Lyophilisation intelligente avec IA

L’objectif de cette thèse est de développer un modèle hybride de lyophilisation combinant des données expérimentales, une modélisation multiphysique basée sur la physique et des méthodes d’intelligence artificielle. Ce travail poursuit trois objectifs principaux :

1. Identification des interactions complexes entre les différentes étapes du procédé, afin de comprendre comment elles influencent la cinétique de séchage et la qualité finale du produit.
2. Simulation des conditions de séchage à travers l’analyse des paramètres opératoires critiques et de la qualité finale du produit. Le modèle basé sur l’intelligence artificielle permettra de prédire la cinétique de séchage, d’estimer les gradients de température et d’humidité au sein de chaque échantillon, et d’optimiser la durée globale du procédé.
3. Détermination des paramètres opératoires optimaux par l’exploitation de bases de données. L’outil développé générera des ensembles optimaux de conditions opératoires afin d’assurer une lyophilisation efficace, en minimisant le temps de séchage tout en préservant la stabilité et la qualité du produit final.

La méthodologie de ce travail sera menée en trois étapes. Dans un premier temps, une approche expérimentale sera mise en oeuvre. Elle consistera à réaliser des essais de lyophilisation et à caractériser le produit final (solution aqueuse de sucre) en termes de teneur en humidité et d’activité de l’eau, en fonction à la fois des conditions opératoires de séchage et des paramètres de formulation (masse molaire et concentration du sucre). Dans un deuxième temps, un modèle de sublimation fondé sur les transferts de chaleur et de matière sera développé, validé à l’aide des données expérimentales, puis utilisé pour générer une base de données représentative d’environ 5 000 entrées couvrant un large éventail de scénarios opératoires. Dans la troisième étape, des algorithmes d’intelligence artificielle basés sur des approches d’apprentissage automatique, tels que les réseaux antagonistes génératifs (GANs, reposant sur un système dans lequel deux réseaux neuronaux sont entraînés simultanément de manière compétitive) et les réseaux neuronaux informés par la physique (PINNs), seront entraînés sur ce jeu de données afin de prédire la la dynamique du procédé et d’optimiser les conditions opératoires.

Les résultats attendus comprennent :

• le développement d’un modèle prédictif rapide et précis,
•  la démonstration de sa robustesse vis-à-vis de différentes formulations et conditions opératoires,
• son intégration potentielle dans une approche Quality by Design (QbD) appliquée à la fabrication pharmaceutique et agroalimentaire.

Le Laboratoire d’Automatique, de Génie des Procédés et de Génie Pharmaceutique (LAGEPP) est un laboratoire multidisciplinaire qui couvre les domaines du génie des procédés, de l’automatique, du génie des produits, du génie pharmaceutique et de la physicochimie. L’objectif du laboratoire est de conduire des projets de recherche transversaux faisant intervenir des chercheurs de différents champs disciplinaires tout en veillant à maintenir des travaux scientifiques de haut niveau dans chaque champ disciplinaire. Les activités de recherche s’orientent autour de deux grands thèmes scientifiques :

• Procédés et processus physicochimiques en milieux complexes dispersés et évolutifs (procédé d’élaboration de nanoparticules, cristallisation, lyophilisation).
• Modélisation dynamique, observation et commande des procédés.

Les travaux couvrent des aspects fondamentaux de compréhension et modélisation des phénomènes jusqu’au développement de produits dans les domaines pharmaceutique, cosmétique, énergie, alimentaire…

Le laboratoire LAGEPP a développé une solide expertise dans l’étude de la congélation et de la lyophilisation, en s’appuyant sur des outils de suivi avancés et des équipements à l’échelle pilote.

Profil recherché : Ingénieur ou titulaire d’un Master en Génie des Procédés (ou équivalent). Un fort intérêt pour la modélisation ainsi qu’une connaissance de Python seraient un atout.