Outil d'optimisation automatique des performances des serveurs vLLM (Large Language Model) pour les déploiements en production. Il automatise la recherche des meilleurs paramètres de configuration (comme les flags du serveur vLLM) en utilisant des algorithmes d'optimisation (Optuna) et des benchmarks avancés (GuideLLM). Permet d'améliorer le débit, la latence et l'efficacité énergétique des modèles de langage tout en réduisant les coûts d'inférence.

Le projet training_laas a pour objectif de fournir des outils d'analyse et de prédiction de la consommation énergétique et de la production d'énergie en fonction des données météorologiques. Il permet aux professionnels du secteur de l'énergie de mieux comprendre les tendances de consommation et de production, d'optimiser leur production et de prévoir les besoins futurs.

FAST.Farm est un outil développé par le NREL (National Renewable Energy Laboratory) qui couple plusieurs modèles OpenFAST pour simuler un parc éolien complet et le flux de vent ambiant dans l'ensemble du domaine. Il permet de modéliser les interactions entre turbines, d'analyser les effets de sillage et d'optimiser la production énergétique en intégrant des données de vent réalistes. L'outil est particulièrement utile pour les ingénieurs et chercheurs en énergie éolienne afin de concevoir des parcs plus performants et durables.

Outil de simulation dynamique des cycles de combustible nucléaire développé par le CNRS et l'IRSN. CLASS permet de modéliser l'évolution d'une flotte électro-nucléaire en temps réel, en analysant les flux de matières radioactives et la production d'isotopes à travers les différentes installations. Il sert de support à la recherche et à l'optimisation des stratégies énergétiques nucléaires.

Ce projet permet de simuler et analyser la production énergétique à l'échelle régionale et nationale. Il évalue les coûts de production, les échanges entre régions et optimise les tâches de calcul pour améliorer l'efficacité énergétique. Les utilisateurs peuvent comparer des scénarios de production et identifier des pistes d'amélioration.

Ce projet utilise des réseaux de neurones pour résoudre le problème SMEPC (Smart Energy Management and Production Control). Il se concentre sur l'optimisation de la production énergétique en modélisant des sous-problèmes via des modèles séquentiels de réseaux de neurones, améliorant ainsi l'efficacité et la gestion intelligente des ressources.

Le projet WellInverter Standalone for MacOS est une application autonome permettant de gérer et d'optimiser la production d'énergie solaire, la surveillance de l'état des onduleurs, la gestion de l'énergie stockée et la visualisation des données énergétiques. Il s'installe facilement et est accessible via une interface web.

Ce projet évalue l'impact environnemental des véhicules électriques en fonction du mix énergétique des réseaux électriques de différents pays. Il analyse les émissions indirectes liées à la recharge des véhicules et compare leur performance à celle des véhicules thermiques. L'étude s'appuie sur des données réelles de consommation et de production d'électricité pour proposer des scénarios optimisés de réduction des émissions.

Ce projet permet de suivre et de surveiller les parcs éoliens grâce à un système de monitoring. Il collecte et analyse les données des modules énergétiques pour garantir leur bon fonctionnement et optimiser leur production.