Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : INP ENSIACET Toulouse (au LGC)
Durée : 3 ans
Contact : rachid.ouaret@toulouse-inp.fr
Date limite de publication : 2020-04-30

Contexte :
L’efficacité des systèmes industriels ainsi que leurs performances nécessite une conception
optimisée des procédés. L’étape de la conception est fondamentale et est en soi une tâche
complexe. La conception “classique” de procédés est souvent élaborée via des modèles
de simulation et d’évaluation technico-économique, en posant la question de la prise
en compte des imprécisions et des incertitudes des modèles. En même temps, un intérêt
particulier a été porté au cours de ces dernières années sur le développement des méthodes
de propagation d’incertitude pour une optimisation robuste des procédés [10].
Ces incertitudes sont prise en compte que ce soit sur (i) les données de base (production,
qualité des produits, …) qui correspondent à un choix opéré aux étapes de spécification
du projet ou sur (ii) les données technico-économiques (durée d’investissement, taux de
crédit, …).
Ces choix obèrent les capacités de l’installation à fonctionner sous d’autres régimes, que
ceux-ci soient souhaités (augmentation de production) ou subis (changement de cadres
financiers, lors de la réalisation du projet). Qui plus est, l’utilisation, dans l’étape de conception du procédé, d’un métamodèle (par exemple en utilisant une approche “surrogate
model”), qui est une démarche de plus en plus courante en génie des procédés, nécessite la
prise en compte des imprécisions déjà mentionnées, mais également celles des paramètres
de ces modèles simplifiés, souvent établis via des méthodes de type Monte-Carlo. Ceci
est actuellement effectué par des études de sensibilité locale ou le calcul d’indices de
flexibilité/robustesse/résilience [5, 11]
Les études de sensibilité locale ont pour objectif d’obtenir une conception d’unités plus
“robuste” en faisant varier les paramètres d’intérêt, un à la fois et les uns à la suite des
autres. Elles s’apparentent peu ou prou à la méthodologie HAZOP, qu’on peut rencontrer
en étude de sureté, ou à la réalisation de scénario (optimiste, pessimiste, neutre,…), qui
se retrouve dans les études prospectives. Largement employées, elles souffrent de deux
défauts majeurs : la non-prise en compte de l’interaction des paramètres, par le fait
même d’étudier les paramètres les uns indépendamment des autres et l’aspect “ local”
de l’indicateur, autour du “design nominal” déjà calculé. De ce fait il s’agit plus d’une
vérification de la flexibilité de la conception, effectuée a posteriori, qu’une méthode de
conception “robuste” prenant en compte les incertitudes/imprécisions et aboutissant à la
“meilleure” conception possible.
Le calcul d’indices, de flexibilité ou de résilience, a été largement utilisé depuis le milieu
des années 80 et l’article pionnier de Swaney et Grossmann [19]. Une récente recension
des travaux sur ce sujet [6] a permis de dénombrer au moins 5 indices différents : (i)
indices de flexibilité de Swaney et Grossmann [19], (ii) de Pitsikopoulos et Mazzuchi [12],
(iii) de Dimitradis et Pitsikopoulos [4], (iv) indice de résilience de Saboo et Morari [13],
(v) indice de flexibilité “volumétrique” de Lai et Hui [8].
Sans rentrer dans une discussion détaillée, ces divers indicateurs diffèrent par la prise
en compte des incertitudes/imprécisions (stochastique vs déterministe) et l’ensemble des
activités englobées (conception “simple” des unités, conception des unités et du système
de contrôle-commande,…). Ces démarches pèchent cependant toutes par la non différentiation des notions d’incertain et d’imprécis, de manque d’information et de variabilité.
Et leur approches, basées essentiellement sur des méthodes d’optimisation, nécessitent
une formulation complexe et des temps de calcul importants pour des résultats n’étant
garantis que “localement” optimaux…

Sujet :
Ces dernières années, de nouvelles méthodes d’analyse de sensibilité, dite “globale” [18]
(méthode de Sobol [16, 17, 7], polynômes de chaos [9, 3],. . . ) et leur implantation efficace
ont vu le jour, notamment sous l’impulsion de la Communauté Européenne (équipes des
Pr Andrea Saltelli et Stefano Tarantola, Joint Research Centre, European Commission,
Institute for the Protection and Security of the Citizen, Ispre (Italie), par exemple)[14],
permettant la modélisation et la propagation d’incertitudes dans tous les domaines de la
simulation numérique. De même, les méthodes d’apprentissage automatique (“machine
learning”) ont connu une expansion considérable, dans le traitement des problèmes de
partitionnement ou de discrimination, par exemple [5, 15, 1]. Enfin, l’utilisation conjointe, en modélisation, de données mal connues (via la théorie des possibilités) et de
données imprécises (connues par leur distribution de probabilité, par exemple) a été
rendue possible, par les travaux de Baudrit, Couso et Dubois [2].
Les étapes de la démarche proposée sont les suivantes :

(i) L’analyse les atouts et les faiblesses des méthodologies actuelles de conception robuste de procédés. Analyse des outils actuels d’analyse de sensibilité, “machine.
(ii) La formulation des problèmes de conception robuste, selon le type des données imprécises et incertaines, au travers d’exemples de la littérature ou du LGC (conception de réseaux d’échangeurs de chaleur, bio-raffinerie,…).
learning” et de théorie des possibilités.
(iii) L’hybridation des méthodes et comparaison des démarches proposées et plus anciennes, au crible de critères tels que la facilité de modélisation, la représentativité
de l’approche, le temps calcul, …
References
[1] Yun Bai, Zhenzhong Sun, Jun Deng, Lin Li, Jianyu Long, and Chuan Li. Manufacturing quality prediction using intelligent learning approaches: A comparative
study. Sustainability, 10(1):85, 2018.
[2] Cédric Baudrit, Inés Couso, and Didier Dubois. Joint propagation of probability
and possibility in risk analysis: Towards a formal framework. International Journal
of Approximate Reasoning, 45(1):82–105, 2007.
[3] Jean-Marc Bourinet. Form sensitivities to distribution parameters with the nataf
transformation. In Risk and Reliability Analysis: Theory and Applications, pages
277–302. Springer, 2017.
[4] Veniamin D Dimitriadis and Efstratios N Pistikopoulos. Flexibility analysis of dynamic systems. Industrial & Engineering Chemistry Research, 34(12):4451–4462,
1995.
[5] Pascal Floquet, Gilles Hétreux, Raphaele Hétreux, and Lucille Payet. Analysis of
operational heat exchanger network robustness via interval arithmetic. In Computer
Aided Chemical Engineering, volume 38, pages 1401–1406. Elsevier, 2016.
[6] Ignacio E Grossmann, Bruno A Calfa, and Pablo Garcia-Herreros. Evolution of
concepts and models for quantifying resiliency and flexibility of chemical processes.
Computers & Chemical Engineering, 70:22–34, 2014.
[7] S Kucherenko et al. A new derivative based importance criterion for groups of
variables and its link with the global sensitivity indices. Computer Physics Communications, 181(7):1212–1217, 2010.
[8] Sau M Lai and Chi-Wai Hui. Process flexibility for multivariable systems. Industrial
& Engineering Chemistry Research, 47(12):4170–4183, 2008.
[9] Andre Nataf. Determination des distribution don t les marges sont donnees. Comptes
Rendus de l Academie des Sciences, 225:42–43, 1962.
[10] Omid Nejadseyfi, Hubert Geijselaers, and Ton van den Boogaard. Robust optimization based on analytical evaluation of uncertainty propagation. Engineering
Optimization, 51(9):1581–1603, 2019.

[11] Lucille Payet, Raphaële Thery Hétreux, Gilles Hétreux, Florent Bourgeois, and Pascal Floquet. Flexibility assessment of heat exchanger networks: from a thorough
data extraction to robustness evaluation. Chemical Engineering Research and Design, 131:571–583, 2018.
[12] EN Pistikopoulos and TA Mazzuchi. A novel flexibility analysis approach for processes with stochastic parameters. Computers & Chemical Engineering, 14(9):991–
1000, 1990.
[13] Alok K Saboo, Manfred Morari, and Duncan C Woodcock. Design of resilient processing plants –viii. a resilience index for heat exchanger networks. Chemical Engineering Science, 40(8):1553–1565, 1985.
[14] Andrea Saltelli, Marco Ratto, Terry Andres, Francesca Campolongo, Jessica Cariboni, Debora Gatelli, Michaela Saisana, and Stefano Tarantola. Global sensitivity
analysis: the primer. John Wiley & Sons, 2008.
[15] Ahmed Shokry, Sergio Medina-González, and Antonio Espuña. Mixed-integer multiparametric approach based on machine learning techniques. In Computer Aided
Chemical Engineering, volume 40, pages 451–456. Elsevier, 2017.
[16] Ilya M Sobol. Sensitivity estimates for nonlinear mathematical models. Mathematical
modelling and computational experiments, 1(4):407–414, 1993.
[17] Ilya M Sobol. Global sensitivity indices for nonlinear mathematical models and their
monte carlo estimates. Mathematics and computers in simulation, 55(1-3):271–280,
2001.
[18] Bruno Sudret. Global sensitivity analysis using polynomial chaos expansions. Reliability engineering & system safety, 93(7):964–979, 2008.
[19] Ross Edward Swaney and Ignacio E Grossmann. An index for operational flexibility in chemical process design. part i: Formulation and theory. AIChE Journal,
31(4):621–630, 1985.

Profil du candidat :
Formation initiale :
De formation Bac +5 minimum, le(la) candidat(e) doit être diplômé(e) d’un Master ou
d’un diplôme d’Ingénieur à forte composante en automatique/traitement de signal ou en
mathématique appliquée et statistique.

Formation et compétences requises :
Une bonne maîtrise des méthodes “classiques” de l’apprentissage automatique est
indispensable.
• Une connaissance informatique en termes de programmation est nécessaire.
• Maîtriser les outils d’aide à la décision.
• Une première expérience dans un des domaines suivant :
– la segmentation floue (théorie des possibilités),
– l’analyse de la propagation des incertitudes,
– conception des procédés,
est un grand atout
• Connaissances en gestion industrielle appliquée aux procédés seraient un plus.
• La motivation et l’envie d’apprendre seront des atouts non négligeables.

Adresse d’emploi :
École Nationale Supérieure des Ingénieurs en Arts Chimiques et Technologiques (Toulouse INP-ENSIACET)

4 Allée Emile Monso, 31030 Toulouse

Document attaché : Sujet_these_ML_RobustDesign_En_FR_v1.pdf