Sigles, notations et symboles
Méthodes d’intelligence artificielle et de fouille de données appliquées en génie des procédés

Les méthodes d’intelligence artificielle (IA) et de traitement de données massives ont démontré leur pertinence dans beaucoup de domaines grâce à leur capacité à résoudre des problèmes complexes, souvent difficiles à formuler explicitement (traduction multilingue, génération d’images, conduite autonome…). Or, le génie des procédés et des produits est une science interdisciplinaire de la complexité : (i) complexité des phénomènes physiques et chimiques (chimie, transfert, hydrodynamique…), (ii) complexité des fonctions d’usage (réactivité d’un intermédiaire, capacité énergétique d’un carburant, viscosité d’un polymère…), (iii) complexité des milieux (mélanges, produits formulés, milieux biologiques…), (iv) complexité des secteurs d’applications (semi-conducteurs, alimentaire, pharmaceutique…), (v) complexité des installations opérées (réacteurs, séparateurs, procédés…) et (vi) complexité des stratégies de gestion (régulation, chaîne logistique, planification…). De plus, le génie des procédés et des produits opère dans un marché fluctuant et hautement concurrentiel, où les industries doivent se différencier en développant des produits innovants, rapidement et économiquement, tout en garantissant qualité, performance et production durable.

Il paraît donc naturel que les méthodes d’IA aient un rôle à jouer en génie des procédés. L’explosion récente de ces méthodes pourrait laisser penser qu’il s’agit d’une nouveauté, mais des liens existent depuis longtemps : modèles de tendance basés sur des données depuis le début du XX^e siècle, systèmes experts dans les années 1980-1990, etc. La compréhension des couplages et l’extrapolation en échelle étant des préoccupations constantes en génie des procédés, de nombreuses démarches de traitement de données et de modélisation sont d’utilisation courante : la régression multilinéaire (MLR) et l’analyse en composantes principales (ACP) font partie du syllabus de nombreuses formations initiales en génie des procédés. Une analyse documentaire met en évidence l'utilisation des méthodes d'apprentissage supervisé et des méthodes hybrides, non supervisées et combinatoires. Si les méthodes semi-supervisées et par renforcement restent marginales, elles croissent et ouvrent des perspectives nouvelles dont la communauté commence à s’emparer. Mais de nouvelles méthodes émergent régulièrement, se basant parfois sur des logiques très nouvelles. Cet article vise donc à faire le point sur les méthodes d’IA utilisées en génie des procédés, leurs logiques, leurs spécificités et leur pertinence par rapport à un besoin applicatif, puis à élargir cette vue aux méthodes les plus prometteuses.

Qu’un ingénieur en génie des procédés s’intéresse à la transformation optimale de matières premières en produits, ou qu’il développe des produits nouveaux, beaucoup de son temps consiste à manipuler des données. Ces données sont comparées, regroupées, classées, filtrées, régressées, etc. Ces fonctions élémentaires peuvent être traitées par des méthodes dédiées (regroupement par k-moyennes, recherche de descripteurs par ACP, régression par réseaux de neurones, etc.), l’expertise de l’ingénieur consistant à enchaîner les étapes de façon cohérente et fiable pour atteindre son objectif. Par leur adaptabilité, les méthodes d’IA intègrent ces étapes et automatisent le choix et l’enchaînement des fonctions dans une démarche unique, l’apprentissage profond. Elles parviennent à modéliser les relations complexes entre caractéristiques des ingrédients, conditions du procédé et propriétés du produit, sur la base de mesures sans exiger de connaissances théoriques. Cette efficacité est séduisante car elle simplifie le processus chronophage de développement de modèles phénoménologiques. Mais, elle s’accompagne d’une perte de signification physique et d’une incertitude significative en extrapolation. Le questionnement de l’ingénieur change : comment bénéficier de ces nouvelles méthodes tout en assurant leur cohérence physique dans le contexte du génie des procédés ?

Pour répondre à cette question, cet article reviendra d’abord sur la caractérisation des données qui sont au cœur de la démarche, puis présentera brièvement les méthodes d’intelligence artificielle, leurs spécificités et les types de problèmes qu’elles abordent, en fournissant les références nécessaires à une compréhension plus fine de leur mise en œuvre. Les fonctions de clustering, de classification, de régression et de réduction de dimensionnalité seront décrites. Il développera ensuite l’application de ces méthodes à plusieurs domaines : la modélisation de systèmes complexes, l’accélération des phases de développement et d’optimisation, le suivi de production, la surveillance, la régulation, la maintenance, la conception et la découverte de molécules, l'analyse sensorielle et la prédiction des réactions. Les applications couvriront des secteurs tels que les gaz industriels, la science des matériaux, l'industrie alimentaire, l'industrie de transformation et la science moléculaire.