WORK IN PROCESS N°2

WORK IN PROCESS

Plongez dans le quotidien des équipes de Processium à travers une série d’entretiens qui donnent la parole à celles et ceux qui pilotent nos projets au quotidien. Une immersion au cœur du savoir-faire, des parcours et de la passion qui font vivre notre entreprise.

N°2 – L’ère du numérique

Depuis ses débuts en génie chimique à Lisbonne jusqu’à la publication de travaux salués par la communauté scientifique internationale, PhD Rita Ferreira Alves a toujours suivi un fil conducteur : comprendre, modéliser et prédire le comportement des procédés complexes. De la modélisation sur mesure aux outils d’aide au choix de technologies, en passant par l’IA, son travail témoigne d’une rigueur et d’une vision qui résonnent fortement avec l’ADN de Processium. Aujourd’hui, elle partage son regard sur l’ère du numérique dans le développement de procédés industriels et sur la place croissante que la modélisation occupe dans cette transformation.

J’ai commencé mes études en génie chimique à l’Instituto Superior Téchnico (l’Université de Lisbonne) en 2009. Dès la première année, j’ai compris que ce n’était pas le travail expérimental en laboratoire qui me passionnait le plus, mais plutôt l’analyse et le traitement des données qui en découlaient. C’est vraiment le début de ma passion pour la modélisation et cette même année, je me suis inscrite à un cours de Matlab, en complément des cours de Fortran (un langage de programmation très en vogue à l’époque).

Pour mon stage de 2ème année de master, je suis arrivée en France au laboratoire CP2M. Le sujet de mon stage – la modélisation d’un réacteur pour la polymérisation de l’éthylène – est devenu le sujet de ma thèse, durant laquelle j’ai travaillé sur une modélisation multi échelle d’un réacteur lit fluidiser pour la production de polyéthylène en phase gazeuse. C’était un modèle très compliqué à coder. Cela m’a pris quatre ans à développer puisqu’il n’y avait absolument aucune base de travail existante. Nous avons finalement publié quatre articles autour de cette thèse qui ont été très bien reçus par la communauté scientifique internationale.

Après ma thèse, en 2021, j’ai rejoint Processium en tant qu’ingénieure procédés. J’ai eu la chance d’intégrer une entreprise avec un fort potentiel en matière de modélisation, au cœur d’un environnement dédié à la R&D. Très vite, les premiers travaux de modélisation avancée ont vu le jour. Nous avons créé plusieurs groupes de travail autour de Matlab et du développement de modèles pour les réacteurs chimiques, avant d’étendre ces réflexions à d’autres thématiques comme l’adsorption ou la fermentation.

À partir de 2023, j’ai pris la tête d’une petite équipe “Compétences numériques”, aujourd’hui composée de quatre ingénieurs, d’un alternant et de moi-même en tant que responsable projet. Ensemble, nous avons élargi notre champ d’expertise au-delà de Matlab, en travaillant de manière toujours plus collaborative avec le reste des équipes de Processium. Et nous avons également intégré les compétences IA dans notre équipe.

Chez Processium, nous utilisons plusieurs outils numériques qui se complètent à différentes étapes de nos projets de modélisation. La base, c’est e-thermo. C’est grâce à lui que nous disposons de toutes les données thermodynamiques nécessaires qui servent ensuite d’entrée à nos modèles. En quelque sorte, e-thermo, c’est notre socle commun : toutes nos modélisations partent de là. Ensuite, nous utilisons des outils comme Procip, qui nous permet de choisir la technologie de réaction la plus adaptée en fonction du cahier des charges du client.

Enfin, chez Processium, on aime garder une approche pragmatique : on privilégie toujours la solution la plus simple et la plus robuste avant de chercher la complexité. C’est pour cela que nous commencerons toujours nos modélisations avec les outils commerciaux (Aspen Plus, Prosim). Si la modélisation ne fonctionne pas sur ces outils-là, nous complexifierons avec des outils de développement personnalisé (Matlab, Python…). Pour les développements en intelligence artificiel, nous utilisons principalement des bibliothèques python.

La partie modélisation c’est le croisement de deux mondes différents : la partie codage et la partie métier et c’est à ce carrefour que se trouve mon équipe et moi-même.

Nous utilisons la modélisation dans différentes phases du développement de procédés. Nous pouvons l’utiliser pour venir orienter la validation expérimentale à réaliser ou pour nous aider à définir les essais à réaliser. Elle peut aussi servir pour nous aider à comprendre ce qu’il s’est passé pendant les essais. Si j’utilise mon modèle pour prédire les résultats de l’essai, je peux aller y chercher l’information qui peut me manquer dans mon développement/design de procédés.

Un dernier cas d’usage est pour réaliser la mise à échelle d’une opération unitaire. C’est la principale source d’utilisation de la modélisation : réaliser le scale up et minimiser les risques associés. Nous pouvons accompagner chaque étape de ce scale-up avec la modélisation. C’est un énorme gain de temps et d’argent, tout en minimisant les consommations d’énergie, génération d’effluent… Même en termes environnemental, c’est 100% plus respectueux de passer par une modélisation que par des essais labo.

Nous avons récemment travaillé sur un cas d’étude particulièrement intéressant : un client nous a sollicités pour l’industrialisation d’une réaction de polymérisation très exothermique. Dans ce type de procédé, la température augmente fortement, ce qui peut altérer les propriétés des polymères produits. Le client ne savait pas comment maîtriser ce phénomène. Grâce à Procip, nous avons d’abord pu réaliser un premier screening des différentes technologies de réaction envisageables. Ensuite, à l’aide d’une modélisation plus fine, nous avons sélectionné la technologie la plus adaptée et proposé un design de réacteur qu’ils ont ensuite pu tester en interne. Résultat : le client a gagné un temps considérable sur la phase d’essais en laboratoire. Pour nous, le développement du modèle et la restitution des résultats ont pris environ trois mois, alors qu’une approche classique aurait nécessité bien davantage de temps.

Le principal défi, c’est souvent le manque de données expérimentales. Lorsqu’un modèle ne peut pas être confronté à des données issues du laboratoire, il existe toujours un risque qu’il ne soit pas totalement représentatif de la réalité. C’est particulièrement vrai pour les nouvelles molécules, encore peu documentées, pour lesquelles il est difficile d’alimenter correctement un modèle sans essais expérimentaux. La modélisation n’est donc pas une solution magique qui viendrait remplacer l’expérimentation : c’est une approche complémentaire. Elle n’intervient généralement qu’après l’acquisition des données de base, afin d’éviter que de mauvaises données en « entrée » entraînent de mauvais résultats en « sortie ». C’est là que l’expérience humaine joue un rôle clé pour savoir évaluer le niveau de confiance que l’on peut accorder à un modèle. D’ailleurs, plus on pratique la modélisation, plus on prend conscience de sa complexité et de ses incertitudes. Il est possible d’être sûr que les équations mathématiques utilisées soient correctes sans pour autant être sûr que la réalité soit correctement représentée (et vice versa).

En 2022, j’ai commencé à me former à l’intelligence artificielle appliquée au génie des procédés à l’Université Technique du Danemark, et dès 2024, nous avons commencé à implémenter l’IA dans les développements numériques de Processium. La thermodynamique est actuellement le domaine du génie des procédés où les données sont les plus abondantes et exploitables pour l’IA. Des bases de données comme E-thermo permettent déjà d’entraîner nos modèles d’IA pour prédire des propriétés physiques, et c’est un projet que nous développons activement en interne.

Aujourd’hui, l’IA peut intervenir à toutes les étapes du développement de procédés, ainsi que dans leur pilotage industriel une fois qu’ils sont opérationnels. Le génie des procédés est un domaine particulier, contrairement à des modèles comme ChatGPT, qui sont entraînés sur d’immenses volumes de données, notre objectif n’est pas de former l’IA sur une masse gigantesque d’informations, mais plutôt de vérifier et d’optimiser le procédé grâce à des données générées en continu.

Pour moi c’est le prochain gros boom que connaitra le secteur dans les prochaines années viendra des outils d’analyse en ligne, capables de réaliser des analyses quasi-instantanées. Ces outils permettront d’obtenir un volume de données inédit. Une fois ces données disponibles à l’instant T, nous pourrons développer des outils de simulation et de modélisation hybrides, combinant numérique et IA en temps réel. Processium est dès aujourd’hui pleinement impliqué dans le développement de l’IA, pour le moment nous réalisons des preuves de concept sur différents sujets, avant de pourvoir proposer de nouvelles offres à nos clients et déployer en interne des outils d’aide aux ingénieurs.

Moi, je dirais que mon métier ressemble à la création d’un jeu vidéo. Dans un jeu vidéo, on imagine tout un monde, avec un personnage principal qui doit évoluer et accomplir différentes missions. Ce monde est conçu par quelqu’un, et mon travail est un peu similaire. L’usine devient le monde de mon jeu, le produit est le personnage principal, et ses missions correspondent aux transformations chimiques que je dois modéliser et simuler pour obtenir le produit final souhaité. Mon rôle, c’est un peu comme si j’optimisais le jeu avec le but de trouver comment mon personnage peut atteindre son objectif le plus rapidement possible.