Projet DCARBO

Contrôle temps réel

La décarbonation de l’industrie requiert un meilleur contrôle et une connaissance affinée des émissions de CO₂ issues des systèmes de production. L’installation de capteurs à des positions stratégiques et une gestion en temps réel des données de production fournit des informations pertinentes permettant d’aboutir à une analyse dynamique des émissions de CO₂ avec une meilleure précision que les approches asynchrones actuelles.

L’enjeu est de définir, pour différents types de systèmes de production, la structure appropriée pour une acquisition et collecte de données pertinentes ainsi que pour les instruments associés de decision-making pour la décarbonation.

Il est ambitionné de proposer des modèles adaptés d’intelligence artificielle et d’algorithme pour chaque niveau de décision, d’expérimenter et de comparer différents modèles et algorithmes, et d’établir une méthodologie pour l’implémentation de nouvelles approches pour des contextes industriels. L’originalité de cette recherche réside dans le couplage de différents types d’IA et leur application au monitoring et contrôle en temps réel des procédés industriels, afin de favoriser la décarbonation effective des industries.

Les principales difficultés de ce projet seront liées à l’enjeu de trouver le juste niveau d’information/instrumentation des procédés et la complexité de gérer des simulations pour le decision-making de court terme et en temps réel.

Durée de cinq ans – Budget de 1,68M€

Mettre en place une méthodologie pour le monitoring d’indicateurs liées à une ou plusieurs unités de production, restituant l’impact environnemental de cette unité, à partir de ses différents composants : consommation d’énergie, ressources et émissions liées à l’eau, l’air, le sol.

Trois types de procédés seront concernés : les process discrets (industries manufacturières, microélectroniques), les process continus (cimenteries, acteurs locaux de distributions pour des réseaux de chaleur) ainsi que les centres informatiques et de stockage pour les industries digitales. Il importera d’identifier les différences entre ces types de procédés et les impacts sur la méthode à développer. Un lien avec le projet ciblé d’ACV dynamique sera fait.

TRL 4 de fin de projet.

Tâches poursuivies : développement d’une approche pour identifier et suivre les principaux contributeurs aux gaz à effet de serre dans les systèmes de production – développement d’outils digitaux pour la décarbonation industrielle (algorithmes de data mining pour le pré-process de data et la compréhension de process – principal component analysis PCA – Locally linear embedding LLE, MSPC Multivariate Statistical Process control, IA hybride pour la détection de data drift et les actions de recommandation – machine learning algorithm such as deep neural network DNN, decision tree DT association rules learning algorithm – développement d’approches d’optimisation afin d’appréhender la décarbonation de manière efficiente, explorer les émissions de carbone au sein de l’industrie digitale), proposition d’un cadre pour le management de systèmes industriels visant la décarbonation)