On the use of Machine Learning modeling tools in chemical process and product engineering

Les méthodes d'intelligence artificielle (IA) et de machine learning (ML) ont suscité un intérêt croissant au cours des dernières décennies, et le secteur du Génie des Produits (GdP) n'y échappe pas. En effet, ces méthodes basées sur les données, qui se sont beaucoup développées grâce à l&...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: Trinh, Cindy
Format: Dissertation
Sprache:eng
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Les méthodes d'intelligence artificielle (IA) et de machine learning (ML) ont suscité un intérêt croissant au cours des dernières décennies, et le secteur du Génie des Produits (GdP) n'y échappe pas. En effet, ces méthodes basées sur les données, qui se sont beaucoup développées grâce à l'explosion des quantités de données et aux nombreux progrès techniques, sont parvenues à résoudre des problèmes complexes dans d'autres domaines. Par conséquent, elles pourraient s'avérer très intéressantes pour certains défis du GdP lorsque les approches classiques rencontrent des limites. Par exemple, les méthodes phénoménologiques (i.e., basées sur la description des mécanismes et phénomènes gouvernant un système), lorsqu'elles existent, ne parviennent pas toujours à capturer correctement le lien entre le procédé de fabrication, les structures et les propriétés d'usage des produits complexes du GdP. Cette thèse s'intéresse à l'utilisation des approches ML dans le cadre du GdP. Dans une première partie, le but est de dresser un état-de-l'art et de mieux comprendre les caractéristiques, avantages et limites de ces approches et la façon dont elles s'appliquent selon la nature des applications en GdP (ex : quantité de données limitée, représentation moléculaire complexe). Les principaux challenges du ML en GdP y sont également discutés. Dans une deuxième partie, l'objectif est de tester différentes approches ML sur deux applications concrètes du GdP. Celles-ci sont caractérisées par des objectifs et des types de données très différents, impactant donc les approches adoptées. La première application concerne le développement d'un modèle QSPR (relation quantitative structure à propriété) pour prédire deux propriétés thermodynamiques de molécules à partir de leurs caractéristiques structurelles et physico-chimiques. La particularité de cette application est l'approche multi-angle adoptée pour mieux visualiser et comprendre les méthodes possibles à chaque étape et leur impact sur le modèle obtenu. La deuxième application se focalise sur la modélisation d'un procédé de polymérisation du styrène en présence et absence de particules de pneus usagés pour prédire le taux de conversion du styrène en fonction des conditions opératoires. Des méthodes ML et des méthodes hybrides (combinant ML et modèle de connaissance) y sont développés, avec un intérêt particulier pour les Gaussian processes pour la partie ML afin de fournir l'incertitude des prédictions. Artificial intelligence (AI) a