Utilisation des méthodes de Machine Learning pour le génie des procédés et produits

On the use of Machine Learning modeling tools in chemical process and product engineering

• Auteur / Autrice : Cindy Trinh
• Direction : Dimitrios Meimaroglou, Sandrine Hoppe
• Type : Thèse de doctorat
• Discipline(s) : Génie des procédés, des produits et des molécules
• Date : Soutenance le 24/11/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale SIMPPé - Sciences et ingénierie des molécules, des produits, des procédés, et de l'énergie (Lorraine ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire réactions et génie des procédés
• Jury : Président / Présidente : Bernardetta Addis
• Jury : Examinateurs / Examinatrices : Dimitrios Meimaroglou, Sandrine Hoppe, Ludovic Montastruc, Florence Vermeire, Amanda Lemette Teixeira Brandão
• Jury : Rapporteur / Rapporteuse : Ludovic Montastruc, Florence Vermeire

Mots clés

Mots clés contrôlés

Modèles mathématiques

Polymérisation

Propriétés thermodynamiques

Molécules

QSAR (biochimie)

Analyse des données

Produits nouveaux

Conception technique

Apprentissage supervisé (intelligence artificielle)

Mots clés libres

Intelligence artificielle/Machine learning

Génie des produits

QSPR/QSAR

Propriétés thermodynamiques

Polymérisation

Modélisation mathématique

Artificial intelligence/Machine learning

Chemical product engineering

QSPR/QSAR

Thermodynamic properties

Polymerization

Mathematical modeling

Résumé

Les méthodes d'intelligence artificielle (IA) et de machine learning (ML) ont suscité un intérêt croissant au cours des dernières décennies, et le secteur du Génie des Produits (GdP) n'y échappe pas. En effet, ces méthodes basées sur les données, qui se sont beaucoup développées grâce à l'explosion des quantités de données et aux nombreux progrès techniques, sont parvenues à résoudre des problèmes complexes dans d'autres domaines. Par conséquent, elles pourraient s'avérer très intéressantes pour certains défis du GdP lorsque les approches classiques rencontrent des limites. Par exemple, les méthodes phénoménologiques (i.e., basées sur la description des mécanismes et phénomènes gouvernant un système), lorsqu'elles existent, ne parviennent pas toujours à capturer correctement le lien entre le procédé de fabrication, les structures et les propriétés d'usage des produits complexes du GdP. Cette thèse s'intéresse à l'utilisation des approches ML dans le cadre du GdP. Dans une première partie, le but est de dresser un état-de-l'art et de mieux comprendre les caractéristiques, avantages et limites de ces approches et la façon dont elles s'appliquent selon la nature des applications en GdP (ex : quantité de données limitée, représentation moléculaire complexe). Les principaux challenges du ML en GdP y sont également discutés. Dans une deuxième partie, l'objectif est de tester différentes approches ML sur deux applications concrètes du GdP. Celles-ci sont caractérisées par des objectifs et des types de données très différents, impactant donc les approches adoptées. La première application concerne le développement d'un modèle QSPR (relation quantitative structure à propriété) pour prédire deux propriétés thermodynamiques de molécules à partir de leurs caractéristiques structurelles et physico-chimiques. La particularité de cette application est l'approche multi-angle adoptée pour mieux visualiser et comprendre les méthodes possibles à chaque étape et leur impact sur le modèle obtenu. La deuxième application se focalise sur la modélisation d'un procédé de polymérisation du styrène en présence et absence de particules de pneus usagés pour prédire le taux de conversion du styrène en fonction des conditions opératoires. Des méthodes ML et des méthodes hybrides (combinant ML et modèle de connaissance) y sont développés, avec un intérêt particulier pour les Gaussian processes pour la partie ML afin de fournir l'incertitude des prédictions.

Artificial intelligence (AI) and machine learning (ML) methods have gained growing interest in recent decades, and the Chemical Product Engineering (CPE) sector is not exempt. Indeed, these data-driven methods, which have developed greatly thanks to the explosion of data availability and to various technical advances, have succeeded in solving complex problems in other fields. As a result, they could be very interesting for certain CPE challenges, when classical approaches reach their limits. For example, phenomenological methods (i.e., based on the description of the mechanisms and phenomena that drive a process), when they exist, do not always manage to correctly capture the link between the manufacturing process, structures and usage properties of complex CPE products. At the same time, the ML field contains a plethora of methods, sometimes difficult to master for newcomers, and these methods have certain limits. This thesis focuses on the use of ML approaches in the context of CPE. In the first part, the aim is to provide an overview and a better understanding of the characteristics, advantages and drawbacks of these approaches and how they apply depending on the nature of CPE applications (e.g. limited amount of data, complex molecular representation). The main challenges of ML in CPE are also discussed. In the second part, the goal is to test different ML approaches on two concrete CPE applications. These are characterized by very different objectives and data characteristics, thus impacting the adopted approaches. The first application concerns the development of a QSPR (quantitative structure-property relationship) model to predict two thermodynamic properties of molecules from their structural and physico-chemical characteristics. The special feature of this application lies in the multi-angle approach adopted to better visualize and understand the possible methods at each stage and their impact on the model obtained. The second application deals with the modeling of a styrene polymerization process in presence and absence of used tire particles, in order to predict the styrene conversion rate as a function of operating conditions. Both ML methods and hybrid ML/knowledge-based methods are developed, with a particular interest in Gaussian processes for the ML part, to provide uncertainty in predictions.