valeur unique avec la mesure de distance de Hellinger, proposant une nouvelle méthode pour déterminer les poids des experts décisionnels. De plus, les auteurs sont les premiers à combiner les méthodes MEREC et RANCOM, proposant une nouvelle méthode de détermination des poids des critères. Ces innovations offrent de nouvelles perspectives et méthodes pour le domaine de la décision multicritère.

  2. Valeur applicative
    La méthode proposée dans cette étude ne s’applique pas seulement au choix des technologies de stockage d’énergie, mais peut également être étendue à d’autres problèmes de décision multicritère complexes. Par exemple, elle peut être appliquée à la gestion de la chaîne d’approvisionnement, aux décisions d’investissement, à l’évaluation environnementale, etc., fournissant une base scientifique pour les décisions pratiques.

Points forts de la recherche

  1. Nouvelle mesure de distance de Hellinger
    Cette étude est la première à appliquer la mesure de distance de Hellinger aux ensembles neutrosophiques à valeur unique, résolvant efficacement le problème de mesure des différences entre les données SVNS.

  2. Méthode de détermination des poids des critères combinant MEREC et RANCOM
    Cette étude est la première à combiner les méthodes MEREC et RANCOM, proposant une nouvelle méthode de détermination des poids des critères, résolvant efficacement le problème d’attribution des poids dans les décisions multicritères.

  3. Analyse des sommes et produits pondérés
    Grâce à l’analyse des sommes et produits pondérés, cette étude fournit un cadre de décision scientifique et rationnel pour le choix des EST, validant l’efficacité et la praticabilité de la méthode proposée.

Autres informations pertinentes

Cette étude valide également la supériorité de la méthode proposée dans le traitement des problèmes de décision multicritère par une analyse comparative. Par rapport aux autres méthodes de décision multicritère existantes, la méthode proposée dans cette étude se distingue par sa capacité à gérer les données incertaines, incohérentes et floues, offrant des solutions plus scientifiques et rationnelles pour les décisions pratiques.

Grâce à cette étude, les auteurs fournissent non seulement un cadre de décision scientifique et rationnel pour le choix des technologies de stockage d’énergie durable, mais ouvrent également de nouvelles perspectives de recherche pour le domaine de la décision multicritère. Cette recherche possède une valeur scientifique et applicative significative, offrant un soutien solide aux décisions pratiques.