L’objectif du projet de thèse est de mettre en place, en utilisant les sciences des données et les bases de données existantes, des indicateurs de performances initiales des engins de transport sous température dirigée et de suivre leur évolution dans le temps pour permettre aux utilisateurs de choisir leur matériel avec pertinence et de les gérer dans le temps avec efficience.
Construire des modèles numériques pour déterminer les performances et en suivre l’évolution
La mise en place de modèles pour calculer ces indicateurs et leur évolution et pour comparer les performances de différents engins, permettra de donner aux acteurs de la chaîne du froid les éléments de décisions pour l’amélioration des performances de ces équipements.
Intégrer les modèles numériques dans les plateformes métiers
Les modèles développés devront être intégrés dans les applications métier du Cemafroid comme DATAFRIG afin d’être utilisables en temps réel par les professionnels et offrir de nouveaux services à l’ensemble des professionnels.
Intégration des données
Le doctorant aura à intégrer l’ensemble des données disponibles sur la caractérisation des engins en particulier dans la base DATAFRIG, mais aussi les données disponibles des rapports d’essais de type des engins utilisées pour la certification CERTICOLD et pour les certificats d’économie d’énergie (CEE). L’intégration de données est un thème de recherche extrêmement étudié, qu’il conviendra de mettre en œuvre pour disposer d’une masse de données représentatives du contexte étudié. L’intégration de données externes, si possible ouvertes, liées par exemple aux conditions climatiques pourront enrichir le volume de données exploitables. Leur structuration et leur organisation permettront de disposer d’un gisement très important de données de performances jusqu’ici totalement inexploitées.
Elaboration d’indicateurs de performances
L’analyse des données proprement dite pourra se réaliser sur les milliers de tests effectués chaque année sur des engins neufs et sur les engins en service. En fonction des questions importantes que se pose les experts du domaine du froid, le doctorant aura tout d’abord à formaliser ces questions, à en déduire des indicateurs pertinents puis par raffinement successif, à proposer des modèles issus des techniques d’apprentissage automatique à partir des données. Il se focalisera sur les modèles dits « explicables », qui permettent d’éviter l’effet « boite noire » de l’intelligence artificielle. 
L’analyse numérique des données permettra d’élaborer des indicateurs de performance environnementale et économique des engins de transport sous température dirigée neufs et de suivre leur évolution dans le temps.
Ces indicateurs de performance permettront de caractériser les consommations énergétiques, les émissions polluantes, la durabilité des matériels et d’évaluer leur entretien et leur maintenance.
Des mesures complémentaires réalisées par les laboratoires permettront de vérifier le cas échéant certaines hypothèses et la pertinence physique de ces indicateurs.
Des allers-retours réguliers avec les experts du domaine seront nécessaires pour s’assurer de la pertinence des indicateurs.
Elaboration et intégration de modèles :
•    Les modèles
Les modèles permettront de calculer les indicateurs de performance, de les comparer à ceux d’engins identiques ou similaires et d’en prévoir l’évolution.
L’élaboration de modèles permettra de disposer d’outils de prévision des performances sur la durée de vie d’un engin et dans des conditions données d’utilisation.
•    Intégration des modèles dans les plateformes métiers
Ces modèles seront intégrés dans la nouvelle version de l’application nationale DATAFRIG afin de mettre à disposition des industriels du froid les indicateurs développés dans le cadre de la thèse.
L’intégration de ces modèles dans les plateformes métier du Cemafroid permettra de poursuivre leur apprentissage et l’amélioration de leurs performances dans le temps au fur et à mesure de l’intégration de nouvelles données. 
Les modèles intégrés aux plateformes permettront à l’utilisateur d’un engin d’en connaitre la performance à l’instant « t » et aux constructeurs de prédire les évolutions d’un modèle donné afin d’améliorer les performances de leurs produits.