The University of Souk Ahras DSpace repository

Home of the: research papers, communications, textbooks, books, chapters, Masters and PhD theses produced by the communities of researchers, lecturers and students affiliated with the University of Souk Ahras.

Photo by @inspiredimages

Communities in DSpace

Select a community to browse its collections.

Recent Submissions

  • Thumbnail Image
    Item type:Item,
  • Thumbnail Image
    Item type:Item,
    Wind Energy Forecasting Using Artificial Intelligence (AI) techniques
    (2026) Lokmene Melalkia
    The reliable integration of renewable energy into modern power systems critically depends on accurate forecasting of wind energy and wind speed. However, the stochastic, nonlinear, and non-stationary nature of wind presents persistent challenges for traditional statistical and standard machine learning methods. This thesis addresses these challenges by investigating advanced hybrid deep learning approaches that leverage signal decomposition, spatiotemporal architectures, and transfer learning to improve forecasting accuracy and robustness. For offshore wind power forecasting, a hybrid model integrating Ensemble Empirical Mode Decomposition (EEMD) with Convolutional Long Short-Term Memory (ConvLSTM) in an error-correction framework is proposed. This approach decomposes error signals into multi-scale components and employs ConvLSTM to capture spatiotemporal dependencies, thereby enhancing forecast reliability across multiple horizons. For wind speed forecasting, a novel hybrid framework is introduced that combines Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) for signal decomposition, a Bidirectional GRU-based Encoder-Decoder (Bi-GRU-ED) for temporal sequence modelling, and a homogeneous transfer learning strategy that reuses and fine-tunes forecasting modules across decomposed components. This design reduces training complexity while improving forecasting accuracy and robustness under diverse operating conditions. Overall, the findings contribute to more reliable wind forecasts and provide a strong foundation for future research in multi-source renewable energy forecasting...................................................................................تعتمد عملية دمج الطاقة المتجددة بشكل موثوق في أنظمة الطاقة الحديثة بشكل كبير على دقة التنبؤ بإنتاج طاقة الرياح وسرعة الرياح. ومع ذلك، فإن الطابع العشوائي وغير الخطي وغير المستقر للرياح يمثل تحديًا مستمرًا أمام الطرق الإحصائية التقليدية وتقنيات التعلم الآلي القياسية. تهدف هذه الأطروحة إلى مواجهة هذه التحديات من خلال استكشاف نهج متقدم للتعلم العميق الهجين، يجمع بين تحليل الإشارات، والهياكل المكانية-الزمانية، وتقنيات التعلم بالنقل، لتعزيز دقة وموثوقية التنبؤات في مجال التنبؤ بطاقة الرياح البحرية، تم اقتراح نموذج هجين يجمع بين التحلل التجريبي للأنماط (EEMD) وشبكة الذاكرة الطويلة قصيرة المدى التلاففية (ConvLSTM) ضمن هيكلية تصحيح الخطأ. تقوم هذه الطريقة بتحليل إشارات الخطأ إلى مكونات متعددة المقاييس، وتستفيد من ConvLSTM لالتقاط الاعتمادات المكانية والزمانية، مما يعزز موثوقية التنبؤات على عدة أفق زمني. أما في مجال التنبؤ بسرعة الرياح، فقد تم تقديم إطار هجين جديد يجمع بين التحلل التجريبي الكامل للأنماط مع الضوضاء التكيفية (CEEMDAN) لتحليل الإشارات، ومشفر-فك ترميز GRU ثنائي الاتجاه (Bi-GRU-ED) لنمذجة التسلسلات الزمنية، واستراتيجية تعلم بالنقل متجانسة تعيد استخدام وتخصيص وحدات التنبؤ عبر المكونات المحللة. يقلل هذا التصميم من تعقيد التدريب مع تحسين دقة وموثوقية التنبؤات في ظروف تشغيل متنوعة .بشكل عام، تسهم هذه النتائج في تحسين موثوقية التنبؤات وتوفير أساس قوي للأبحاث المستقبلية في مجال التنبؤ بطاقة المصادر المتجددة المتعددة.........................................................................................L’intégration fiable des énergies renouvelables dans les systèmes électriques modernes dépend de manière cruciale de la précision des prévisions de la production éolienne et de la vitesse du vent. Cependant, le caractère stochastique, non linéaire et non stationnaire du vent représente un défi persistant pour les méthodes statistiques traditionnelles et les techniques classiques d’apprentissage automatique. Cette thèse s’attaque à ces défis en explorant des approches avancées d’apprentissage profond hybride, combinant décomposition de signaux, architectures spatio-temporelles et transfert de connaissances, afin d’améliorer la précision et la robustesse des prévisions. Pour la prévision de la production éolienne offshore, un modèle hybride intégrant la Décomposition Empirique en Mode (EEMD) avec un réseau Convolutional Long Short-Term Memory (ConvLSTM) dans une architecture de correction d’erreur est proposé. Cette approche décompose les signaux d’erreur en composantes multi-échelles et utilise le ConvLSTM pour capturer les dépendances spatio-temporelles, améliorant ainsi la fiabilité des prévisions sur plusieurs horizons. Pour la prévision de la vitesse du vent, un nouveau cadre hybride est présenté, combinant la Décomposition Empirique Complète en Mode avec Bruit Adaptatif (CEEMDAN) pour la décomposition des signaux, un encodeur-décodeur Bidirectionnel GRU (Bi-GRU-ED) pour la modélisation des séquences temporelles, et une stratégie de transfert de connaissances homogène qui réutilise et affine les modules de prévision à travers les composantes décomposées. Cette conception réduit la complexité de l’entraînement tout en améliorant la précision et la robustesse des prévisions dans des conditions variées. Dans l’ensemble, ces travaux contribuent à des prévisions éoliennes plus fiables et fournissent une base solide pour les recherches futures sur la prévision des énergies renouvelables multi-sources.
  • Thumbnail Image
    Item type:Item,
    Analyse comparative des fonctions linguistiques des verbes « Être » en français et « kāna » en arabe chez les étudiants de deuxième année licence en français langue étrangère à l'Université de Souk-Ahras, Algérie
    (Revue :Linguistique Appliquée, 2025-05-26) Atafi, Imane
    Cet article met l’accent sur les fonctions du verbe « être » en français et du verbe « kāna » en arabe en tant que copule, auxiliaire et verbe plein. L'étude se base sur les productions écrites des étudiants de 2ème année licence en FLE afin d'identifier les usages récurrents de ces verbes et de comprendre leurs différences en fonction des contextes linguistiques et des contraintes syntaxiques propres à chaque langue. L’analyse révèle que « kāna », lorsqu’il est suivi d’un verbe conjugué, joue un rôle essentiel dans la structuration temporelle et aspectuelle des actions en arabe, tandis que « être » en français est principalement utilisé comme copule pour exprimer des états ou des descriptions. L'article met également en lumière les divergences linguistiques entre les deux langues, tout en explorant la maîtrise et l’utilisation de ces verbes par les étudiants dans des contextes narratifs.
  • Thumbnail Image
    Item type:Item,
  • Thumbnail Image
    Item type:Item,
    Careers in Science and Technologies
    (2025) Samira Boumous