ROCHA AZEVEDO ANTONIO

20/11

14h00

Soutenance de thèse de ANTONIO ROCHA AZEVEDO

Méthodologie de conception systématisée de procédés : analyse des approches superstructurelles et génératives

Methodology for systematic process design : analysis of superstructural and generative approaches

Jury

Directeur de these_COMMENGE_Jean-Marc_Université de Lorraine, Laboratoire Réactions et Génie des Procédés (LRGP)
Rapporteur_ADJIMAN_Claire_Department of Chemical Engineering - Faculty of Engineering, Imperial College, Londres, UK
Rapporteur_CHARTON_Sophie_Département de recherche sur les procédés pour la mine et le recyclage du combustible (DMRC), CEA, France
Examinateur_SCHWEIDTMANN_Artur_Université technique de Delft (TUDelft), Pays-bas
Examinateur_MONTASTRUC_Ludovic_Laboratoire de Genie Chimique Toulouse
Examinateur_MEIMAROGLOU_Dimitrios_Université de Lorraine, Laboratoire Réactions et Génie des Procédés (LRGP)
CoDirecteur de these_PRIVAT_Romain_Université de Lorraine, Laboratoire Réactions et Génie des Procédés (LRGP)
CoDirecteur de these_NEVEUX_Thibaut_EDF R&D

école doctorale

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

Laboratoire

LRGP - Laboratoire Réactions et Génie des Procédés

Mention de diplôme

Génie des Procédés, des Produits et des Molécules

Amphithéâtre Donzelot LRGP-ENSIC, 1 Rue Grandville, BP 20451, 54001 Nancy Cedex

Mots clés

Synthèse de Procédés,Superstructure,Programmation évolutionnaire,Optimisation,Apprentissage automatique,

Résumé de la thèse

En synthèse des procédés, les approches basées sur des heuristiques sont les plus couramment utilisées pour proposer des alternatives pertinentes (qui doivent ensuite être analysées en détail), ce qui peut être inefficace pour des applications innovantes. Dans ces cas, les connaissances préalables du domaine peuvent être limitées, ou ne pas bien exploiter les propriétés contribuant au caractère innovant du procédé.

Keywords

Process Synthesis,Superstructure,Evolutionary programming,Optimization,Machine Learning,

Abstract

In process synthesis, while heuristic-based approaches are most often used for proposing relevant alternatives (that must then be thoroughly analyzed), this strategy may not be the most efficient. When it comes to the search for innovative processes, prior domain knowledge may be scarce or may not effectively exploit the properties contributing to the process novelty. Generative synthesis approaches that can freely explore the search space and that do not rely on any previous knowledge have been proposed in the literature. Yet, they have been mostly tested in simple case studies.

Liste de toutes les soutenances