Digital process monitoring par l'analyse en ligne de l'effluent total en proche infrarouge pour déterminer les qualités produits de coupes

Digital process monitoring by online analysis of the total effluent in near infrared to determine the product qualities of cuts

• Auteur / Autrice : Jhon Buendia Garcia
• Direction : Jean-Michel Roger, Ryad Bendoula
• Type : Thèse de doctorat
• Discipline(s) : Génie des procédés
• Date : Soutenance le 12/07/2022
• Etablissement(s) : Montpellier, SupAgro
• Ecole(s) doctorale(s) : GAIA (Montpellier ; École Doctorale ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : ITAP Information et Technologie pour les Agro-Procédés INRAE SupAgro Montpellier
• Jury : Président / Présidente : Douglas N. Rutledge
• Jury : Examinateurs / Examinatrices : Ryad Bendoula, Douglas N. Rutledge, Marina Cocchi, Nida Sheibat-Othman, Nadège Brun, Julien Gornay
• Jury : Rapporteurs / Rapporteuses : Marina Cocchi, Nida Sheibat-Othman

Mots clés

Mots clés libres

Spectroscopie proche infrarouge

Analyse en ligne

Data science

Chimiométrie

Procédé

Énergie

Near infrared spectroscopy

Online analysis

Data science

Chemometrics

Process

Energy

Résumé

Dans le cadre de sa transformation digitale, IFPEN souhaite intensifier le monitoring digital de ses unités pilotes pour les suivre en temps réel afin de gagner en efficience expérimentale et analytique. L'utilisation de techniques analytiques en ligne sur les procédés, telles que la chromatographie en phase gazeuse ou encore les spectroscopies vibrationnelles, en particulier la spectroscopie proche infrarouge (SPIR), fait partie intégrante de la supervision des procédés utilisée pour le contrôle en ligne dans différents domaines depuis plusieurs années dans la démarche PAT (Process Analytical Technology). La SPIR requiert l'utilisation de traitements de signal adaptés couplés à des méthodes chimiométriques afin d'extraire l'information pertinente pour prédire ou suivre une propriété d'intérêt. Cette méthode classiquement utilisée sur de coupes de produits dans le milieu pétrolier, nécessite de suivre un schéma analytique long et complexe. L'approche en rupture proposée dans le cadre de cette thèse est de prédire les propriétés des coupes à partir de l'analyse proche infrarouge d'un effluent total, donc, sans passer par la distillation physique de cet effluent. Un verrou à lever sera de pouvoir identifier des descripteurs pertinents, permettant de s'affranchir de la variabilité intrinsèque aux évolutions des procédés et d'obtenir des modèles robustes au changement des conditions d'analyse en ligne (température, pression, débit) et aux procédés (charge, conversion…). Pour y parvenir, l'utilisation d'algorithmes de Machines Learning non-linéaires et de réseaux de neurones est envisagé. L'enjeu sera également de mettre en place une gestion des données en entrée et en sortie, en détectant des points aberrants pour permettre un monitoring optimal des unités.

As part of its digital transformation, IFPEN wishes to intensify the digital monitoring of its pilot units to monitor them in real time in order to gain in experimental and analytical efficiency. The use of online analytical techniques on processes, such as gas chromatography or vibration spectroscopy, in particular near infrared spectroscopy (NIRS), has been an integral part of the process supervision used for online control in different fields for several years in the Process Analytical Technology (PAT) approach. NIR requires the use of adapted signal processing coupled with chemometric methods to extract relevant information to predict or track a property of interest. This method, traditionally used on product cuts in the oil industry, requires a long and complex analytical scheme. The breakthrough approach proposed in this thesis is to predict the properties of the sections based on the near-infrared analysis of a total effluent, therefore, without going through the physical distillation of this effluent. A lock to be lifted will be to be able to identify relevant descriptors, making it possible to avoid the intrinsic variability of process evolutions and to obtain models that are robust to changes in online analysis conditions (temperature, pressure, flow) and processes (feed, conversion, etc.). To achieve this, the use of non-linear Machine Learning algorithms and neural networks is being considered. The challenge will also be to set up input and output data management, by detecting outliers to allow optimal monitoring of the units.