Modélisation prédictive pour le changement d'échelle de cultures de microalgues — du laboratoire au pilote

Predictive modeling for the scale-up of microalgae cultures — from laboratory to pilot scale

• Auteur / Autrice : Mélanie Pietri
• Direction : Sakina Chantoiseau-bensalem
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/09/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Laboratoire Lumière, Matière et Interfaces
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Modélisation

Microalgues

Changement d'échelle

Modeling

Microalgae

Scale-up

Résumé

Les microalgues représentent une ressource biologique d'intérêt majeur pour de nombreuses applications industrielles : biocarburants, alimentation, cosmétique, traitement des eaux et production de molécules à haute valeur ajoutée. Cependant, le passage de la culture en laboratoire à l'échelle industrielle en photobioréacteur reste un verrou scientifique et technologique important. Les performances observées à petite échelle ne se reproduisent pas directement à plus grande échelle, en raison de la modification des conditions d'éclairement, de mélange, de transfert de gaz et de dynamique des nutriments. Ce problème de changement d'échelle limite aujourd'hui le déploiement industriel des procédés à base de microalgues. L'objectif de cette thèse est de développer des outils de modélisation prédictive permettant d'anticiper le comportement de cultures de microalgues lors du changement d'échelle, du laboratoire à l'échelle pilote. Pour cela, plusieurs approches de modélisation sont explorées et comparées. La première repose sur la méthodologie des surfaces de réponse (RSM), une approche statistique permettant de caractériser l'influence de multiples facteurs environnementaux (lumière, température, concentration en nutriments) sur la croissance microalgale à partir de plans d'expériences structurés. La deuxième s'appuie sur des modèles mécanistes formulés sous forme d'équations différentielles ordinaires (ODE), décrivant les mécanismes biologiques sous-jacents à la croissance (absorption des nutriments, photosynthèse, division cellulaire). Une troisième approche, hybride, couple ces deux cadres : les surfaces de réponse alimentent les paramètres du modèle dynamique, combinant ainsi la flexibilité statistique avec la capacité prédictive des modèles mécanistes. Enfin, une quatrième approche fondée sur des réseaux de neurones récurrents profonds (LSTM) est envisagée pour la prédiction du comportement de croissance d'une échelle de culture à une autre. Ces approches sont développées et validées sur un jeu de données expérimental original comprenant plus de 1 300 courbes de croissance de deux espèces de microalgues (Chlamydomonas reinhardtii et Monoraphidium sp.), cultivées dans des conditions variées et à deux échelles distinctes. L'enjeu est d'évaluer la capacité de chaque approche à prédire la croissance dans des conditions non testées expérimentalement et à une échelle différente de celle utilisée pour la calibration. Au-delà du cadre principal, des travaux exploratoires complètent cette thèse : modélisation d'une coculture microalgue-bactérie par système d'ODE et approches de réduction de modèles issues de la théorie des réseaux de réactions biochimiques. L'ensemble de ces travaux s'inscrit dans une démarche visant à fournir des outils mathématiques opérationnels pour accompagner le dimensionnement et l'optimisation des procédés de culture de microalgues à l'échelle industrielle.

Microalgae are a biological resource of major interest for numerous industrial applications: biofuels, food and feed, cosmetics, wastewater treatment, and the production of high-value molecules. However, the transition from laboratory cultivation to industrial-scale photobioreactors remains a significant scientific and technological bottleneck. Performance observed at small scale does not directly translate to larger scale, owing to changes in light conditions, mixing, gas transfer, and nutrient dynamics. This scale-up challenge currently limits the industrial deployment of microalgae-based processes. The objective of this thesis is to develop predictive modeling tools to anticipate the behavior of microalgae cultures during scale-up, from laboratory to pilot scale. To this end, several modeling approaches are explored and compared. The first relies on response surface methodology (RSM), a statistical approach that characterizes the influence of multiple environmental factors (light, temperature, nutrient concentration) on microalgal growth using structured experimental designs. The second is based on mechanistic models formulated as ordinary differential equations (ODEs), describing the biological mechanisms underlying growth (nutrient uptake, photosynthesis, cell division). A third, hybrid approach couples these two frameworks: response surfaces feed the parameters of the dynamic model, thereby combining statistical flexibility with the predictive power of mechanistic models. Finally, a fourth approach based on deep recurrent neural networks (LSTM) is considered for predicting growth behavior from one cultivation scale to another. These approaches are developed and validated on an original experimental dataset comprising over 1,300 growth curves of two microalgae species (Chlamydomonas reinhardtii and Monoraphidium sp.), cultivated under varied conditions and at two distinct scales. The challenge is to assess the ability of each approach to predict growth under experimentally untested conditions and at a scale different from that used for calibration. Beyond the main framework, exploratory work complements this thesis: modeling of a microalga–bacterium coculture using ODE systems, and model reduction approaches derived from biochemical reaction network theory. Taken together, these contributions aim to provide operational mathematical tools to support the design and optimization of microalgae cultivation processes at industrial scale.