Journal Africain des Sciences

Label scarcity regimes and algorithmic failure modes in semi-supervised Ebola mortality prediction

2026-05-20T05:22:02+00:00

La prédiction précoce de la mortalité lors d’épidémies est limitée par la rareté des données biomédicales étiquetées. Si l'apprentissage
semi-supervisé (SSL) est souvent proposé comme solution, sa robustesse selon la quantité de données disponibles reste mal comprise
en contexte clinique. Cette étude analyse l'impact de différentes proportions de données étiquetées (25 %, 50 % et 75 %) sur trois paradigmes SSL : Label Spreading (graphes), S3VM (marge) et Self-Training (auto-étiquetage). À partir de données cliniques sur Ebola,
nous identifions des régimes d’étiquetage associés à des changements de performance systématiques. Nos résultats révèlent que le Self-Training est robuste à tous les niveaux. À l'inverse, le S3VM subit un effondrement du rappel de la classe minoritaire, tandis que le
Label Spreading se dégrade paradoxalement lorsque l'étiquetage augmente, à cause d'une amplification des erreurs de propagation. Ces travaux exposent des mécanismes de défaillance liés à l'étiquetage, offrant des perspectives cruciales pour déployer le SSL dans des contextes à faibles ressources, tels que le traitement du sepsis ou des maladies infectieuses émergentes.

Early mortality prediction during epidemics is critically constrained by limited and costly labeled biomedical data. While semisupervised
learning (SSL) is widely promoted as a solution, its robustness across different labeling regimes remains poorly understood
in high-risk clinical settings. In this study, we investigate how varying proportions of labeled data (25%, 50%, and 75%) fundamentally
alter the behavior of three representative SSL paradigms: graph-based (Label Spreading), margin-based (S3VM), and iterative selflabeling (Self-Training). Using real-world Ebola Virus Disease clinical trial data, we identify distinct labeling regimes associated with
systematic performance shifts and failure modes. Our results reveal that iterative self-labeling (Self-Training) exhibits consistent
robustness across all labeling levels, whereas margin-based (S3VM) suffers from structural collapse in minority-class recall, independent of label availability. Graph-based (Label Spreading) demonstrates conditional effectiveness but degrades as labeling
increases, highlighting error amplification in similarity-based propagation. These findings go beyond algorithmic comparison by exposing labeling-dependent failure mechanisms in SSL models for epidemic mortality prediction. The proposed regime-based interpretation provides transferable insights for deploying SSL in low-resource biomedical contexts beyond Ebola, including sepsis and
emerging infectious diseases

Segmentation des images par dbscan pour la détection des anomalies et classification multiclasse de la pneumonie à l’aide de CNN

2026-05-20T05:38:28+00:00

Il reste difficile de diagnostiquer la pneumonie à partir des radiographies thoraciques en raison du contraste limité des anomalies pulmonaires, du bruit inhérent à la capture et de l'entrelacement des structures anatomiques. Cette étude suggère une méthode hybride qui allie une segmentation non supervisée par densité (DBSCAN) à une classification multiclasse fondée sur un réseau de neurones convolutifs (CNN). Le but est de repérer les zones potentiellement pathologiques et d'atténuer l'impact des structures non pertinentes avant la phase d'apprentissage supervisé. La segmentation s'effectue dans un espace caractérisé par l'intensité, la texture et l'information spatiale, suivie de l'extraction automatique des zones d'intérêt. Un modèle CNN, optimisé par la régularisation et la validation croisée, est ensuite alimenté par ces régions. Les résultats de l'expérience indiquent une hausse notable des performances en comparaison avec le modèle de référence sans segmentation, en particulier pour ce qui est de la précision, du rappel et du F1-score. On observe également une diminution des erreurs de classification entre les classes. Les études statistiques corroborent la solidité du bénéfice constaté. Cette recherche illustre que l'inclusion d'un processus de segmentation non supervisée peut améliorer la performance discriminative des modèles profonds en imagerie thoracique, tout en présentant des opportunités pour les systèmes d'assistance au diagnostic dans des environnements aux ressources restreintes.

Low lesion contrast, imaging noise, and the superimposition of anatomical structures make it difficult to diagnose pneumonia from chest radiographs. This paper suggests a hybrid architecture that combines a multiclasse Convolutional Neural Network (CNN) classifier with density-based unsupervised segmentation (DBSCAN). Prior to supervised learning, the main goal is to eliminate unnecessary structural interference and isolate possibly problematic areas. Regions of Interest (ROIs) are automatically extracted after segmentation in a feature space that integrates intensity, texture, and spatial information. A regularized CNN architecture that has been tuned by cross-validation is then trained using these improved inputs. The experimental results show a decrease in inter-class misclassification and a statistically significant improvement over a baseline model without segmentation, especially in terms of precision, recall, and F1-score. The reliability of the observed performance improvements is confirmed by statistical validation. According to the results, chest radiography analysis's discriminative capacity is improved by including density-based segmentation into deep learning pipelines. This method presents encouraging prospects for computer-aided diagnosis systems, particularly in healthcare settings with limited resources.

Analyse des vulnérabilités de sécurité des sites web de la R.D.C. déployés sur des plateformes cloud. Modélisation quantitative basée sur CloudRisk-AF V2.0

2026-05-20T05:50:22+00:00

Cette recherche porte sur les failles de sécurités des sites web hébergés sur des plateaux techniques cloud en R.D.C. en prise avec des problématiques locales,coupures de courant récurrentes, latences réseau élevées etc. Nous avons appliqué le modèle quantitatif CloudRisk-AF v2.0 à une sélection de 35 sites stratégiques à Kinshasa (AWS, Azure, GCP), provenant de plusieurs domaines : e-gouvernement, banques et PME. La méthodologie hybride utilise les outils d’analyse automatisés OWASP ZAP, Nmap, et CloudSploit, des audits sur le terrain qui comprennent 15 entrevues avec les responsables TI, puis intègre les résultats d’analyse pour en tirer une compréhension complète. Les résultats révèlent que 78 % des sites sont à risque critique (moyenne des scores CR-AF = 8,1), avec une forte dominance des vulnérabilités IAM (62 %) et de l’exposition aux stockages publics (35 %). Le modèle dépasse les standards internationaux (ROC-AUC 0,92) et recommande l’adoption progressive du Zero Trust et le renforcement des compétences TI, pour une réduction des risques anticipée de 47 %.

This research focuses on the security vulnerabilities of websites hosted on cloud technical platforms in the D.R.C., dealing with local issues such as recurrent power outages, high network latencies, etc. We applied the quantitative model CloudRisk-AF v2.0 to a selection of 35 strategic sites in Kinshasa (AWS, Azure, GCP), coming from various sectors: e-government, banks, and SMEs. The hybrid methodology uses automated analysis tools such as OWASP ZAP, Nmap, and CloudSploit, field audits that include 15 interviews with IT managers, and then integrates the analysis results to derive a comprehensive understanding. The results reveal that 78% of the sites are at critical risk (average CR-AF scores = 8.1), with a strong dominance of IAM vulnerabilities (62%) and exposure to public storage (35%). The model exceeds international standards (ROC-AUC 0.92) and recommends the gradual adoption of Zero Trust and the strengthening of IT skills, for an anticipated risk reduction of 47%.

Modélisation des nœuds autonomes d’un réseau informatique ad hoc par la théorie des jeux des stratégies

2026-05-20T06:03:00+00:00

Cet article, propose un formalisme de modélisation pour les réseaux complexes qui s’appuient sur la théorie de jeux. Il focalise l’attention sur l’extension des jeux stratégiques. Son application s’étend sur tous les systèmes, et de ce fait dont, l’étude de réseau ad hoc constitue un cadre d’application idéal. Il présente un jeu où les joueurs sont des décideurs indépendants et autonomes dont les paiements dépendent des actions des autres joueurs. Chaque noeud dans ce réseau ad hoc fonctionne de la même façon. Il propose une approche mathématique pour resoudre le problème de conflit et coopération entre les composants d’un système complexe d’un réseau ad hoc. Les noeuds etant dynamique et certains peuvent pertuber le système pendant l’echange de données par les utilisateurs.

This article proposes a modeling formalism for complex networks based on game theory. It focuses on the extension of strategic games. Its application extends to all systems, and therefore, the study of ad hoc networks constitutes an ideal application framework. It presents a game where players are independent and autonomous decision-makers whose payoffs depend on the actions of other players. Each node in this ad hoc network functions in the same way. Each node in this ad hoc network functions identically. It offers a mathematical approach to resolving the conflict and cooperation issues between the components of a complex ad hoc network system. The nodes are dynamic and can disrupt the system during data exchange by users.

Traçabilité des données dans un environnement cloud pour l’assainissement des agents d’une administration publique : application à la gestion des fonctionnaires de l’État en République démocratique du Congo

2026-05-20T06:09:50+00:00

La qualité des données administratives conditionne la fiabilité des systèmes de gestion des agents publics. Pourtant, la dispersion des sources, l’absence d’historisation et l’insuffisance des contrôles favorisent des irrégularités administratives et salariales. Cet article propose une architecture de traçabilité des données en environnement cloud pour soutenir l’assainissement de la gestion des agents d’une administration publique, appliquée au cas des fonctionnaires de l’État en République démocratique du Congo. La solution repose sur une architecture en trois couches intégrant la centralisation des données, le contrôle d’accès et la journalisation des opérations. Elle permet de suivre les modifications, d’auditer les actions sur les dossiers et de détecter diverses anomalies. L’évaluation expérimentale a permis d’identifier 101 278 dossiers litigieux, 56 813 doublons, 43 869 matricules d’emprunt et 2 237 incohérences salariales. Ces résultats montrent l’intérêt de la traçabilité pour renforcer la fiabilité, la transparence et le contrôle des données administratives.

The quality of administrative data is a key condition for the reliability of public employee management systems. However, the fragmentation of data sources, the lack of change history, and insufficient control mechanisms often lead to administrative and payroll irregularities. This article proposes a cloud-based data traceability architecture to support the cleanup of public administration employee records, with an application to the management of state civil servants in the Democratic Republic of the Congo. The solution relies on a three-layer architecture combining data centralization, access control, and operation logging. It enables the monitoring of modifications, the auditing of actions performed on records, and the detection of various anomalies. Experimental evaluation identified 101,278 disputed records, 56,813 duplicates, 43,869 borrowed registration numbers, and 2,237 payroll inconsistencies. These results highlight the value of traceability for improving the reliability, transparency, and control of administrative data.

Talanivo : Une infrastructure IoT résiliente pour la surveillance des crues et l’alerte multimodale en milieu urbain : cas de Kinshasa

2026-05-20T10:03:51+00:00

Les inondations urbaines constituent un péril majeur et récurrent pour la ville-province de Kinshasa, dont la crue historique de 2024 (6,26 m) a causé plus de 43 décès et sinistré des centaines de ménages en une seule semaine. La principale lacune des systèmes d'alerte précoce (SAP) existants réside dans leur dépendance à des infrastructures internet instables et dans leur inadaptation au fossé numérique caractéristique des contextes à faibles ressources. Cet article présente TalaNivo, un système IoT à architecture hybride combinant : (i) une mesure ultrasonique locale (précision ±0,3 cm sur 0–4 m), (ii) une transmission Cloud temps réel via NodeMCU ESP8266, (iii) une alerte SMS résiliente par module GSM/SIM800L (latence < 10 s), et (iv) un avertisseur acoustique (buzzer) assurant une couverture universelle sans prérequis technologique. Une chaîne de traitement du signal basée sur un filtre à moyenne mobile exponentielle réduit le taux d'erreur de mesure de 92 %. Les résultats expérimentaux démontrent une réduction du délai d'alerte de 30 à 45 minutes par rapport aux méthodes d'observation manuelle. TalaNivo constitue ainsi un socle technologique reproductible et low-cost pour les smart cities africaines confrontées à des contraintes d'infrastructure similaires.

Urban flooding is a major and recurring hazard in the city-province of Kinshasa, where the 2024 historical flood (6.26 m) caused over 43 deaths and displaced hundreds of households within a single week. The primary limitation of existing early warning systems (EWS) lies in their dependency on unstable internet infrastructure and their inadequacy given the digital divide prevalent in low-resource contexts. This paper presents TalaNivo, an IoT system featuring a hybrid architecture combining: (i) local ultrasonic measurement (accuracy ±0.3 cm over 0–4 m), (ii) real-time Cloud transmission via NodeMCU ESP8266, (iii) resilient SMS alerting via GSM/SIM800L module (latency < 10 s), and (iv) an acoustic buzzer providing universal coverage without technological prerequisites. A signal processing pipeline based on an exponential moving average filter reduces measurement error rates by 92%. Experimental results demonstrate a 30–45 minute reduction in alert delay compared to manual observation methods. TalaNivo thus constitutes a reproducible, low-cost technological foundation for African smart cities facing similar infrastructure constraints.

Geoscientific data fusion and machine learning for mineral prospectivity mapping: A case study of broken hill-type deposits

2026-05-20T10:12:38+00:00

La cartographie du potentiel minéral de Broken Hill (Australie) a été réalisée par l’intégration de données géologiques, géophysiques et géochimiques au sein d’un Système d’Information Géographique couplé à des méthodes de Machine Learning. Les données lithologiques, structurales, gravimétriques, radiométriques et géochimiques (zinc, plomb, argent, fer, manganèse, sodium et potassium) ont été harmonisées spatialement, rasterisées et fusionnées avec des indicateurs minéraux Pb–Zn–Ag servant de couche cible. Un maillage régulier a permis d’extraire des caractéristiques par cellule, notamment la distance aux failles, la densité de linéaments et la proportion de roches porteuses de minéraux. Deux modèles supervisés, Random Forest et XGBoost, ont été entraînés, comparés et évalués à l’aide de matrices de confusion et d’analyses d’importance des variables. Les résultats montrent une meilleure performance du Random Forest et mettent en évidence le rôle déterminant de la distance aux failles et des lithologies riches en gahnite et grenat. Le modèle Random Forest a atteint une précision de 0,892, tandis que XGBoost a atteint 0,876. Le RF a démontré une précision supérieure, tandis que le XGBoost a montré une meilleure rappel, soulignant un compromis entre fiabilité et capacité de détection. La carte finale de probabilité minérale identifie des zones prioritaires cohérentes avec le cadre métallogénique régional, démontrant l’intérêt de cette approche pour optimiser le ciblage minier.

Mineral prospectivity mapping in Broken Hill (Australia) was conducted by integrating geological, geophysical, and geochemical data within a Geographic Information System coupled with Machine Learning techniques. Lithological, structural, gravity, radiometric, and geochemical datasets (zinc, lead, silver, iron, manganese, sodium, and potassium) were spatially harmonized, rasterized, and merged with Pb–Zn–Ag indicator minerals used as the target layer. A regular grid enabled feature extraction per cell, including distance to faults, lineament density, and proportion of mineral-bearing rocks. Two supervised models, Random Forest and XGBoost, were trained, compared, and evaluated using confusion matrices and feature importance analysis. Results show better performance of Random Forest and highlight the dominant role of distance to faults and gahnite- and garnet-rich lithologies. The Random Forest model achieved an accuracy of 0.892, while XGBoost reached 0.876. RF demonstrated higher precision, whereas XGBoost showed better recall, highlighting a trade-off between reliability and detection capability. The final mineral probability map delineates priority targets consistent with the regional metallogenic framework, demonstrating the effectiveness of this approach for optimized mineral exploration.

Mise en place d’un système hybride MLP, DBSCAN, SVM pour la prise de décision sur la conformité des produits frais, cas du laboratoire de microbiologie de l’Office Congolais de Contrôle (OCC)

2026-05-20T10:19:25+00:00

Dans cet article, nous proposons une architecture hybride innovante qui combine un réseau de neurones multicouche (MLP), l’algorithme de clustering DBSCAN, et un classificateur SVM. Cette approche vise à améliorer la robustesse et la précision de classification en intégrant une extraction de connaissances non linéaire, une détection automatique des valeurs aberrantes et une décision linéaire dans un espace optimisé. Nous détaillons la formulation mathématique de chaque composant et démontrons comment leur intégration permet une amélioration significative des performances sur des données bruitées. Les résultats expérimentaux montrent que l’approche MLP - DBSCAN - SVM surpasse les architectures plus classiques telles que MLP - SVM et DBSCAN - SVM, en atteignant une précision de 93,78 %, contre 92,0 % et 75,5 % respectivement. Il confirme la pertinence d’un pipeline intelligent et séquentiel alliant extraction de connaissances non linéaire, réduction du bruit et classification supervisée pour la déclaration de conformité de produit frais de consommation par la classification automatique via une architecture hybride MLP – DBSCAN - SVM, application au laboratoire de Microbiologie de l’OCC.

In this article, we propose an innovative hybrid architecture that combines a multilayer perceptron (MLP), the DBSCAN clustering algorithm, and an SVM classifier. This approach aims to improve classification robustness and accuracy by integrating nonlinear feature extraction, automatic outlier detection, and linear decision-making in an optimized space. We detail the mathematical formulation of each component and demonstrate how their integration leads to a significant improvement in performance on noisy data. Experimental results show that the MLP-DBSCAN-SVM approach outperforms more traditional architectures such as MLP-SVM and DBSCAN-SVM, achieving an accuracy of 93.78%, compared to 92.0% and 75.5% respectively, confirming the relevance of an intelligent, sequential pipeline combining nonlinear feature extraction, noise reduction, and supervised classification for the declaration of conformity of consumer products through automatic classification using a hybrid MLP, DBSCAN, SVM architecture, applied at the OCC Microbiology Laboratory.

Apprentissage artificiel basé sur la classification multiclasse pour la prédiction du syndrome du côlon

2026-05-20T10:25:37+00:00

Les maladies du côlon constituent un problème majeur de santé publique dans le monde, nécessitant des méthodes de diagnostic précises et rapides. Avec les avancées récentes dans le domaine de l’Intelligence Artificielle, les techniques de Deep Learning ont montré un potentiel important dans l’analyse automatique des images médicales. Cet article propose une approche basée sur les Convolutional Neural Networks (CNN) pour la classification multi-classes des pathologies côlon à partir d’images médicales.La méthode consiste à entrainer un modèle de réseau de neurones convolutif sur un ensemble de données d’images du côlon afin d’identifier et de classifier différentes catégories de pathologies. Les étapes principales comprennent le prétraitement des données, l’entraînement du modèle et l’évaluation de ses performances à l’aide de métriques telles que la précision, le rappel et le score F1. Les résultats expérimentaux montrent que l’approche proposée permet d’améliorer la précision de la classification et d’assister efficacement les professionnels de la santé dans le processus de diagnostic. Cette étude démontre que l’utilisateur du Deep Learning appliqué aux image médicales peut constituer un outil prometteur pour la détection précoce et la prédiction des maladies du côlon.

Colon diseases represent a significant public health challenge globally, necessitating the development of accurate and rapid diagnostic methods. Recent advancements in the field of Artificial Intelligence have highlighted the substantial potential of Deep Learning techniques in the automatic analysis of medical images. This article presents an approach based on Convolutional Neural Networks (CNN) for the multi-class classification of colon pathologies derived from medical imaging. The methodology involves training a convolutional neural network model on a dataset of colon images to identify and classify various categories of pathologies. Key steps in this process include data preprocessing, model training, and performance evaluation utilizing metrics such as accuracy, recall, and F1 score. Experimental results demonstrate that the proposed approach enhances classification accuracy and effectively assists healthcare professionals in the diagnostic process. This study underscores the promise of Deep Learning applications in medical imaging as a valuable tool for the early detection and prediction of colon diseases.

Modèle d’apprentissage par ensemble basé sur le double stacking pour la prédiction du syndrome métabolique

2026-05-20T10:36:34+00:00

Le syndrome métabolique est un problème majeur de santé publique en raison de son association avec les maladies cardiovasculaires, les accidents vasculaires cérébraux et le diabète de type 2. Cette étude propose un modèle de prédiction fondé sur une architecture Double Stacking appliquée aux données NHANES 1998-2018. La méthodologie comprend le prétraitement des variables démographiques, cliniques et biologiques, l’entraînement de plusieurs classifieurs de base, puis leur combinaison hiérarchique par deux niveaux successifs de méta-apprentissage. Les résultats montrent que le modèle proposé améliore la robustesse de la prédiction et atteint une accuracy de 91,25 %, un F1-score de 86,18 % et une ROC-AUC de 0,959. Ces performances indiquent que le Double Stacking constitue une approche prometteuse pour la détection précoce du syndrome métabolique.

Metabolic syndrome is a major public health issue because of its strong association with cardiovascular disease, stroke, and type 2 diabetes. This study proposes a predictive model based on a Double Stacking architecture using NHANES 1998-2018 data. The methodology includes preprocessing demographic, clinical, and biological variables, training several base classifiers, and combining them through two successive meta-learning levels. The results show that the proposed model improves predictive robustness and reaches an accuracy of 91.25%, an F1-score of 86.18%, and a ROC-AUC of 0.959. These findings suggest that Double Stacking is a promising approach for the early prediction of metabolic syndrome.

Vers une architecture de sécurité multicouche pour la protection des réseaux sans fil : analyse et classification des attaques avec mécanismes de détection basés sur l’apprentissage automatique

2026-05-20T10:46:37+00:00

La sécurité des réseaux locaux sans fil (WLAN) est devenue un enjeu majeur face à la multiplication des dispositifs connectés et des points d’accès. Les vulnérabilités propres aux communications radio exposent les organisations à de nombreuses menaces. Cet article propose une analyse des vulnérabilités des réseaux sans fil ainsi qu’une architecture de sécurité multicouche fondée sur la défense en profondeur. L’approche combine plusieurs mécanismes complémentaires : WPA3-Enterprise, authentification 802.1X/EAP-TLS via serveur RADIUS, segmentation dynamique par VLAN, contrôle d’accès réseau, système de détection et de prévention d’intrusion basé sur un modèle hybride CNN-LSTM, ainsi qu’une couche applicative imposant l’usage d’un VPN. Les expérimentations, menées sur une infrastructure représentative avec 150 tentatives d’attaque, montrent un taux global de détection de 95 % pour les principaux vecteurs considérés. Le temps moyen entre détection et isolement reste inférieur à 150 ms. Cette étude propose ainsi une méthodologie concrète pour renforcer la sécurité WLAN, y compris dans des contextes à fortes contraintes comme l’Afrique subsaharienne.

Wireless Local Area Network (WLAN) security has become a major challenge with the rapid growth of connected devices and wireless access points. The inherent vulnerabilities of radio communications expose organizations to a wide range of threats. This article presents an analysis of WLAN-specific vulnerabilities and a multilayer security architecture based on the defense-in-depth principle. The proposed approach combines several complementary mechanisms: WPA3-Enterprise, 802.1X/EAP-TLS authentication through a RADIUS server, dynamic VLAN segmentation, network access control, an intrusion detection and prevention system based on a hybrid CNN-LSTM model, and an application layer requiring mandatory VPN use. Experiments conducted on a representative infrastructure with 150 attack attempts show an overall detection rate of 95% for the main attack vectors considered. The average time between detection and isolation remains below 150 ms. This study therefore provides a practical methodology for strengthening WLAN security, including in highly constrained environments such as sub-Saharan Africa.

Fuzzy modeling of a multi-objective green vehicle routing problem considering speed variability and time-emission optimization

2026-05-20T10:51:56+00:00

Cet article traite d’un problème de tournées de véhicules verts multi-objectifs flou (GVRP) dans lequel le décideur doit faire face à une imprécision sur le temps de parcours et sur les émissions de CO₂ (ou la consommation de carburant) pour trouver un compromis. Ces objectifs dépendent de la variabilité de la vitesse de véhicules modélisée à l’aide de nombres flous trapézoïdal. Les émissions polluantes sont estimées à partir de l’approche MEET, étendue à un cadre flou afin de prendre en compte la propagation de l’imprécision liée à la vitesse dans le calcul des émissions. L’objectif principal de cet article est de proposer un modèle bi-objectif flou de tournées de véhicules verts. La méthodologie adoptée se déroule en plusieurs étapes. Tout d’abord, la formulation mathématique du modèle flou est présentée. Ensuite, une défuzzification est réalisée à l’aide de l’approche des intervalles d’approximation les plus proches des nombres flous. La contrepartie déterministe obtenue est ensuite résolue à l’aide de l’heuristique de balayage, suivie d’une optimisation multi-objectifs utilisant la métaheuristique BicriterionAnt afin d’obtenir des solutions de compromis. Enfin, une simulation numérique est réalisée, accompagnée d’une discussion des résultats et de perspectives de recherche futures.

This paper addresses a fuzzy multi-objective Green Vehicle Routing Problem (GVRP) in which the decision-maker must deal with imprecision in travel time and vehicle speed in order to find a compromise between CO₂ emissions (or fuel consumption) and vehicle travel time, both of which strongly depend on the variability of vehicle speed. To capture this uncertainty, vehicle speeds are modeled using trapezoidal fuzzy numbers. Pollutant emissions are estimated using the MEET approach, which is extended to a fuzzy framework to account for the propagation of speed-related uncertainty in the emission calculation. The main objective of this paper is to propose a bi-objective fuzzy green vehicle routing model. The proposed methodology is organized as follows. First, the mathematical formulation of the fuzzy model is presented. Second, a defuzzification process is performed using the nearest approximation interval approach for fuzzy numbers. Third, the resulting deterministic counterpart is solved using the sweep heuristic, followed by a multi-objective optimization using the BicriterionAnt metaheuristic to obtain compromise solutions. A numerical simulation is conducted to evaluate the proposed approach, followed by a discussion of the results, and the paper concludes with concluding remarks and future research perspectives.

Extraction des connaissances à partir des données Firebase pour l’analyse épidémiologique basée sur le clustering DBSCAN

2026-05-20T11:00:57+00:00

Face à l'évolution rapide des crises sanitaires, les systèmes de santé sont contraints d'opérer une transition numérique vers une épidémiologie précise. Cette publication expose une démarche novatrice de récupération de savoir à partir de grandes quantités de données conservées sur la plateforme NoSQL Firebase, mise en oeuvre dans le cadre du suivi épidémiologique au sein de la Coordination Provinciale du PNMLS Kwilu. L'ambition est de convertir des flux de données diversifiés en instruments de prise de décision stratégique. Nous avons mis en place un pipeline d'analyse qui inclut l'algorithme de regroupement spatial DBSCAN (Density-Based Spatial Clustering of Applications with Noise) pour y parvenir. DBSCAN, par opposition aux techniques traditionnelles, a facilité la détection de foyers de contagion aux contours irréguliers tout en écartant les données aberrantes ou isolées, jugées comme du « bruit » statistique. Les résultats indiquent que la combinaison de la rapidité de Firebase et de la capacité de segmentation DBSCAN conduit à une cartographie dynamique des régions à forte prévalence. Cette recherche fournit aux responsables du PNMLS Kwilu une compétence d'intervention ciblée, améliorant ainsi la répartition des ressources de santé dans toute la province.

A digital shift toward precision epidemiology is required due to the quick evolution of health emergencies. In the context of epidemiological monitoring within the Provincial Coordination of PNMLS Kwilu, this study introduces a novel method for knowledge extraction from large datasets stored on the Firebase NoSQL platform. Converting diverse data sources into tools for strategic decision-making is the goal. We developed an analytical pipeline that integrated the DBSCAN (Density-Based Spatial Clustering of Applications with Noise) spatial clustering algorithm in order to accomplish this. In contrast to conventional techniques, DBSCAN found contagion hotspots with irregular shapes while eliminating outliers or solitary cases that were regarded as statistical "noise." The findings show that dynamic mapping of high-prevalence areas is made possible by the combination of Firebase's velocity and DBSCAN's segmentation power. This study optimizes the distribution of healthcare resources throughout the province by giving PNMLS Kwilu decision-makers a targeted intervention capacity.

Karstogenèse de la grotte Ndundu 1 dans la région de Mbanza-Ngungu au Kongo Central

2026-05-20T11:06:58+00:00

Ndundu 1, situé près de Mbanza-Ngungu (Kongo Central), constitue un système perte–résurgence développé dans des dolomies massives. Cette étude vise à caractériser sa morphologie, son cadre lithostratigraphique et structural et à proposer un modèle évolutif de sa karstogenèse en tenant compte de la topographie de la vallée. La cavité présente des méandres phréatiques fossiles, des canyons, des galeries actives, des spéléothèmes et des dépôts bréchiques. Deux familles de fractures subverticales orientées NE–SW et NW–SE sont dominantes alors que la direction générale de la grotte est N-S. Les dolomies micritiques montrent une porosité matricielle primaire très faible, la perméabilité étant essentiellement contrôlée par la fracturation. Les données morphologiques suggèrent un développement initial en régime phréatique sous faible gradient hydraulique, suivi d’une incision vadose liée à l’abaissement progressif du niveau de base. Ndundu 1 correspond à un système karstique tropical polyphasé contrôlé par la fracturation, dont l’évolution résulte d’interactions entre tectonique cassante héritée, lithologie dolomitique et dynamique hydrologique. Cette étude met en évidence l’importance du contrôle structural, mais aussi de la topographie qui oriente l’écoulement et ainsi le développement de la grotte dans une direction N-S correspondant à la plus grande pente pour rejoindre la rivière en contrebas.

Ndundu 1, situated near Mbanza-Ngungu (Kongo Central), constitutes a sink–resurgence system developed within massive dolomites. This study aims to characterise its morphology, lithostratigraphic and structural framework, and to propose an evolutionary model of its karstogenesis, taking into account the topography of the valley. The cavity displays fossil phreatic meanders, canyon sections, active galleries, speleothems, and brecciated deposits. Two families of subvertical fractures oriented NE–SW and NW–SE are dominant, whilst the overall trend of the cave is north–south. The micritic dolomites exhibit very low primary matrix porosity, with permeability being essentially controlled by fracturing. Morphological data suggest an initial development under phreatic conditions and a low hydraulic gradient, followed by vadose incision associated with the progressive lowering of the base level. Ndundu 1 corresponds to a polyphase tropical karst system controlled by fracturing, whose evolution results from interactions amongst inherited brittle tectonics, dolomitic lithology, and hydrological dynamics. This study highlights the importance of structural control, but also of topography, which directs flow and thereby governs the northward development of the cave along the steepest gradient towards the river below.

Optimisation bi-critère des hyperparamètres d’un modèle SVM asymétrique binaire par NSGA-II pour la prédiction du risque d’accident vasculaire cérébral

2026-05-20T11:13:46+00:00

Notre article traite de la problématique de l’évaluation binaire du risque d’accident vasculaire cérébral (AVC) en utilisant une approche d’apprentissage supervisée optimisée. Le diagnostic médical, par intelligence artificielle, est souvent confronté au défi de la classification asymétrique où le cout d’un faux négatif (patient malade non détecté) est nettement plus préjudiciable qu’un faux positif. Face à cet enjeu, nous proposons une méthodologie d’optimisation bi-critère des hyper paramètres γ, C+ et C- respectivement paramètre du noyau et coefficients de régulation de deux classes de prédiction du modèle support vector machine (SVM), et reposant sur l’application de la méta-heuristique évolutionnaire NSGA-II (Non Dominated Sorting Genetic Algorithm II) qui permet d’obtenir un front de Pareto composé de plusieurs modèles SVM de compromis entre la minimisation du taux de faux positifs (NFA) et celle du taux de faux négatifs (NFR) afin d’y naviguer pour trouver le SVM de meilleur compromis, au lieu d’un modèle unique optimisé par des méthodes classiques, à l’occurrence GridSearchCV. L’expérimentation menée sur les données cliniques, démontre que cette approche bi-critère surpasse les méthodes des réglages classiques. En ajustant finement les paramètres de pénalité de manière asymétrique, le modèle devient capable de mieux identifier les sujets à risque d’AVC, garantissant ainsi une plus grande fiabilité pour l’aide à la décision médicale. Les résultats obtenus confirment l’efficacité du couplage SVM/NSGA-II pour traiter des bases de données médicales déséquilibrées.

Our article addresses the issue of binary risk assessment for stroke (CVA) using an optimized supervised learning approach. Medical diagnosis via artificial intelligence is often faced with the challenge of asymetric classification, where the cost of a false negative (an undetected sick patient) is significantly more detrimental than a false positive. To address this challenge, we propose a bi-criterion optimization methodology for the hyperparameters γ, C+ and C- representing the kernel parameter and the regulation coefficients for two prediction classes of the support vector machine (SVM) model. This methodolgy relies on the application of the evolutionary meta-heuristic NSGA-II (Non Dominated Sorting Genetic Algorithm II), wich generates a pareto front composed of several SVM models. These models offer various trade –offs between minimizing the false positive rate (NFA) and the false negative rate (NFR). This allows for navigation to find the SVM with the best compromise, rather than relying on a single model optimized by traditional methods, such as GridSearchCV. Experiments conducted on clinical data demonstrate that bi-criterion approach outperforms traditional tuning methods. By finely adjusting the penalty parameters asymmetrically, the model becomesb bette rat identifying subjects at risk of stroke, thereby ensuring greater reliability for medical decision support. The results confirm the effectiveness of the SVM/NSGA-II coupling for processing unbalanced medical databases.

Imprégnation des outils numériques dans l’évolution et le suivi du lotissement des quartiers Kisenso Gare, Dingi-Dingi et Nsola dans la commune de Kisenso à Kinshasa de 1984 à 2025

2026-05-20T11:19:59+00:00

Face à l’urbanisation non maîtrisée de Kinshasa, les outils numériques offrent un potentiel pour le suivi de l’occupation des sols. Dans agricoles et végétaux. Cette étude vise à démontrer l’apport de la télédétection et des SIG pour suivre l’évolution spatiale et la dynamique du NDVI entre 1984 et 2025. La méthodologie combine observation et expérimentation : traitement d’images multi- emporelles (Landsat 5, 7, 8, 9 et SAS Planet) par classification supervisée (maximum de vraisemblance) et calcul du NDVI. Les résultats montrent une expansion spectaculaire du bâti, passant de 10 ha en 1984 à 192 ha en 2025, soit une multiplication par 19. Simultanément, les zones agricoles régressent de 114 ha à 37 ha et la végétation de 144 ha à 39 ha. Le NDVI confirme une urbanisation accélérée, Kisenso-Gare apparaissant comme le dernier bastion écologique. En conclusion, la pression urbaine a provoqué une perte massive de couverture végétale et agricole, soulignant l’urgence de stratégies d’aménagement intégrant la conservation des espaces naturels et le contrôle de l’étalement urbain.

Faced with uncontrolled urbanization in Kinshasa, digital tools offer significant potential for monitoring land use. In the Kisenso Gare, Dingi-Dingi, and Nsola neighborhoods of the Kisenso municipality, self-urbanization is leading to the degradation of agricultural and
vegetated areas. This study aims to demonstrate the value of remote sensing and GIS for tracking spatial changes and NDVI dynamics between 1984 and 2025. The methodology combines observation and experimentation: processing multi-temporal images (Landsat 5, 7, 8, 9, and SAS Planet) using supervised classification (maximum likelihood) and NDVI calculation. The results show a dramatic expansion of built-up areas, increasing from 10 hectares in 1984 to 192 hectares in 2025 - a 19-fold increase. Simultaneously, agricultural land declined from 114 hectares to 37 hectares, and vegetation cover fell from 144 hectares to 39 hectares. The NDVI confirms accelerated urbanization, with Kisenso-Gare emerging as the last ecological stronghold. In conclusion, urban pressure has caused a massive loss of vegetation and agricultural cover, underscoring the urgent need for planning strategies that integrate natural area conservation and urban sprawl control.

Sur la représentation graphique de limites au sens de Kuratowski de quelques suites d’ensembles

2026-05-20T11:31:01+00:00

In this work, we put a particular accent on the convergence in sens of Kuratowski which is a convergence of sets. In fact, studies on numeric sequences give direct and clear methods of solving those problems by a computation of those sequences. Given the inadequacy of the above mentioned familiar methods, we introduce the convergence of Kuratowski and moreover, we will conceive a number of overall sequences for which we expect not only to find the limits, but to also represent graphically each of these limits.

Dans ce travail, nous mettons un accent particulier sur la convergence au sens de Kuratowski qui est une convergence d’ensembles. En effet, l’étude des suites numériques présente des méthodes directes et claires de résolution des problèmes relatifs à ce sujet, à l’instar du calcul des limites de ces suites. Compte tenu de l’insuffisance des méthodes familières évoquées ci-dessus, nous introduisons la convergence de Kuratowski et par surcroit, nous concevons un certain nombre de suites d’ensembles pour lesquelles, nous pensons, non seulement à trouver la limite, mais aussi à représenter graphiquement chacune de ces limites.