[Proposition thèse 2021] Méta-modélisation pour l’optimisation globale multi-échelle pour les problèmes de synthèse de processus.

Encadrement

Équipe OPTIMIST, Loria

Encadrement : Bernardetta ADDIS (HDR)

bernardetta.addis@loria.fr

Mots clés

Optimisation globale, programmation mathématique, optimisation black-box  

Titre

Méta-modélisation pour l’optimisation globale multi-échelle des problèmes de synthèse de processus

 

Description

De nombreux problèmes d’optimisation issus d’applications réelles demandent d’optimiser la conception (et la gestion) de systèmes physiques pour atteindre un objectif donné en termes de qualité du produit ou de gain/coût global. Un exemple emblématique est celui des problèmes d’optimisation issus de la synthèse de procédés.

“La synthèse des procédés est l’assemblage et l’interconnexion d’unités dans un réseau de procédés – impliquant différents phénomènes physiques et chimiques pour transformer les entrées de matières premières et d’énergie en sorties souhaitées – dans le but d’optimiser les objectifs économiques, environnementaux et/ou sociaux ” (extrait de [1]).

Le défi de l’application de l’optimisation à la synthèse des procédés est double :

  • déterminer/dériver des modèles corrects représentant le système global,
  • développer des méthodes d’optimisation efficaces pour optimiser les modèles proposés.

Ces deux étapes sont strictement imbriquées. En effet, le modèle choisi influencera fortement l’efficacité de la méthode d’optimisation et le type de méthodes pouvant être utilisées pour résoudre le problème. Si le modèle est un modèle de programmation mathématique “classique”, alors les solveurs les plus avancés, ou les maths-heuristiques basées sur eux, peuvent être utilisés. Au contraire, si le modèle est une boîte noire (dans le cas de données provenant d’un simulateur ou d’expériences), les méthodes sans dérivation peuvent être plus appropriées.

La difficulté majeure de la résolution des problèmes de synthèse des procédés est liée à deux aspects différents. Premièrement, la synthèse des processus représente une grande famille de problèmes, très différents les uns des autres. Deuxièmement, même en considérant un cas spécifique, la complexité du système global est assez impressionnante.  Ces caractéristiques empêchent de disposer d’une stratégie unifiée pour résoudre ces problèmes. De plus, même si des modèles pour des cas spécifiques existent, ils ne sont souvent pas assez détaillés pour être d’une utilité pratique.

Dans l’état actuel de l’art, différentes stratégies de décomposition sont présentes. Ces approches sont de deux types celles basées sur différentes échelles du système [1,2], allant d’une représentation de haut niveau/simplifiée jusqu’à des modèles rigoureux, celles considérant le processus comme composé d’unités fonctionnelles interconnectées [3,4].

L’idée principale de la thèse est de combiner ces deux stratégies de décomposition pour tirer profit des connaissances déjà existantes sur la résolution de certains problèmes spécifiques de synthèse de procédé et, en même temps, de garder la taille et la complexité des sous-problèmes raisonnables pour les solveurs actuels de l’état de l’art, sans perdre le niveau de détail nécessaire. 

Le travail de la thèse se concentrera sur quelques études de cas spécifiques afin de développer un cadre de méta-modélisation pour considérer les deux stratégies de décomposition. L’interconnexion sera possible entre des sous-blocs d’échelles éventuellement différentes (connectivité de grille). Ce méta-modèle sera la base pour construire une stratégie d’optimisation globale. 

La stratégie d’optimisation globale décidera de manière “autonome” des parties du méta-modèle à optimiser et de l’échelle à utiliser pour chacune d’elles. L’utilisation de techniques d’apprentissage automatique pour guider le processus de recherche est une perspective prometteuse, comme l’ont déjà montré certaines recherches récentes en matière d’optimisation globale [5] et d’optimisation discrète [6].

 

Compétences

Compétences requises :

Excellentes compétences en programmation

Bonne connaissance de la programmation mathématique et de l’optimisation

 

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

[1] Qi Chen and I.E. Grossmann. Recent developments and challenges in optimization-

based process synthesis. Annual Review of Chemical and Biomolecular Engineering,

8(1):249–283, 2017. PMID: 28375774.

[2] Lorenz T. Biegler, Yi dong Lang, and Weijie Lin. Multi-scale optimization for

process systems engineering. Computers & Chemical Engineering, 60:17 – 30, 2014.

[3] Ligang Wang, Philip Voll, Matthias Lampe, Yongping Yang, and André Bardow.

Superstructure-free synthesis and optimization of thermal power plants. Energy,

91:700 – 711, 2015.

[4] Thibaut Neveux. Ab-initio process synthesis using evolutionary programming.

Chemical Engineering Science, 185:209 – 221, 2018.

[5] A. Cassioli, D. Di Lorenzo, M. Locatelli, F. Schoen, and M. Sciandrone. Ma-

chine learning for global optimization. Computational Optimization and Applications,

51(1):279–303, Jan 2012.

[6] Andrea Lodi and Giulia Zarpellon. On learning and branching: a survey. TOP,

25(2):207–236, Jul 2017.

 

Comment candidater

Date limite: 25 mai 2021 (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