Header gemini generated image chaine production reacteurs chimiques

Secteur(s) : Industrie

Optimiser une chaîne de réacteurs chimiques

Client :

Technologie utilisée :

Machine Learning

SNF est un leader mondial des sciences de l'eau dont les produits contribuent au traitement, au recyclage, à la préservation de l'eau, aux économies d'énergie et à la réduction de l'empreinte carbone. Pionnier de la chimie douce, SNF est présent depuis longtemps sur tous les continents et emploie 8 150 personnes, dont 1 400 en France. L'innovation et le mouvement vers un monde plus propre et moins carboné sont de grands accélérateurs de la croissance de SNF, qui a réalisé un chiffre d'affaires de 4,9 milliards d'euros en 2022.

Leader mondial dans la fabrication de polymères hydrosolubles, SNF a développé une gamme de plus de 1 000 produits qui contribuent à préserver les ressources naturelles, à encourager le recyclage et à améliorer l'efficacité des processus industriels. Les polymères SNF ont plusieurs fonctionnalités complémentaires : floculation, coagulation, modification de la rhéologie et réduction de la friction.

Source : https://www.linkedin.com/company/snf-group

Enjeux

SNF produit un composé essentiel au traitement de l'eau (l'acrylamide) à partir d'un monomère ACN produit par un procédé complexe : réacteurs en cascades et cycle de retraitement. Les grandeurs physiques essentielles sont contrôlées et la qualité est suivie de façon systématique.
Ce procédé emploie en grande quantité un catalyseur coûteux dont la consommation est à surveiller.
L'enjeu est d'optimiser la conduite du procédé (choix des valeurs des grandeurs physiques) afin de réduire la consommation de catalyseur, tout en respectant des contraintes de qualité

Démarche

Mise en place d'un modèle cinétique chimique et d'un facteur correctif par Machine Learning pour modéliser la production à chaque étape en fonction des paramètres du procédé choisis
Validation du modèle et interprétation des effets des variables
Génération et modélisation de recettes synthétiques réalistes, tenant compte des contraintes de production
Sélection des recettes respectant les contraintes de qualité
Exploration des solutions admissibles grâce à une interface graphique selon le choix des contraintes appliquées

Résultat

Construction d'un modèle cinétique corrigé
Confirmation des intuitions métiers (fournisseurs, exploitants, ingénieurs procédés)
Exposition des résultats de modélisation et d'optimisation dans une interface graphique ergonomique pour choisir une recette en fonction des contraintes voulues
Validation expérimentale du client en cours