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

© INRAE - Guillaume Delaplace

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. 

Photographie illustrant les tests de sédimentation de particules réalisés sur des raccords de tuyauteries afin de tester leur conception hygiènique et les algorithmes d’apprentissage testés pour prédire le comportement à la sédimentation des raccords

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). 

Communication INRAE Hauts-de-France

Contacts

Guillaume DELAPLACE Directeur d'unitéUMR UMET

Alberto TONDAUMR MIA-PS Univ Paris Saclay et UAR Institut des Systémes Complexes Paris Ile-de-France

Le centre

Le département

En savoir plus

Alimentation, santé globale

Un vaccin contre la toxoplasmose pour les singes Saïmiris

Les Saïmiris, petits singes d’Amérique du Sud, sont particulièrement sensibles à la toxoplasmose, une infection parasitaire due au protozoaire Toxoplasma gondii. Une campagne de vaccination de Saïmiris a débuté en septembre 2017 dans cinq parcs zoologiques français. Le vaccin contre T. gondii a été développé par l’équipe BioMédicaments Anti Parasitaires (BioMAP) de l'unité mixte de recherche Infectiologie et santé publique (UMR ISP, Inra-Université de Tours), en collaboration avec la société Vaxinano.

19 décembre 2019

Bioéconomie

Isoler nos habitats grâce aux déchets agricoles

Pour un habitat durable, une bonne isolation thermique est indispensable car elle permet de réduire la consommation énergétique. L’objectif, rappelé dans le volet 2 de la loi sur la transition énergétique, est de rénover 400 000 bâtiments par an d’ici 2020. Pour relever ce défi, l’une des solutions est d’utiliser des biomatériaux isolants issus de déchets de l’agriculture. Parmi les sous-produits agricoles, le tournesol pourrait être un bon candidat.

17 décembre 2019