Monitoring des procédés de cristallisation par émission acoustique assistée par intelligence artificielle

Monitoring of crystallization processes by acoustic emission assisted by artificial intelligence

• Auteur / Autrice : Anouar Zahran
• Direction : Eric Serris, Nathalie Godin
• Type : Projet de thèse
• Discipline(s) : Génie des procédés
• Date : Inscription en doctorat le 01/10/2025
• Etablissement(s) : Saint-Etienne, EMSE
• Ecole(s) doctorale(s) : SIS - Sciences Ingénierie Santé
• Partenaire(s) de recherche : Laboratoire : LGF - Laboratoire Georges Friedel

Mots clés

Mots clés libres

Emission acoustique

Cristallisation

Monitoring

Intelligence artificielle

Acoustic emission

Monitoring

Crystallization

Artificial intelligence

Résumé

L'objectif de ce projet de thèse est de suivre les procédés de cristallisation à l'aide de la technique d'émission acoustique (EA). Lors de la cristallisation, plusieurs mécanismes tels que la germination, la croissance, la germination secondaire ou encore les chocs entre particules génèrent des signaux acoustiques détectables via des capteurs piézoélectriques. Ces signaux seront analysés à l'aide de méthodes de traitement du signal et d'outils de science des données. Cette méthode présente l'avantage d'être totalement passive et non intrusive. Elle permet, à travers l'analyse des signaux EA, d'identifier la nature et la source des phénomènes mis en jeu. Une base de données conséquente sera construite afin d'associer chaque signal à son mécanisme source. Le but est de développer un modèle capable d'attribuer une signature acoustique à chaque phénomène physico-chimique observé, pour une application future au suivi de procédés industriels en temps réel. Le travail s'inscrira dans une démarche de Prognostics and Health Management (PHM) avec les étapes suivantes : Acquisition des signaux EA, traitement et extraction de descripteurs temporels et fréquentiels ; Identification des signatures acoustiques propres à chaque mécanisme ; Création d'une bibliothèque de signaux et développement d'un modèle par apprentissage automatique ; Application du modèle pour l'aide à la décision. L'un des défis scientifiques du projet est de localiser et différencier dans le temps et l'espace les mécanismes responsables des signaux EA. Pour cela, la méthodologie s'inspirera de celles utilisées dans les domaines du suivi de corrosion et de l'endommagement des matériaux composites : dendrogrammes, ACP, Laplacian Score, k plus proches voisins, forêts d'arbres décisionnels, cartes de Kohonen, etc. Enfin, le projet prévoit également l'étude de divers produits cibles (organiques, minéraux…) et types de cristallisation pour enrichir la diversité des cas étudiés. Une modélisation des sources d'EA et de la propagation des ondes dans ce milieu multiphasique pourra également être envisagée, en s'appuyant notamment sur les travaux menés par l'équipe de l'INSA Lyon.

The objective of this PhD project is to monitor crystallization processes using acoustic emission (AE) techniques. During crystallization, various mechanisms—such as nucleation, growth, secondary nucleation, and particle collisions—generate acoustic signals that can be detected by piezoelectric sensors. These signals will be analyzed using signal processing methods and data science approaches. This monitoring technique has the advantage of being completely passive and non-intrusive. It allows for the identification of the nature and source of physical phenomena through the analysis of AE signals. A comprehensive database will be built to associate each signal with its source mechanism. The ultimate goal is to develop a model capable of assigning an acoustic signature to each physicochemical phenomenon, which can then be used in industrial processes for real-time decision-making. The work is part of a Prognostics and Health Management (PHM) approach and will follow these steps: Acquisition and processing of AE signals, and extraction of descriptors in both time and frequency domains; Identification of the acoustic signature of each source mechanism; Creation of a signal library and development of a machine learning-based model; Application of the model for decision support. A major scientific challenge is to differentiate and localize the physical phenomena in both time and space. To address this, the project will draw on methodologies from the fields of corrosion monitoring and composite material damage assessment, such as dendrograms, PCA, Laplacian Score, k-nearest neighbors, decision trees, and Kohonen maps. The project will also involve the study of various target substances (organic, mineral...) and types of crystallization to ensure system diversity. Additionally, modeling of AE sources and wave propagation in this multiphase medium will be explored—building on existing research conducted by the team at INSA Lyon—to help validate the acoustic signatures of the different source mechanisms.