IFPEN est un leader mondial dans le développement de l’hydrotraitementa de charges fossiles pour la production de carburants propres. Des procédés de la même famille s’appliquent désormais à une plus grande diversité charges : pyrolysats de plastique ou de pneus, dans le contexte du recyclage chimique, huiles végétales pour produire des biocarburants, etc. Pour que ces procédés soient eux-mêmes éco-efficientsb, au-delà du bénéfice environnemental recherché, leurs conditions opératoires doivent être optimisées par l’utilisation de modèles cinétiques ou hybridesc, en fonction des charges utilisées et des spécifications recherchées pour les produits visés.
Dans un contexte compétitif, le développement de nouveaux procédés doit être rapide et il est nécessaire de réduire au minimum la phase expérimentale, toujours chronophage et coûteuse, sans dégrader la qualité des modèles qu’elle alimente. C’est là qu’intervient l’apprentissage par transfertd, approche consistant à pré-entraîner un modèle sur un domaine similaire puis à l'adapter à une problématique spécifique, de manière à tirer parti de connaissances déjà acquises.
A l’issue d’une thèse en collaboration avec la direction « Expérimentation Procédés » [1], des méthodologies de type bayésiene et Monte Carlo Markov Chainf ont été mises en œuvre pour transférer les informations issues du « monde fossile », comme la mise au point d’anciens catalyseurs, vers les nouveaux catalyseurs ou les nouveaux procédés [2, 3].
Cette démarche a produit deux gains principaux :
- Pour le cas d’un nouveau catalyseur, un modèle a été entraîné sur les anciennes données d’installations-pilotes et industrielles. Le modèle a ensuite été transféré sur le nouveau catalyseur et s’avère de bien meilleure qualité que celui obtenu par des techniques traditionnelles (RMSEg = 4.8°C pour l’ancienne méthode, 2.9°C pour la nouvelle).
- Dans le cas de nouvelles charges, et notamment du procédé Rewind Mixh de purification des huiles de pyrolyse de déchets plastiques, un nouveau modèle a pu être mis en place très rapidement avec un nombre réduit de points expérimentaux (cf. Figure 1). L’approche « transfer learning » permet également un gain sur la robustesse du modèle.
Ces travaux sont également utilisés dans les domaines plus traditionnels de l’hydrotraitement et pas moins de cinq projets de recherche en ont bénéficié à ce jour pour accélérer la mise à disposition de nouveaux modèles et la réduction de leurs coûts d’accès.
Dans le contexte de la transition écologique où s’impose la nécessité de traiter de nouvelles charges, biosourcées ou recyclées, ce travail est une contribution importante au développement de nouveaux procédés. En tirant parti au maximum des connaissances antérieures, il contribue à en accélérer la mise au point, ce qui constitue un important avantage compétitif sur ces marchés en devenir.
a- Ce procédé consiste à supprimer les hétéro-éléments (N, S…) et à craquer les molécules pour produire des carburants. Pour atteindre les spécifications requises, l’utilisation de l’hydrogène est indispensable.
b- L’éco-efficience exprime le lien entre le bénéfice économique et l'impact environnemental causé.
c-Mixant approches chimiques traditionnelles et dernières avancées en data science.
d- Ou « transfer learning ».
e- Approches statistiques fondées sur l'inférence bayésienne, où la probabilité exprime un degré de croyance en un événement.
f- https://www.lemonde.fr/blog/binaire/files/2016/06/MCMC.pdf
g- Erreur quadratique moyenne (Root mean square error.
h- https://www.axens.net/markets/plastic-recycling
i- Hydrocarbures légers que l’on récupère vers le haut de la colonne de distillation.
Références :
-
L. Iapteff, Apprentissage par transfert pour l’analyse prédictive intelligente, Thèse IFPEN, Université Lyon II, 2022
>> https://theses.fr/2022LYO20007
-
P.J. Becker, L. Iapteff, B. Celse, Improving Model Robustness with Transfer Learning for Product Property Models, Proceedings of the 33rd European Symposium on Computer Aided Process Engineering / 14th International Symposium on Process Systems Engineering (ESCAPE33/PSE23), 2023.
>> https://doi.org/10.1016/B978-0-443-15274-0.50168-2
-
W. Pejpichestakul, P.J. Becker, B. Celse, Transfer Learning of Hydroprocessing Model from Fossil Feedstocks to Waste Plastic Pyrolysis Oil, Proceedings of the 34th European Symposium on Computer Aided Process Engineering / 15th International Symposium on Process Systems Engineering (ESCAPE34/PSE24), 2024.
>> https://view.officeapps.live.com
Contact scientifique : benoit.celse@ifpen.fr