Des modèles prédictifs d’IA pour améliorer la conception hygiénique dans l’industrie alimentaire
Des modèles prédictifs d’Intelligence Artificielle (IA) ont été établis pour améliorer la conception hygiénique des lignes de production dans l’industrie alimentaire. Il s’agit notamment de mieux comprendre les risques de déposition de souillures dans les manchons de raccordements de tubes utilisées dans les lignes de productions alimentaires industrielles. Ces lignes de production à surface fermée sont non accessibles, et ne peuvent malheureusement pas être équipées de capteurs intrusifs. Par ailleurs, les manchons de raccordements, bien qu’indispensables, sont connus pour être des zones à risques de dépôts de particules lors de la circulation de suspensions alimentaires. Des données fiables de dépôts de particules en écoulement dans ces équipements de procédés de taille pilote ont été générées avec des suspensions modèles contrôlées et ont nourri plusieurs modèles d'apprentissage de régression. Nous disposons désormais de capteurs numériques nous renseignant sur les risques de dépôts de particule dans ces installations, et sommes en mesure d’améliorer la conception hygiénique.
Publié le 07 novembre 2024
Pour améliorer l’hygiène des produits alimentaires, il est important de concevoir des lignes de production alimentaire qui limitent le risque d’encrassement et se nettoient facilement. L'encrassement est l'accumulation indésirable de matière sur une surface d’un équipement de procédé alimentaire, et peut se produire lorsque l’on doit chauffer des protéines (dénaturation protéiques) ou traiter, à température ambiante, des suspensions alimentaires en continu dans des tuyauteries (sédimentation de colloïdes et risques de dépôts de souillures dans des zones mortes).
La prévision locale de l'encrassement à l'aide de capteurs et/ou la simulation numérique des phénomènes de sédimentation par des modèles traditionnels restent un défi en raison, respectivement, de la taille des installations industrielles à instrumenter de façon « non intrusive » et la complexité des mécanismes d’encrassement pouvant se dérouler selon les influences produits/procédés (fraction massique et taille des particules solides, viscosité du fluide porteur, débit de la suspension et géométries des équipements de procédés). Les modèles prédictifs d’Intelligence Artificielle peuvent nous renseigner sur le risque de sédimentation en proposant des régressions à partir de l’analyse d’un jeu de données d’entrées.
L'apprentissage de l'IA en modélisation allège les efforts expérimentaux
Dans cette étude, plusieurs modèles prédictifs d’IA ont été générés, pour deux types de raccords de tuyauterie différents présents dans les lignes de production alimentaires, à partir d'un vaste ensemble de données expérimentales de masse de dépôt de particules produites par la mise en circulation de suspensions modèles (à fraction massique solide et à taille de particules contrôlées) en collaboration avec une équipe de recherche Allemande (Technische Universität Braunschweig).
Pour rendre cet apprentissage plus efficace, un regroupement des variables par analyse dimensionnelle a été d’abord effectué sur le listing des grandeurs physiques impliquées dans la sédimentation. Ce regroupement permet de faire naitre un ensemble de descripteurs, condensé du phénomène de sédimentation, dégageant une vision physique des interactions produit/procédés.
De ce fait, un jeu de données synthétique peut être utilisé pour l’apprentissage, réduisant les efforts expérimentaux à mener pour développer le modèle. Les descripteurs ainsi formés sont des nombres sans dimension, communément utilisés dans la théorie de similitude et les régressions obtenues présentent l’avantage de pouvoir envisager l’extrapolation selon la loi des maquettes ; ce qui n’est pas forcément le cas quand les régressions sont établies sur un jeu de données acquis sur installation pilote.
Dans notre cas, les nouveaux descripteurs ont été traités par trois algorithmes d'apprentissage automatique : Régression linéaire, Régression symbolique et Forêt aléatoire. L’algorithme Forêt aléatoire a obtenu le meilleur résultat par rapport aux deux autres en termes de prédiction (Q2 = 0,88 ± 0,09). La variable temps et la fraction massique de particules solides des suspensions ont été déterminés comme étant les 2 paramètres les plus impactants la sédimentation pour la plage explorée de conditions opératoires.
Un modèle prédictif par IA transposable
Nous disposons désormais de capteurs numériques nous renseignant sur les risques de dépôts de particule dans ces installations, et nous sommes en mesure d’améliorer la conception hygiénique. La méthode appliquée pour obtenir le modèle prédictif par IA peut être reproduite pour d’autres jeux de données. Le regroupement par analyse dimensionnelle réalisé en amont permettra systématiquement de condenser le nombre de descripteurs sans perdre de vue leur sens physique et permettront d’obtenir des régressions applicables pour d’autres conditions de mise en œuvre dans des installations plus grandes (scale up).
Niklas Jarmatz, Wolfgang Augustin, Stefan Scholl, Alberto Tonda, Guillaume Delaplace. Development of a soft sensor for fouling prediction in pipe fittings using the example of particulate deposition from suspension flow. Food and Bioproducts Processing, Volume 145, May 2024, Pages 116-127, 10.1016/j.fbp.2024.02.009