[Proposition thèse] Modèles d’apprentissage automatique pour la prédiction et la réduction de l’espace de recherche des procédés de séparation gazeuses et liquides

Encadrement

Équipe OPTIMIST, Loria

Encadrement : Bernardetta ADDIS (HDR)

bernardetta.addis@loria.fr

Co-encadrant: Christophe CASTEL (LRGP)

Mots clés

Optimisation globale, apprentissage automatique, génié de procédés  

Description

La synthèse des procédés joue un rôle central dans l’ingénierie des procédés. Plus spécifiquement, pour les applications à fort impact environnemental : la capture du CO2, la purification de l’hydrogène, le dessalement de l’eau de mer, et les procédés de traitement des eaux usées. Ces procédés de séparation sont généralement très énergivores et peuvent avoir des coûts économiques et environnementaux élevés s’ils ne sont pas bien conçus.
Bien qu’il existe des contributions scientifiques à la conception de procédés basés sur l’optimisation, celles-ci ne sont pas intégrées dans les pratiques industrielles [Chen2017]. Ce phénomène peut être expliqué par le manque de généralité des méthodes proposées et la simplification excessive de la modélisation des procédés. En effet, les modèles actuels basés sur des équations contiennent la discrétisation d’équations différentielles. Par conséquent, ils deviennent difficiles à résoudre lorsque la taille du problème est grande et que des variables discrètes sont impliquées [Floudas1998, Biegler2010, Belotti2013].
Une alternative possible est d’utiliser l’optimisation couplée à des approches basées sur la simulation. Cette stratégie souffre d’un autre problème : l’espace de recherche n’est pas défini mathématiquement et ne peut donc pas être exploré efficacement. En outre, la simulation est une procédure qui prend du temps, entraînant une convergence lente des méthodes d’optimisation résultantes [Neveux2019].
Une façon de combiner la qualité des deux approches est de travailler sur des modèles pilotés par les données. Notre groupe de recherche (impliquant les laboratoires LORIA et LRGP) a commencé à travailler dans cette direction pour les processus de séparation de gaz par membrane [Ramirez-Santos2018, Bozorg 2020]. L’idée est d’utiliser méthodes d’apprentissage automatique pour représenter le comportement physique de la membrane. Par exemple entrainant un modèle de réseau de neurones avec des données obtenues par simulation. Après l’entraînement, nous injectons l’équation directrice du réseau neuronal dans le modèle (au lieu d’utiliser les équations différentielles discrétisées). Deux facteurs importants sont liés au succès de la la méthode globale : la qualité du modèle de régression (dans notre exemple, le réseau de neurones) et l’introduction de contraintes supplémentaires pour limiter la recherche spatiale à des régions physiquement significatives. Par exemple, nous avons utilisé une machine à vecteur de support pour couper une partie de l’espace où la simulation ne peut pas converger. En effet, les méthodes d’optimisation basées sur les équations explorent
(implicitement) tout l’espace de recherche défini par le modèle. Par conséquent, le modèle global doit représenter uniquement l’espace de recherche physiquement significatif. Des résultats préliminaires [Addis2020] montrent que cette stratégie conduit à un algorithme d’optimisation rapide et stable.
Motivés par ces résultats, nous avons décidé d’étendre ce travail à d’autres processus de séparation et d’explorer différentes approches d’apprentissage automatique pour obtenir les modèles nécessaires. Nous nous concentrerons d’abord sur la séparation par membrane liquide, un problème similaire à celui du gaz, mais caractérisé par des équations physiques plus compliquées. Ensuite, nous nous intéresserons aux processus de séparation hybrides et aux systèmes réactifs.
La thèse se concentrera sur la proposition et l’entraînement de nouveaux modèles pour représenter la physique des différents composants du système (membranes de séparation liquide, réacteurs, etc.). Les modèles de régression et de classification seront étudiés. Les modèles de régression pour prédire les comportements physiques de chaque dispositif. Les modèles de classification pour la réduction de l’espace. La réduction de l’espace doit permettre de supprimer des régions n’ayant aucune signification physique. De plus, elle peut permettre de supprimer les régions non prometteuses d’un point de vue énergétique. Cette deuxième caractéristique peut renforcer la stratégie de recherche successive. L’objectif est de produire des modèles prédictifs de haute qualité, avec la structure la plus simple. En effet, les modèles résultants doivent être intégrés dans une stratégie d’optimisation. La possibilité de les traduire en un système d’équations est d’une importance capitale. Le travail commencera par les membranes pour la séparation des liquides, ce qui est l’extension naturelle de notre travail préliminaire, puis passera aux modèles de réaction. Tous les modèles produits seront validés sur plusieurs cas industriels en utilisant l’outil de simulation [Bounaceur2016] et les données fournies par le LRGP.

Compétences

Compétences requises :

Bonne compétences en programmation

Bonne connaissance de l’optimisation et de l’apprentissage automatique

 

Compétences souhaitées :

optimisation non linéaire

 

Compétences souhaitées (mais non obligatoires) :

optimisation globale

connaissance de la bibliothèque pyomo

 

Le candidat doit parler couramment l’anglais (thèse en cotutelle avec l’Italie).

Bibliographie

[Addis2020] B. Addis, A. Calamita, C. Castel, F. Di Luzio, E. Favre, A. Macali, V. Piccialli.
“Membrane Separation Processes Using Machine Learning Based Mathematical Programming
Models”, Annual conference of the Institute for Operations Research and the Management
Sciences (INFORMS20), online meeting 7-13 November 2020
[Belotti2013] P. Belotti, C. Kirches, S. Leyffer, J. Linderoth, J. Luedtke, A. Mahajan.
“Mixed-integer nonlinear optimization”. Acta Numerica, 22, 1-131, 2013.
[Biegler2010] L.T. Biegler. “Nonlinear Programming: Concepts, Algorithms, and Applications to
Chemical Processes”, MOS–SIAM Series on Optimization, 2010.
[Bounaceur2016] R. Bounaceur, E. Berger, M. Pfister, A. A. Ramirez Santos, E. Favre.
“Rigorous variable permeability modelling and process simulation for the design of polymeric
membrane gas separation units: MEMSIC simulation tool”, Journal of Membrane Science,
Elsevier, 2016, 523, pp.77 – 91.
[Bozorg 2020] M. Bozorg, Álvaro A. Ramı r ́ ez-Santos, B. Addis, V. Piccialli, C. Castel, E. Favre,
”Optimal process design of biogas upgrading membrane systems: Polymeric vs high
performance inorganic membrane materials”, Chemical Engineering Science 225, 115769, 2020
[Chen2017] A. Chen, I. Grossmann. “Recent developments and challenges in
optimization-based process synthesis”. Ann. Rev. Chem. Biomolec. Eng. 8 (1), 249–283, 2017.
[Floudas1998] C.A. Floudas. “Nonlinear and Mixed–Integer Optimization. Fundamentals and
Applications”. Oxford University Press, 1998.
[Neveux2019] T. Neveux, B. Addis, C. Castel, V. Piccialli, E. Favre. “Comparison of process
synthesis methods: case study of the design of membrane separation processes”, The 12th
EUROPEAN CONGRESS OF CHEMICAL ENGINEERING, Florence 15-19 September 2019
[Ramirez-Santos2018] A. A. Ramirez-Santos, M. Bozorg, B. Addis, V. Piccialli, C. Castel, E.
Favre. ”Optimization of multistage membrane gas separation processes. Example of application
to CO2 capture from blast furnace gas”, Journal of Membrane Science, 566, pp 346-366, 2018

 

Comment candidatér

Date limite: 16 mai 2022 (Minuit heure de Paris)

Les candidatures doivent être envoyées dans les plus brefs délais.

Envoyez un fichier avec les pièces suivantes.

  • Votre CV;
  • Une lettre de motivation / de motivation décrivant votre intérêt pour ce sujet;
  • Une brève description (une page maximum) de votre mémoire de Master (ou équivalent) ou du travail en cours s’il n’est pas encore terminé ;
  • Vos diplômes et relevés de notes pour la Licence et le Master (ou les 5 dernières années);

De plus, une lettre de recommandation de la personne qui encadre ou a encadré votre mémoire de Master (ou projet de recherche ou stage) est la bienvenue.

Logo d'Inria