University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'éditeur
Setif:UFA |
Documents disponibles chez cet éditeur
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
Titre : Pratique Phytochimique sur une plante de la flore d’Algérie Type de document : texte imprimé Auteurs : Tinhinane Louaileche ; Farouk Zaidi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (69 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Chimie Mots-clés : Plante de la flore
Flavonoïdes
ThymIndex. décimale : 540 Chimie et sciences connexes Résumé : Le thym utilisé depuis l'antiquité en médecine traditionnelle est reconnu par ses vertus thérapeutiques. Les tests phytochimiques appliqués (bibliographie) au Thymus ciliatus ont montré la présence de quelques familles de composés chimiques et notamment les flavonoïdes.
En raison des circonstances difficiles qui nous ont empêchés d'atteindre le côté pratique ,
cette étude avait pour objectif d’établir le schéma d’obtention des métabolites secondaires de type flavonoïde à partir d’une plante. L’isolement des composés et leur purification, basés sur l’utilisation d’une combinaison de méthodes chromatographiques (CC, CPapier et CCM), et leur détermination structurale grâce à l’utilisation de techniques physicochimiques et spectroscopique (UV – Visible, MS et RMN). Et pour une meilleure explication on a choisi le flavonoïde 5,4’-OH-6, 7,8-OMeflavone (Xanthomicrol)Côte titre : MACH/0169 En ligne : https://drive.google.com/file/d/1F4YC-48Um_8AYpSr8sQx5hpNGZ_aKCBE/view?usp=shari [...] Format de la ressource électronique : Pratique Phytochimique sur une plante de la flore d’Algérie [texte imprimé] / Tinhinane Louaileche ; Farouk Zaidi, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (69 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Chimie Mots-clés : Plante de la flore
Flavonoïdes
ThymIndex. décimale : 540 Chimie et sciences connexes Résumé : Le thym utilisé depuis l'antiquité en médecine traditionnelle est reconnu par ses vertus thérapeutiques. Les tests phytochimiques appliqués (bibliographie) au Thymus ciliatus ont montré la présence de quelques familles de composés chimiques et notamment les flavonoïdes.
En raison des circonstances difficiles qui nous ont empêchés d'atteindre le côté pratique ,
cette étude avait pour objectif d’établir le schéma d’obtention des métabolites secondaires de type flavonoïde à partir d’une plante. L’isolement des composés et leur purification, basés sur l’utilisation d’une combinaison de méthodes chromatographiques (CC, CPapier et CCM), et leur détermination structurale grâce à l’utilisation de techniques physicochimiques et spectroscopique (UV – Visible, MS et RMN). Et pour une meilleure explication on a choisi le flavonoïde 5,4’-OH-6, 7,8-OMeflavone (Xanthomicrol)Côte titre : MACH/0169 En ligne : https://drive.google.com/file/d/1F4YC-48Um_8AYpSr8sQx5hpNGZ_aKCBE/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MACH/0169 MACH/0169 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Pratiques phytochimiques sur deux espèces de plantes de la flore d'Algérie Type de document : texte imprimé Auteurs : KEROUANI, Sara ; Farouk Zaidi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2012 Importance : 1vol. 72f. Format : 30cm. Catégories : Thèses & Mémoires:Chimie Mots-clés : plantes,flore,phytochimiques, Résumé : La pratique phytochimique effectuée sur la plante L.d nous a permis d’abord de nous
familialiser avec des techniques ou méthodes et des montages spécifiques pour ce genre de sujet.
Les résultats du screening phytochimique ont permis d’établir une approche sur le contenu de
cette plante en produits du métabolisme secondaires. Ainsi et comme cette plante n’a fait l’objet
d’aucun travail antérieur et sur cet axe spécialement, ce qu’on a réalise va certainement ouvrir la voie
a d’autres chercheurs a poursuivre mais avec des pratiques plus poussées afin de mieux connaître le
contenu de cette plante en métabolites secondairesNote de contenu : Sommaire Page
Liste des tableaux I
Liste des figures II
Abréviation et symboles utilises III
Etude bibliographie
Chapitre I : Généralités
Introduction générale………………………...………………………..………………… 1
I.1. La flore d’Algérie……………………...……………………………………………. 1
I.2. L.d (Girard) Kuntze…………………….…………………………………...………. 2
I.2.1. Propriétés de cette plante………….……………………...……………………. 2
I.2.2. Généralités sur la famille des Plombaginaceae…….………………………….. 3
I.2.3 Généralités sur le genre Limonium……………………………………………... 3
I.2.4. Description botanique de l’espèce L.D………………………………………… 5
I.2.5 Classification………………………………………………..………………….. 5
I.2.6. Généralités sur le milieu de germination………………………………………. 7
I.3. Eugenia caryophyllata (giroflier)………...……………………………………...…... 8
I.3.1. Description botanique…………………………...……………………………... 8
I.3.2. Classification…………………………………………...…………………….... 8
I.3.3. Composition chimique……………………………………………………...….. 9
I.3.4. Utilisations traditionnelles……………………………………………………... 9
I.4. Notion sur les produits naturels d’origine végétale………...……………………….. 10
I.4.1.Les métabolites…….……...……………………………………………………. 10
I.4.1.1.Les métabolites primaires…………………….……………………………... 10
I.4.1.1.1.Les glucides………………………………..……………………………. 10
I.4.1.1.2.Les lipides………………………………………………..……………… 10
I.4.1.1.3.Les protides…………………………………………………………….... 10
I.4.1.2.Les métabolites secondaires…………..…………………………………….. 10
I.4.1.2.1.Classification des métabolites secondaires……………………………… 11
I.4.1.2.2.Les principales familles de métabolites secondaires………………...…... 11
I.4.1.2.2. a. Les composés phénoliques……………………………….…………... 11
Les flavonoïdes………………………….………………………………. 11
Les anthocyanes………………………….……………………………… 14
Les tanins………………………………………….…………………….. 14
Les tanins hydrolysables ………………………………………………………... 15
Les tanins condenses ou proanthocyanidines………………………………….... 15
Les coumarines………………………………………………………….. 16
Les quinones………………………………………………………….…. 16
Les anthraquinones……………………………………………………… 16
I.4.1.2.2. b. Les terpénoïdes………………………………………………………….. 17
Les stérols….……………………………………………………………....……. 19
Les huiles essentielles………………………………………………………..….. 19
Les Saponosides (saponines)………………………………………………….… 19
I.4.1.2.2. c. les composés azotés………………………...…………………………… 19
Les alcaloïdes…………………………………………..………………... 19
Etude expérimentale
Chapitre II : matériels et méthodes
II.1.Matériel végétal……………………………………………………………..……..... 21
II.2.a. Matériels………….…………………………………………………..………....... 21
II.2.b. Les produits……………………………………………………………………… 21
II.3. Les méthodes d’extraction et de séparation…………………..……………………. 21
II.3.1. l’extraction par solvant……………………………………...…………..…….. 21
a. l’extraction solide-liquide……...………………………..……………..……...... 22
b. l’extraction liquide-liquide………...…………………………………………… 22
II.3.2. La filtration…………………………………………………….……………….. 22
a. La filtration par gravité (classique)…………………...………………………..… 22
b. La filtration sous vide ou sous pression réduite…………...…………………....... 23
II.3.1.3. L’hydrodistillation…………………………………………………………… 23
II.3.1.4. Décantation……………………………..…………………………………….. 24
II.3.1.5. L’extraction à reflux (soxhlet)…………………………………………..……. 25
II.3.1.6. Evaporation rotative…………………………………………………………... 25
II.3.1.7. La séparation par précipitation……………………………………………….. 26
II.4. Les méthodes d’analyse qualitative...………………………………………….... 26
II.4.1. Aspects généraux sur la chromatographie…………………………… ………... 26
II.4.2. Description d’ensemble de la chromatographie…………………… ………..… 27
a. la phase stationnaire (l’adsorbant)……………………………………………….. 27
b. la phase mobile………………………………………………….………….…...... 27
II.4.3. méthodes de séparation par chromatographie………..…… …………..………. 27
a. la chromatographie d’adsorption………………………………………………… 28
b. la chromatographie de partage…………………………………………………… 28
c. la chromatographie d’échange d’ions…………………………………………….. 28
d. la chromatographie d’exclusion…………………………………………..……… 28
II.4.4. la chromatographie sur couche mince (CCM)………………………… ……… 28
Le rapport frontal « Rf »……………………………………………………..….. 29
II.4.5. Chromatographie en phase liquide à haute performance HPLC………………... 29
a. Le chromatogramme…………………………………..………………………... 30
II.5. Méthodes spectrales……………..……………….……...………………………..... 30
II.5.1. La spectrophotométrie UV………………………………………………..……. 30
II.6.Etude phytochimique……………………………………………………………….. 31
II.6.1.Les réactions de caractérisation.……………………………………………….. 32
II.6.1.1. Les composés phénoliques…………………….....………………………... 32
II.6.1.1.1. Tanins…………………………………………………..…………….... 32
II.6.1.1.2. Flavonoïdes………………………………………………………...…... 32
II.6.1.1.3. Dérivés anthracéniques………………………………………………… 32
a. Anthracéniques libres………………..…………………………………………… 33
b. Anthracéniques combinés…………………..……………………………………. 33
i. O-Hétérosides……………………………………………………………………. 33
ii. O-Hétérosides à génines réduites………………………………………………... 33
iii. C-Hétérosides……………………………………………………………………. 33
II.6.1.1.4. Quinone libre……………………………………..…………………..... 33
II.6.1.1.5. Anthraquinones……………………………………………..…………. 33
II.6.1.1.6. Stérols et terpènes……………………………………………………… 34
II.6.1.1.7. Coumarines…………………………………………………………….. 34
II.6.1.1.8. saponosides…………………………………………………………….. 34
II.6.1.1.9. les composés azotés………………………..…………………………... 35
Alcaloïdes………………………………………………………….……………. 35
II.7. Analyses qualitatives………………………………………………………….......... 35
II.7.1. Alcaloïdes………………………...……………………..…………………….. 35
Test de Draggendorf…………………………………………………………….. 35
II.7.2. Terpénoïdes………...…………………………………………………………. 35
II.7.3. Flavonoïdes……………………………………………………...……………. 36
II.7.4. Coumarines……………………………………………………………………. 36
Chapitre III : Résultats et discussion
III. Résultats et discussion………………………………………………………………. 37
III.1. les huiles essentielles………………...………………………………………… 37
III.2. Etudes phytochimique………………………………………………………….. 38
III.2.1. flavonoïdes…...…………………………………………………………….. 40
III.2.2. Terpénoïdes………………………………………………….……………... 40
III.2.3. Saponosides……………………………………………………………….... 41
III.2.4. Tanins………………………………………………………………………. 42
III. 3. Analyse chromatographique sur couche mince………………………...……... 42
III.3.1. flavonoïdes……………………...………………………………………….. 43
III.4. Les spectres UV………………………………...…………………………….... 43
Conclusion………………………………………………………………………………. 46
Liste des tableaux :
Tableau I.1 : les genres de limonium……………………………………………….......... 3
Tableau I.2 : principaux classes des flavonoïdes………………………………… ……... 12
Tableau I.3 : liste des principaux classes de terpénoïdes, illustrée par quelque exemple.. 17
Tableau II.4 : liste des produites………………………………………………………… 22
Tableau III.5 : résultats des RF........................................................................................... 38
Tableau III.6 : Différents groupes chimiques recherchés dans la poudre de L.D.............. 38
Tableau III.7 : résultats du test des saponines…………………………………………… 41
Tableau III.8 : Détection des coumarines, terpénoïdes, alcaloïdes sur des plaques gel de
silice……………………………………………………………………………………….. 42
Tableau III.9 : résultat des Rf pour les flavonoïdes……………………………………… 43
Tableau III.10 : les structures des flavonoïdes proposés………………………………… 44Côte titre : MACH/0001 En ligne : https://drive.google.com/file/d/1P3sbm2Kjy2FLKXH2GjsrdKtRzR5huIGt/view?usp=shari [...] Format de la ressource électronique : Pratiques phytochimiques sur deux espèces de plantes de la flore d'Algérie [texte imprimé] / KEROUANI, Sara ; Farouk Zaidi, Directeur de thèse . - [S.l.] : Setif:UFA, 2012 . - 1vol. 72f. ; 30cm.
Catégories : Thèses & Mémoires:Chimie Mots-clés : plantes,flore,phytochimiques, Résumé : La pratique phytochimique effectuée sur la plante L.d nous a permis d’abord de nous
familialiser avec des techniques ou méthodes et des montages spécifiques pour ce genre de sujet.
Les résultats du screening phytochimique ont permis d’établir une approche sur le contenu de
cette plante en produits du métabolisme secondaires. Ainsi et comme cette plante n’a fait l’objet
d’aucun travail antérieur et sur cet axe spécialement, ce qu’on a réalise va certainement ouvrir la voie
a d’autres chercheurs a poursuivre mais avec des pratiques plus poussées afin de mieux connaître le
contenu de cette plante en métabolites secondairesNote de contenu : Sommaire Page
Liste des tableaux I
Liste des figures II
Abréviation et symboles utilises III
Etude bibliographie
Chapitre I : Généralités
Introduction générale………………………...………………………..………………… 1
I.1. La flore d’Algérie……………………...……………………………………………. 1
I.2. L.d (Girard) Kuntze…………………….…………………………………...………. 2
I.2.1. Propriétés de cette plante………….……………………...……………………. 2
I.2.2. Généralités sur la famille des Plombaginaceae…….………………………….. 3
I.2.3 Généralités sur le genre Limonium……………………………………………... 3
I.2.4. Description botanique de l’espèce L.D………………………………………… 5
I.2.5 Classification………………………………………………..………………….. 5
I.2.6. Généralités sur le milieu de germination………………………………………. 7
I.3. Eugenia caryophyllata (giroflier)………...……………………………………...…... 8
I.3.1. Description botanique…………………………...……………………………... 8
I.3.2. Classification…………………………………………...…………………….... 8
I.3.3. Composition chimique……………………………………………………...….. 9
I.3.4. Utilisations traditionnelles……………………………………………………... 9
I.4. Notion sur les produits naturels d’origine végétale………...……………………….. 10
I.4.1.Les métabolites…….……...……………………………………………………. 10
I.4.1.1.Les métabolites primaires…………………….……………………………... 10
I.4.1.1.1.Les glucides………………………………..……………………………. 10
I.4.1.1.2.Les lipides………………………………………………..……………… 10
I.4.1.1.3.Les protides…………………………………………………………….... 10
I.4.1.2.Les métabolites secondaires…………..…………………………………….. 10
I.4.1.2.1.Classification des métabolites secondaires……………………………… 11
I.4.1.2.2.Les principales familles de métabolites secondaires………………...…... 11
I.4.1.2.2. a. Les composés phénoliques……………………………….…………... 11
Les flavonoïdes………………………….………………………………. 11
Les anthocyanes………………………….……………………………… 14
Les tanins………………………………………….…………………….. 14
Les tanins hydrolysables ………………………………………………………... 15
Les tanins condenses ou proanthocyanidines………………………………….... 15
Les coumarines………………………………………………………….. 16
Les quinones………………………………………………………….…. 16
Les anthraquinones……………………………………………………… 16
I.4.1.2.2. b. Les terpénoïdes………………………………………………………….. 17
Les stérols….……………………………………………………………....……. 19
Les huiles essentielles………………………………………………………..….. 19
Les Saponosides (saponines)………………………………………………….… 19
I.4.1.2.2. c. les composés azotés………………………...…………………………… 19
Les alcaloïdes…………………………………………..………………... 19
Etude expérimentale
Chapitre II : matériels et méthodes
II.1.Matériel végétal……………………………………………………………..……..... 21
II.2.a. Matériels………….…………………………………………………..………....... 21
II.2.b. Les produits……………………………………………………………………… 21
II.3. Les méthodes d’extraction et de séparation…………………..……………………. 21
II.3.1. l’extraction par solvant……………………………………...…………..…….. 21
a. l’extraction solide-liquide……...………………………..……………..……...... 22
b. l’extraction liquide-liquide………...…………………………………………… 22
II.3.2. La filtration…………………………………………………….……………….. 22
a. La filtration par gravité (classique)…………………...………………………..… 22
b. La filtration sous vide ou sous pression réduite…………...…………………....... 23
II.3.1.3. L’hydrodistillation…………………………………………………………… 23
II.3.1.4. Décantation……………………………..…………………………………….. 24
II.3.1.5. L’extraction à reflux (soxhlet)…………………………………………..……. 25
II.3.1.6. Evaporation rotative…………………………………………………………... 25
II.3.1.7. La séparation par précipitation……………………………………………….. 26
II.4. Les méthodes d’analyse qualitative...………………………………………….... 26
II.4.1. Aspects généraux sur la chromatographie…………………………… ………... 26
II.4.2. Description d’ensemble de la chromatographie…………………… ………..… 27
a. la phase stationnaire (l’adsorbant)……………………………………………….. 27
b. la phase mobile………………………………………………….………….…...... 27
II.4.3. méthodes de séparation par chromatographie………..…… …………..………. 27
a. la chromatographie d’adsorption………………………………………………… 28
b. la chromatographie de partage…………………………………………………… 28
c. la chromatographie d’échange d’ions…………………………………………….. 28
d. la chromatographie d’exclusion…………………………………………..……… 28
II.4.4. la chromatographie sur couche mince (CCM)………………………… ……… 28
Le rapport frontal « Rf »……………………………………………………..….. 29
II.4.5. Chromatographie en phase liquide à haute performance HPLC………………... 29
a. Le chromatogramme…………………………………..………………………... 30
II.5. Méthodes spectrales……………..……………….……...………………………..... 30
II.5.1. La spectrophotométrie UV………………………………………………..……. 30
II.6.Etude phytochimique……………………………………………………………….. 31
II.6.1.Les réactions de caractérisation.……………………………………………….. 32
II.6.1.1. Les composés phénoliques…………………….....………………………... 32
II.6.1.1.1. Tanins…………………………………………………..…………….... 32
II.6.1.1.2. Flavonoïdes………………………………………………………...…... 32
II.6.1.1.3. Dérivés anthracéniques………………………………………………… 32
a. Anthracéniques libres………………..…………………………………………… 33
b. Anthracéniques combinés…………………..……………………………………. 33
i. O-Hétérosides……………………………………………………………………. 33
ii. O-Hétérosides à génines réduites………………………………………………... 33
iii. C-Hétérosides……………………………………………………………………. 33
II.6.1.1.4. Quinone libre……………………………………..…………………..... 33
II.6.1.1.5. Anthraquinones……………………………………………..…………. 33
II.6.1.1.6. Stérols et terpènes……………………………………………………… 34
II.6.1.1.7. Coumarines…………………………………………………………….. 34
II.6.1.1.8. saponosides…………………………………………………………….. 34
II.6.1.1.9. les composés azotés………………………..…………………………... 35
Alcaloïdes………………………………………………………….……………. 35
II.7. Analyses qualitatives………………………………………………………….......... 35
II.7.1. Alcaloïdes………………………...……………………..…………………….. 35
Test de Draggendorf…………………………………………………………….. 35
II.7.2. Terpénoïdes………...…………………………………………………………. 35
II.7.3. Flavonoïdes……………………………………………………...……………. 36
II.7.4. Coumarines……………………………………………………………………. 36
Chapitre III : Résultats et discussion
III. Résultats et discussion………………………………………………………………. 37
III.1. les huiles essentielles………………...………………………………………… 37
III.2. Etudes phytochimique………………………………………………………….. 38
III.2.1. flavonoïdes…...…………………………………………………………….. 40
III.2.2. Terpénoïdes………………………………………………….……………... 40
III.2.3. Saponosides……………………………………………………………….... 41
III.2.4. Tanins………………………………………………………………………. 42
III. 3. Analyse chromatographique sur couche mince………………………...……... 42
III.3.1. flavonoïdes……………………...………………………………………….. 43
III.4. Les spectres UV………………………………...…………………………….... 43
Conclusion………………………………………………………………………………. 46
Liste des tableaux :
Tableau I.1 : les genres de limonium……………………………………………….......... 3
Tableau I.2 : principaux classes des flavonoïdes………………………………… ……... 12
Tableau I.3 : liste des principaux classes de terpénoïdes, illustrée par quelque exemple.. 17
Tableau II.4 : liste des produites………………………………………………………… 22
Tableau III.5 : résultats des RF........................................................................................... 38
Tableau III.6 : Différents groupes chimiques recherchés dans la poudre de L.D.............. 38
Tableau III.7 : résultats du test des saponines…………………………………………… 41
Tableau III.8 : Détection des coumarines, terpénoïdes, alcaloïdes sur des plaques gel de
silice……………………………………………………………………………………….. 42
Tableau III.9 : résultat des Rf pour les flavonoïdes……………………………………… 43
Tableau III.10 : les structures des flavonoïdes proposés………………………………… 44Côte titre : MACH/0001 En ligne : https://drive.google.com/file/d/1P3sbm2Kjy2FLKXH2GjsrdKtRzR5huIGt/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MACH/0001 MACH/0001 Mémoire Bibliothéque des sciences Français Disponible
Sorti jusqu'au 16/06/2024
Titre : Pre-processing For Medical Images Type de document : texte imprimé Auteurs : Asma Annad, Auteur ; Hibat Errahmene Belmahdi, Auteur ; Kara-mohamed, Chafia, Directeur de thèse Editeur : Setif:UFA Année de publication : 2023 Importance : 1 vol (105 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Medical Images (MI) Index. décimale : 004 - Informatique Résumé : Medical Images (MI) are special in the sense that they deal with the human
body which is so complex and they are generated by specialised hardware.
Medical Images Processing by computers(MIP)is an active research field.
Due to their complexity, MI need to be pre-processed. This pre-processing
step is important for preparing the images to different Machine Learning (ML)
models like classification, identification to cite few. Image Segmentation is
a pre-processing step where an input image is divided into segments: parts
that exhibit some similarity character. Segmentation in medical images can
for example isolate tumours. Different approaches were applied to design
different segmentation methods. Clustering, a ML approach, where different
data points are grouped in clusters such that points in a cluster presents more
similarity that to any other point in other clusters. In our work, we implement
two clustering-based segmentation algorithms, FCM and K-means. MI also
differ based on the acquisition mode used to generate them. We have usedFCM
and K-means on MRI and X-Ray datasets. In our work we have compared the
two algorithms’ performance based on different evaluation metrics and then
we have compared them based on two image modalities to highlight the effect
of the image type on the algorithm. Results show that k-means outperforms
FCM.Côte titre : MAI/0756 En ligne : https://drive.google.com/file/d/1SS6bbey7TYiuo162Yo3SACM24sZPKgxe/view?usp=drive [...] Format de la ressource électronique : Pre-processing For Medical Images [texte imprimé] / Asma Annad, Auteur ; Hibat Errahmene Belmahdi, Auteur ; Kara-mohamed, Chafia, Directeur de thèse . - [S.l.] : Setif:UFA, 2023 . - 1 vol (105 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Medical Images (MI) Index. décimale : 004 - Informatique Résumé : Medical Images (MI) are special in the sense that they deal with the human
body which is so complex and they are generated by specialised hardware.
Medical Images Processing by computers(MIP)is an active research field.
Due to their complexity, MI need to be pre-processed. This pre-processing
step is important for preparing the images to different Machine Learning (ML)
models like classification, identification to cite few. Image Segmentation is
a pre-processing step where an input image is divided into segments: parts
that exhibit some similarity character. Segmentation in medical images can
for example isolate tumours. Different approaches were applied to design
different segmentation methods. Clustering, a ML approach, where different
data points are grouped in clusters such that points in a cluster presents more
similarity that to any other point in other clusters. In our work, we implement
two clustering-based segmentation algorithms, FCM and K-means. MI also
differ based on the acquisition mode used to generate them. We have usedFCM
and K-means on MRI and X-Ray datasets. In our work we have compared the
two algorithms’ performance based on different evaluation metrics and then
we have compared them based on two image modalities to highlight the effect
of the image type on the algorithm. Results show that k-means outperforms
FCM.Côte titre : MAI/0756 En ligne : https://drive.google.com/file/d/1SS6bbey7TYiuo162Yo3SACM24sZPKgxe/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0756 MAI/0756 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Precision Agriculture based on Wireless Sensor Networks Type de document : texte imprimé Auteurs : Tir,Oualid, Auteur ; Aliouat, Makhlouf, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (59 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Ce travail décrit la conception, la mise en œuvre et le déploiement de certains capteurs sans fil
réseaux pour l'agriculture de précision. Un grand nombre de réseaux de capteurs sans fil ont été conçus pour être utilisés pour l'agri-
culture dans laquelle les agriculteurs peuvent surveiller et contrôler les paramètres agricoles et environnementaux
comme la température de l'air, l'humidité de l'air, la lumière, l'humidité du sol, le pH, etc. Les données collectées sont stockées et
transmis sans fil aux agriculteurs, qu'ils peuvent utiliser pour contrôler et décider des actions appropriées
pour leur ferme de gérer la production et la qualité. L'effort humain est également réduit par
processus et il encourage l'agriculteur à développer les terres agricolesCôte titre : MAI/0425 En ligne : https://drive.google.com/file/d/1hHvew4FD1B0ALGGv52J85A-CTL_3eD4M/view?usp=shari [...] Format de la ressource électronique : Precision Agriculture based on Wireless Sensor Networks [texte imprimé] / Tir,Oualid, Auteur ; Aliouat, Makhlouf, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (59 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
Ce travail décrit la conception, la mise en œuvre et le déploiement de certains capteurs sans fil
réseaux pour l'agriculture de précision. Un grand nombre de réseaux de capteurs sans fil ont été conçus pour être utilisés pour l'agri-
culture dans laquelle les agriculteurs peuvent surveiller et contrôler les paramètres agricoles et environnementaux
comme la température de l'air, l'humidité de l'air, la lumière, l'humidité du sol, le pH, etc. Les données collectées sont stockées et
transmis sans fil aux agriculteurs, qu'ils peuvent utiliser pour contrôler et décider des actions appropriées
pour leur ferme de gérer la production et la qualité. L'effort humain est également réduit par
processus et il encourage l'agriculteur à développer les terres agricolesCôte titre : MAI/0425 En ligne : https://drive.google.com/file/d/1hHvew4FD1B0ALGGv52J85A-CTL_3eD4M/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0425 MAI/0425 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Prediction Model For Verfication of information in Social Media Type de document : texte imprimé Auteurs : Ferhat ,Hamida, Auteur ; Drif, Ahlam, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (64 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Social Media
Fake News Detection
Feature Extraction words Embedding Techniques
Deep LearningIndex. décimale : 004 - Informatique Résumé : Due to the availability of the Internet and the willingness to share information via
social media, it is easy to create and disseminate false informations around the world. When
widely disseminated, this news can have a significant negative impact on many aspects of
life. For this reason,several researchs have been recently done to deal with fake news detection
challenge. The detection of fake news is the classification of news by its veracity.
Feature extraction is a critical task in fake news detection. Embedding techniques, such as
word embedding and deep neural networks, are attracting much attention for textual feature
extraction, and have the potential to learn better representations. In this master project, we
propose a joint Convolutional Neural Network model (CNN) and a Long Short Term Memory
(LSTM) recurrent neural network architecture, taking advantage of the coarse-grained local
features generated by CNN and long-distance dependencies learned via LSTM. An empirical
evaluation of our model shows good prediction accuracy of fake news detection, when
compared to SVM and CNN baselines.Note de contenu : Sommaire
List of Figures iv
List of Tables vi
General Introduction 1
1 Theoretical Background 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . 4
1.2.2 Features and applications of Machine Learning . . . . . . . . . . . 5
1.2.3 Machine Learning Life Cycle . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . 8
1.2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . 8
1.2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . 9
1.2.4.3 Semi-supervised Learning . . . . . . . . . . . . . . . . . 10
1.2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . 10
1.2.5 Supervised Learning Algorithms . . . . . . . . . . . . . . . . . . . 10
1.2.5.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . 10
1.2.5.2 Support Vector Machine(SVM) . . . . . . . . . . . . . . 11
1.2.5.3 Artificial Neural Networks . . . . . . . . . . . . . . . . 15
1.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 How Deep Learning Works? . . . . . . . . . . . . . . . . . . . . . 22
1.3.3 Convolutional Neural Networks (CNN or ConvNets ) . . . . . . . . 22
1.3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3.2 CNN’s Architecture . . . . . . . . . . . . . . . . . . . . 22
1.3.4 The Recurrent Neural Network . . . . . . . . . . . . . . . . . . . 24
1.3.4.1 Long Short-Term memory Networks (LSTMs) . . . . . . 25
1.3.4.2 Diffrences With CNN [37] . . . . . . . . . . . . . . . . 26
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
i
2 NLP: Literature Review 28
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . . . . 28
2.3 Linguistic knowledge in NLP . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 NLP Difficulties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 How does NLP Works? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 Techniques to Understand Text . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1 Text Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1.1 Data Preprocessing . . . . . . . . . . . . . . . . . . . . 30
2.6.1.2 Feature Extraction . . . . . . . . . . . . . . . . . . . . . 31
2.6.1.3 Choosing ML Algorithms . . . . . . . . . . . . . . . . . 33
2.7 Applications of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 A Survey On Fake News Detection 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Fake News definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Type of False Informations . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.1 Categorization based on intent . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Categorization based on knowledge . . . . . . . . . . . . . . . . . 36
3.4 The factors influencing fake news consumptions . . . . . . . . . . . . . . . 36
3.5 Fake News Detection Methods . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 Fake News Datasets Sources . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Combining CNN-LSTM deep learning model for fake news detection 41
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Problem formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Proposed Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Dataset analysis phase . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1.1 Liar dataset: a benchmark dataset for fake news detection 42
4.3.2 Text preprocessing phase . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.2.1 Word representation phase . . . . . . . . . . . . . . . . . 47
4.3.3 The CNN-LSTM model construction . . . . . . . . . . . . . . . . 48
4.3.3.1 Convolutional Neural Networks Architecture . . . . . . . 48
4.3.3.2 Combaining CNN and LSTM . . . . . . . . . . . . . . . 49
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
ii
5 Implementation and Results 52
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.1 Deep learning frameworks . . . . . . . . . . . . . . . . . . . . . . 52
5.2.1.1 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1.2 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2.1 Anaconda Distribution . . . . . . . . . . . . . . . . . . . 53
5.2.2.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2.3 The Jupyter Notebook . . . . . . . . . . . . . . . . . . . 54
5.2.2.4 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.2.5 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.2.6 Matplotlib and Seaborn . . . . . . . . . . . . . . . . . . 54
5.2.2.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.2.8 NLTK and TextBlob . . . . . . . . . . . . . . . . . . . . 55
5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.1 Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.2 Classification accuracy . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.3 Classification report . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4 Implementation and experimental setup . . . . . . . . . . . . . . . . . . . 56
5.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Conclusion 63
Bibliography 64
iii
ListCôte titre : MAI/0325 En ligne : https://drive.google.com/file/d/1V_FNqtjnQEWbO33-FSmfv6XFXzZuLJOt/view?usp=shari [...] Format de la ressource électronique : Prediction Model For Verfication of information in Social Media [texte imprimé] / Ferhat ,Hamida, Auteur ; Drif, Ahlam, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (64 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Social Media
Fake News Detection
Feature Extraction words Embedding Techniques
Deep LearningIndex. décimale : 004 - Informatique Résumé : Due to the availability of the Internet and the willingness to share information via
social media, it is easy to create and disseminate false informations around the world. When
widely disseminated, this news can have a significant negative impact on many aspects of
life. For this reason,several researchs have been recently done to deal with fake news detection
challenge. The detection of fake news is the classification of news by its veracity.
Feature extraction is a critical task in fake news detection. Embedding techniques, such as
word embedding and deep neural networks, are attracting much attention for textual feature
extraction, and have the potential to learn better representations. In this master project, we
propose a joint Convolutional Neural Network model (CNN) and a Long Short Term Memory
(LSTM) recurrent neural network architecture, taking advantage of the coarse-grained local
features generated by CNN and long-distance dependencies learned via LSTM. An empirical
evaluation of our model shows good prediction accuracy of fake news detection, when
compared to SVM and CNN baselines.Note de contenu : Sommaire
List of Figures iv
List of Tables vi
General Introduction 1
1 Theoretical Background 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . 4
1.2.2 Features and applications of Machine Learning . . . . . . . . . . . 5
1.2.3 Machine Learning Life Cycle . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . 8
1.2.4.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . 8
1.2.4.2 Unsupervised Learning . . . . . . . . . . . . . . . . . . 9
1.2.4.3 Semi-supervised Learning . . . . . . . . . . . . . . . . . 10
1.2.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . 10
1.2.5 Supervised Learning Algorithms . . . . . . . . . . . . . . . . . . . 10
1.2.5.1 Logistic Regression . . . . . . . . . . . . . . . . . . . . 10
1.2.5.2 Support Vector Machine(SVM) . . . . . . . . . . . . . . 11
1.2.5.3 Artificial Neural Networks . . . . . . . . . . . . . . . . 15
1.3 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.2 How Deep Learning Works? . . . . . . . . . . . . . . . . . . . . . 22
1.3.3 Convolutional Neural Networks (CNN or ConvNets ) . . . . . . . . 22
1.3.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.3.2 CNN’s Architecture . . . . . . . . . . . . . . . . . . . . 22
1.3.4 The Recurrent Neural Network . . . . . . . . . . . . . . . . . . . 24
1.3.4.1 Long Short-Term memory Networks (LSTMs) . . . . . . 25
1.3.4.2 Diffrences With CNN [37] . . . . . . . . . . . . . . . . 26
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
i
2 NLP: Literature Review 28
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . . . . 28
2.3 Linguistic knowledge in NLP . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 NLP Difficulties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 How does NLP Works? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6 Techniques to Understand Text . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1 Text Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.6.1.1 Data Preprocessing . . . . . . . . . . . . . . . . . . . . 30
2.6.1.2 Feature Extraction . . . . . . . . . . . . . . . . . . . . . 31
2.6.1.3 Choosing ML Algorithms . . . . . . . . . . . . . . . . . 33
2.7 Applications of NLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 A Survey On Fake News Detection 35
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Fake News definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Type of False Informations . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.1 Categorization based on intent . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Categorization based on knowledge . . . . . . . . . . . . . . . . . 36
3.4 The factors influencing fake news consumptions . . . . . . . . . . . . . . . 36
3.5 Fake News Detection Methods . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 Fake News Datasets Sources . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Combining CNN-LSTM deep learning model for fake news detection 41
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2 Problem formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.3 Proposed Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1 Dataset analysis phase . . . . . . . . . . . . . . . . . . . . . . . . 42
4.3.1.1 Liar dataset: a benchmark dataset for fake news detection 42
4.3.2 Text preprocessing phase . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.2.1 Word representation phase . . . . . . . . . . . . . . . . . 47
4.3.3 The CNN-LSTM model construction . . . . . . . . . . . . . . . . 48
4.3.3.1 Convolutional Neural Networks Architecture . . . . . . . 48
4.3.3.2 Combaining CNN and LSTM . . . . . . . . . . . . . . . 49
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
ii
5 Implementation and Results 52
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.1 Deep learning frameworks . . . . . . . . . . . . . . . . . . . . . . 52
5.2.1.1 Tensorflow . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1.2 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2.1 Anaconda Distribution . . . . . . . . . . . . . . . . . . . 53
5.2.2.2 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2.3 The Jupyter Notebook . . . . . . . . . . . . . . . . . . . 54
5.2.2.4 Pandas . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.2.5 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.2.6 Matplotlib and Seaborn . . . . . . . . . . . . . . . . . . 54
5.2.2.7 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.2.8 NLTK and TextBlob . . . . . . . . . . . . . . . . . . . . 55
5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.1 Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.2 Classification accuracy . . . . . . . . . . . . . . . . . . . . . . . . 56
5.3.3 Classification report . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4 Implementation and experimental setup . . . . . . . . . . . . . . . . . . . 56
5.5 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Conclusion 63
Bibliography 64
iii
ListCôte titre : MAI/0325 En ligne : https://drive.google.com/file/d/1V_FNqtjnQEWbO33-FSmfv6XFXzZuLJOt/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0325 MAI/0325 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePrédiction des performances des apprenants en découvrant les relations inter-activités / Tlemcani ,Alaeddin
![]()
PermalinkPermalinkPrédiction théorique des propriétés physiques fondamentales de l'alliage quaternaire Ba 3Ca2Si2N6 / Hadji,Souad
![]()
PermalinkPréparation d’un Bio Adsorbant pour l’Elimination d’une Molécule Pharmaceutique à Base de l'hyposufate de Sodium / Lidya Chellal
![]()
PermalinkPréparation et caractérisation d’un biocatalyseur : Application dans la réaction de transestérification pour la synthèse de biocarburant / Dhiab Mihoubi
![]()
PermalinkPréparation et caractérisation d’un matériau d’électrode à base d’un semi-conducteur modifié par un film de polymère fonctionnalisé et contenant des particules métalliques / Khaniche, Brahim
![]()
PermalinkPermalinkPermalinkPermalinkPréparation de nouveaux ligands organiques : précurseurs de complexes organométalliques / FERDI, Houssam Eddine
![]()
PermalinkPréservation de la confidentialité des informations sensibles contenues dans des données publiées / HARAFA, Ibtissem
![]()
PermalinkPréservation de la confidentialité des informations sensibles contenues des données publiées / MEHNANA,Basma
PermalinkPermalinkPermalinkPermalinkLe Principe d’Inclusion-Exclusion: Généralisation et Applications en Combinatoire et Théorie des Nombres / Oualid Brazene
![]()
PermalinkPermalinkPermalinkPermalinkPermalinkProblématique des réservoirs gréseux à ciment Salifère - Cas des réservoirs Triasiques (Bassin Oued Mya)- / Sonia Taklit
![]()
PermalinkProblème antiplan de contact avec frottement pour des matériaux viscoélastiques a mémoire longue / Lydia Bekkar
![]()
PermalinkProblème de contact dynamique avec compliance normale et adhésion entre un corps électro-viscoélastique et une base conductrice / Safia Dellal
![]()
PermalinkProblème de contact dynamique avec compliance normale et adhésion entre un corps électro-viscoélastique-viscoplastique et une base déformable / Kanab ,Abd albasset
![]()
PermalinkProblème de contact quasistatique avec adhésion entre un corps électro-viscoélastique et une base conductrice / Narimane Maghni
PermalinkUn problème de contact en thermodynamique des structures viscoélastiques avec mémoire longue / Hizia Baitiche
![]()
PermalinkPermalinkPermalinkPermalinkProblème de couverture des frontières dansles réseaux de capteurs sans fil. / Belkadi ,Aya Maïssoune
![]()
PermalinkPermalinkPermalinkProblème D'écoulement d'un Fluide de Bingham non Isotherme dans un Domaine Mince avec frottement de Tresca / Bensalem ,Ibtissam
![]()
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink