Développement et validation d'un modèle d'intelligence artificielle pour la prédiction de performances de mélange et l'optimisation de design de bioréacteurs mécaniquement agités.

Offre de thèse

Date limite de candidature

30-04-2024

Date de début de contrat

01-10-2024

Directeur de thèse

FOURNIER Frantz

Encadrement

Le suivi du doctorant sera effectué par des réunions d'accompagnement : - Une réunion de lancement de thèse en présence du directeur (Pr Frantz Fournier, frantz.fournier@univ-lorraine.fr) et de la co-directrice de thèse (Dr Céline Loubière, celine.loubiere@univ-lorraine.fr) et des membres de l'équipe avec interaction possible. - Une réunion bimensuelle « bilan d'avancement » de la thèse en présence du directeur de thèse, de la co-directrice de thèse, mais aussi d'un membre de l'équipe qui sera associé au travail de thèse. - Une réunion hebdomadaire en présence d'au moins un des encadrants de la thèse pour un suivi technique au fil de l'eau. De plus, le doctorant sera amené à présenter un bilan de ses travaux annuellement lors des réunions d'équipe. D'autre part, nous encourageons les doctorants de notre équipe à participer aux formations disciplinaires mais aussi transverses proposées par l'université de lorraine et le CNRS ou d'autres organismes (selon besoin particulière). La plupart des doctorants de notre équipe ont assisté aux Doctoriales organisées une fois par an par les écoles doctorales. Les perspectives professionnelles pour le docteur, à l'issue des travaux dépendront de son projet professionnel et de ses souhaits. Il/elle pourrait devenir ingénieur ou chercheur dans le milieu académique ou privé ou se lancer dans la création d'entreprise.

Type de contrat

Concours pour un contrat doctoral

Candidater à cette offre target="_blank"

école doctorale

SIMPPÉ - SCIENCES ET INGENIERIES DES MOLECULES, DES PRODUITS, DES PROCEDES ET DE L'ÉNERGIE

équipe

Axe 3 - BIOPROMO - Bioprocédés Biomolécules

contexte

Afin de mieux comprendre et améliorer les procédés de culture en termes de bioproduction (biomolécule, cellule, etc.) et de qualité de la population, il est nécessaire de maîtriser l'environnement de la phase biologique (micro-organismes, cellules...) au cours de la culture. Les approches de modélisation telle que la mécanique des fluides numériques (CFD), en complément des approches expérimentales, ont démontré un apport dans la compréhension des phénomènes en caractérisant des grandeurs physiques pouvant être difficiles à obtenir par l'expérience, et dans la prédiction de réponses permettant de réduire le nombre d'expériences lors du développement (coût de culture élevé, disponibilité des souches ou de matériel limité, montée en échelle numérique avant de guider un investissement...) [1,2]. L'usage de la CFD reste néanmoins limité pour des applications aux grandes échelles en raison de temps de calculs élevés, et difficiles à implémenter pour les couplages hydro-cinétiques. Une stratégie pour surmonter ces verrous est la compartimentation des champs d'écoulement [3]. Cette approche nécessite cependant une expertise relevant de la modélisation CFD, d'ingénierie et de génie des procédés, rendant son application relativement peu étendue. Par ailleurs, la définition des frontières entre les compartiments reste souvent arbitraire, avec peu de travaux basés sur une automatisation de la méthode [3]. Les travaux de thèse auront pour but de développer un algorithme de traitement de données par intelligence artificielle, afin d'accélérer l'intégration des phénomènes de transport et de transfert dans les règles de dimensionnement et d'optimisation des bioprocédés industriels. Le couplage de champs d'écoulements 2D issus de PIV avec un modèle de type réseau de neurones artificiels (RNA) a été récemment validé pour la reconstruction 3D des écoulements sur une configuration « lock-exchange » [4], apportant une preuve de concept de ce type d'approche à partir de champs expérimentaux. Mais à ce jour, aucune approche de couplage RNA-CFD n'a été reportée dans la littérature, en raison des progrès encore très récents en compartimentation CFD en bioréacteur, et à l'émergence des algorithmes d'intelligence artificielle. Une intégration de cette approche originale en génie des bioprocédés, et plus spécifiquement ici sur la description et la prédiction des écoulements et transferts en bioréacteur agité, permettra in fine de réduire significativement la complexité des modèles hydrodynamiques et des temps de calcul. Ceci permettra par exemple à moyen terme d'améliorer les études paramétriques, et de rendre plus accessibles les couplages hydro-cinétiques, voir à plus long terme d'envisager un pilotage de procédé basé sur l'hydrodynamique en temps réel. Cette dernière perspective s'appliquerait notamment sur des cultures présentant une évolution dynamique de l'environnement (ex : fermentations avec rhéologie évolutive au cours du temps, phases d'agitation intermittente en culture cellulaire, cultures multiphasiques avec évolution des phases liquides et / ou gaz en termes de taille de bulle ou particules, concentrations locales…)

spécialité

Procédés Biotechnologiques

laboratoire

LRGP - Laboratoire Réactions et Génie des Procédés

Mots clés

Modélisation, Réseau de neurones artificiels, Hydrodynamique, Mélange, Mécanique des fluides numériques, Bioprocédés

Détail de l'offre

Les travaux de thèse impliqueront le développement d'une méthodologie numérique avancée et générique, complémentaire aux approches actuellement menées au laboratoire, afin de mieux comprendre les phénomènes de transport en bioréacteur et proposer des modèles prédictifs robustes et avec des temps de calculs raisonnables pour le développement de bioprocédés. Celle-ci s'appuiera sur de l'intelligence artificielle et en particulier sur des modèles de type réseau de neurones artificiels (RNA) permettant de prédire les performances de mélange dans un bioréacteur pour un design et des conditions opératoires donnés. En comparaison à la simulation CFD, le RNA permettra une réduction significative de la complexité du modèle hydrodynamique et du temps de calcul / réponse, permettant un pilotage du procédé. L'apprentissage et la validation de ce modèle seront menés à partir d'une base de données impliquant un travail d'extraction, tri et nettoyage de données et corrélations issues de la littérature, complétée au besoin par des simulations CFD.
Le projet de thèse s'articulera selon trois niveaux progressifs de sorties du modèle (Figure 1). Afin de réduire les paramètres d'étude pendant le développement initial, celui-ci sera réalisé en condition monophasique d'un fluide newtonien, avant transfert en condition polyphasiques (liquide-gaz, liquide-solide, liquide-gaz-solide) plus représentatif des procédés de fermentation utilisés aujourd'hui.
1. A partir de champs d'écoulements, le modèle doit prédire des grandeurs macro comme le temps de mélange (tm), la puissance dissipée ou le kLa. Il permettra de remplacer le post traitement dynamique pouvant prendre plusieurs jours de calculs pour tm ou kLa.
2. A partir des entrées du modèles, le modèle doit générer et / ou analyser des compartiments d'écoulement. En complément des paramètres macro, le modèle fournit alors en sortie des paramètres et gradients localement représentatifs (zones à puissance dissipée faible / intense, zones mortes, courts-circuits, zones mal aérées…). Cette étape intermédiaire permettra le lien entre les étapes 1 et 3.
3. Le modèle prendra une dimension complètement générative en devenant capable de reconstruire les écoulements et gradient locaux précis à partir des conditions d'entrées. Il permettra de remplacer le calcul complexe des écoulements par simulation numérique.

Keywords

Modelling, Artificial neural network, Hydrodynamics, Mixing, Computational fluid dynamics, Bioprocess

Subject details

The thesis work will lead to the development of an advanced and generic numerical methodology, complementary to the approaches currently carried out in the laboratory, in order to better understand bioreactor transport phenomena and to propose robust predictive models with reasonable calculation times for the development of bioprocesses. This will be based on artificial intelligence and in particular on artificial neural network (ANN) type of models to predict mixing performance in a bioreactor for a given design and operating conditions. Compared to CFD simulation, ANN will allow a significant reduction in the complexity of the hydrodynamic model and the calculation/response time, allowing process control. The learning and validation of this model will be carried out from a database involving extraction, sorting and cleaning of data and correlations from the literature, supplemented, if necessary, by CFD simulations. The thesis project will be structured according to three progressive levels of model output (Figure 1). In order to reduce the study parameters during the initial development, this will be carried out in the single-phase condition of a Newtonian fluid, before transfer to multi-phase conditions (liquid-gas, liquid-solid, liquid-gas-solid) more representative of the fermentation processes used today. 1. From flow fields, the model must predict macro quantities such as mixing time (tm), dissipated power or kLa. It will replace dynamic post-processing which can take several days of calculations for tm or kLa. 2. From the model inputs, the model must generate and/or analyse flow compartments. In addition to the macro parameters, the model then provides locally representative parameters and gradients as output (areas with low/intense power dissipation, dead zones, short circuits, poorly ventilated areas, etc.). This intermediate step will allow the link between steps 1 and 3. 3. The model will take on a completely generative dimension by becoming capable of reconstructing precise local flows and gradients from the input conditions. It will make it possible to replace the complex calculation of flows by numerical simulation.

Profil du candidat

• Etudiant·e en master 2 ou école d'ingénieur en biotechnologie / bioprocédé, informatique ou mécanique.
• Connaissances en génie des bioprocédés, en particulier en génie des bioréacteurs.
• Compétences en écriture de code (Matlab ou Python) et en modélisation. Une expérience dans les modèles par apprentissage serait appréciée.
• Intérêt fort pour la multidisciplinarité et bonne capacité à s'adapter.
• Curiosité et rigueur scientifique.
• Très bonnes qualités rédactionnelles et de synthèse orale.

Pour toute thèse proposée au sein de l'Ecole Doctorale, le futur doctorant devra bien être titulaire d'un master (diplôme de master ou d'ingénieur français ou étranger, …) avec au moins une mention AB.
Dans tous les cas (diplôme de master ou d'ingénieur français ou étranger, …) le dossier doit comporter :
• le CV du candidat et lettre de motivation
• les notes obtenues au diplôme conférant le grade de master, mention 'Assez Bien' requise au minimum et copie du diplôme s'il est disponible
• 2 lettres de recommandations émanant du Responsable de la filière de formation et du tuteur de stage de fin d'études
• des éléments tangibles sur l'initiation à la recherche (mémoire de recherche, publication, ...).
Le dossier complet de candidature doit être envoyé à la direction de thèse par les adresses messageries des directeurs de thèses : frantz.fournier@univ-lorraine.fr et celine.loubiere@univ-lorraine.fr

Candidate profile

• Student in master 2 or engineering school in biotechnology / bioprocess, or computer science, or mechanics.
• Knowledge in chemical engineering (bioprocess), particularly in bioreactor engineering.
• Skills in writing code (Matlab or Python) and modelling. Experience in machine learning would be appreciated.
• Strong interest in multidisciplinarity and high adaptability.
• Curiosity and scientific rigor.
• Very good writing and oral synthesis skills.

All applicants to the Doctoral School SIMPPÉ must have successfully completed a Master degree or its equivalent with a grade comparable to or better than the French grade AB (corresponding roughly to the upper half of a graduating class). In all cases (French or foreign Master degree, engineering degree, etc.) the counsel of the doctoral school will examine the candidate's dossier, which must include:
• CV and letter of motivation
• the grades obtained for the Master (or equivalent) degree and a copy of the diploma if it is available
• 2 letters of recommendation, preferably from the director of the Master program and the supervisor of the candidate's research project
• written material (publications, Master thesis or report, etc.) related to the candidate's research project.
The complete application file must be sent to the thesis supervisors by email : frantz.fournier@univ-lorraine.fr et celine.loubiere@univ-lorraine.fr

Référence biblio

[1] Narayanan, H., et al. (2020). Bioprocessing in the digital age: the role of process models. Biotechnology journal, 15(1), 1900172.
[2] Dragoi, E. N., et al. (2016). Artificial neural network modeling of mixing efficiency in a split-cylinder gas-lift bioreactor for Yarrowia Lipolytica suspensions. Chemical Engineering Communications, 203(12), 1600-1608.
[3] Tajsoleiman T., et al (2019). A CFD based automatic method for compartment model development. Computers & Chemical Engineering, 123, 236-245.
[4] Delcey M., et al (2023). Physics-informed neural networks for gravity currents reconstruction from limited data. Physics of Fluids, 35(2).