Approche centrée données massives et intelligence artificielle pour l'évaluation des systèmes industriels durables et circulaires : application à la valorisation des déchets lignocellulosiques

Big data and artificial intelligence-centered approach for the evaluation of sustainable and circular industrial systems : application to the valorization of lignocellulosic biomass

• Auteur / Autrice : Nancy Prioux
• Direction : Gilles Hétreux, Jean-Pierre Belaud
• Type : Thèse de doctorat
• Discipline(s) : Génie Industriel
• Date : Soutenance le 05/01/2023
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Systèmes (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de génie chimique (Toulouse ; 1992-....)
• Jury : Président / Présidente : Pascal Floquet
• Jury : Examinateurs / Examinatrices : Gilles Hétreux, Jean-Pierre Belaud, Pascal Floquet, Valérie Laforest
• Jury : Rapporteur / Rapporteuse : Jean-Marc Commenge, Dominique Millet

Mots clés

Mots clés contrôlés

Données massives

Intelligence artificielle

Mots clés libres

Procédés Industriels

Données massives

Développement Durable

Economie Circulaire

Pensée Cycle de Vie

Apprentissage automatique

Industrial Engineering

Big Data

Sustainability

Circular Economy

Life Cycle Thinking

Machine Learning

Résumé

Ces dernières années ont vu l'émergence de plans d'action pour le climat, le développement durable ou l'environnement comme le plan européen « Green Deal » de janvier 2020. L'un des principaux plans d'action, intitulé ''Plan d'action pour l'économie circulaire'', propose d'utiliser le modèle d'économie circulaire pour simuler l'utilisation de modèles durables. Dans ce contexte, les procédés et systèmes industriels se veulent plus durables et circulaires. Pour évaluer cette durabilité, de nombreuses approches existent et nécessitent un besoin de données, d’informations et de connaissances croissant. Par la transition digitale et l’émergence des données massives, de nombreuses données sont disponibles pour les industries. Qu'elles soient structurées ou non, sous différents formats (PDF, XML, HTML), et de différents types (Web, bases de données, articles scientifiques), les sources de données sont potentiellement des mines de connaissances qui peuvent compléter les analyses de la durabilité. Allant souvent de pair avec les données massives, l’intelligence artificielle apporte des méthodes pour extraire, traiter, analyser et visualiser ces données. De nombreux outils et méthodes sont désormais disponibles à cette fin grâce aux techniques du « Big Data » ou de l’intelligence artificielle comme l’apprentissage automatique. L’évaluation des systèmes industriels durables et circulaires peut bénéficier de ces technologies.Évaluer la durabilité d’un système ou d’un procédé regroupe maintenant un ensemble de méthodes en interaction les unes avec les autres. Cela s’explique par la quantité des données disponibles, la complexité grandissante des procédés industriels et des analyses de la durabilité plus globales.Les travaux de cette thèse s'intéressent à définir une approche centrée données massives et intelligence artificielle pour l’évaluation des systèmes industriels durables et circulaires. Un cadre méthodologique est développé afin de profiter des articles scientifiques et du web public, d’analyser ces données et de fournir un support pour aider à l’interprétation des résultats. Cette approche induit le couplage de quatre domaines d’intérêt : données massives, intelligence artificielle, analyses de la durabilité et procédés et systèmes industriels. La spécification de ce cadre permet de reconsidérer la façon d’exécuter les analyses de la durabilité. Il donne lieu à son application dans l’agro-industrie. Différentes trajectoires de valorisation des déchets lignocellulosiques sont étudiées selon deux principales dimensions, les intrants de type biomasse et les technologies de procédés. Ce cas d’étude soutient l’ingénierie circulaire et met à l’épreuve le cadre méthodologique proposé.

The last years have seen the emergence of action plans for climate, sustainable development or the environment such as the European ''Green Deal'' plan of January 2020. One of the main action plans, entitled ''Circular Economy Action Plan'', proposes to use the circular economy model to simulate the use of sustainable models. In this context, industrial processes and systems are intended to be more sustainable and circular. To assess this sustainability, many approaches exist and require an increasing need for data, information and knowledge. With the digital transition and the emergence of big data, a lot of data is available for industries. Whether structured or not, in different formats (PDF, XML, HTML), and of different types (Web, databases, scientific articles), data sources are potentially wealth of knowledge that can complement sustainability analyses. Often going hand-in-hand with massive data, artificial intelligence brings methods to extract, process, analyze and visualize these data. Many tools and methods are now available for this purpose thanks to ''Big Data'' techniques or artificial intelligence such as machine learning. Sustainability evaluation and circular industrial systems can benefit from these technologies.Assessing the sustainability of a system or process now brings together a set of methods that interact. This is due to the amount of data available, the increasing complexity of industrial processes, and more comprehensive sustainability analyses.The work of this thesis is interested in defining a big data and artificial approach driven approach for the evaluation of sustainable and circular industrial systems. A framework is developed in order to take advantage of scientific articles and the public web, to analyze these data and to provide support for the interpretation of the results. This approach induces the coupling of four domains of interest: massive data, artificial intelligence, sustainability analysis and industrial processes and systems. The specification of this framework allows to reconsider the way to perform sustainability analyses. It gives rise to its application in agribusiness. Different trajectories of lignocellulosic waste valorization are studied along two main dimensions, biomass inputs and process technologies. This case study supports circular engineering and tests the proposed methodological framework.