Génération de datasets publics de procédés de pertinence industrielle - Nancy
Direction Conception Modélisation Procédés

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Génération de datasets publics de procédés de pertinence industrielle

Les méthodes de Machine Learning appliquées en Génie des Procédés ont démontré leur pertinence sur de nombreuses applications : modèles de substitution d’unités, de procédés ou de critères de performance, modèles de classification ou de clustering, etc.

Néanmoins, ces mises en œuvre portent généralement sur des données confidentielles : il existe très peu de jeux de données publics représentatifs de la complexité réelle des procédés industriels. Il est donc impossible pour la communauté de comparer les performances de nouvelles méthodes de modélisation avec les méthodes publiées dans la littérature, faute d’accès aux données originales.

Pour combler ce manque et permettre des benchmarks méthodologiques transparents et objectifs, le groupe de travail DIP (Digitalisation et Ingénierie des Procédés) de la SFGP (Société Française de Génie des Procédés) a lancé une action visant à développer, tester et rendre publics des datasets possédant des caractéristiques pertinentes représentatives de la réalité industrielle. Ce travail sera réalisé en interaction avec le GT DIP.

Ce travail s’intéressera plus précisément à des données synthétiques, issues de fichiers de simulations de procédés, déjà rendus publics par leur auteurs.

Les étapes consisteront à :

• Recenser les simulations de procédés disponibles publiquement, en considérant les principaux simulateurs de procédés tels que ASPEN, PROSIM, gPROMS, COCO, DWSIM, ProII, etc.
• Filtrer les simulations recensées selon des critères discutés avec les partenaires industriels du GT DIP, tels que la présence de réacteurs, de séparateurs, de mélanges contenant plus de 3 espèces, de boucles de recyclage et des critères de faisabilité tels que le temps de simulation, etc.
• Exploiter les simulations retenues pour générer des datasets (plans de simulations) et les tester. Pour plusieurs critères de construction des plans de simulations (balayage en grille, aléatoire, distributions spécifiques, densités de points, etc.):
  • Choisir un objectif d’exploitation des données (modèle de substitution d’unité, de procédés, ou de critère, ou modèle de classification ou de clustering),
  • Construire le dataset par le plan de simulations considéré,
  • Construire les modèles de machine learning (réseau de neurones, SVR, Gradient Boosting, forêt aléatoire, etc.),
  • Comparer les performances des modèles (taux d’erreurs, temps de calcul, etc.),
  • Comparer les choix de construction des dataset.
  • Si le temps le permet, utilisation de modèles hybrides
• Comparer les différents cas étudiés et préparer les datasets pour mise à disposition publique.

Le travail de machine learning sera réalisé en Python préférentiellement avec la possibilité d’utiliser des trames de scripts déjà disponibles.

La connaissance d’au moins un logiciel de simulation (ASPEN, PROSIM…) est indispensable.

Profil Recherché

Ingénieur procédé avec une expérience de programmation en Python

Information supplémentaire

Durée du stage : 6 mois
Démarrage : 2027
Lieu : LRGP, Nancy

Laboratoire : LRGP
Groupe de recherche : PRIMO

Responsables

• COMMENGE Jean Marc, Professeur ENSIC, membre du GT DIP SFGP,
• CELSE Benoit, IFPEN, Co-coordinateur du GT DIP SFGP,
• PINA-MARTINEZ, Andrés, Maître des conférences ENSIC,