Développement d’un système multiparamétrique automatisé d’aide à la conduite pour la production de microalgues à haute teneur en protéines en exploitation agricole

Description du sujet de thèse 

Contexte scientifique :

La production de microalgues représente une voie prometteuse pour la valorisation de ressources locales et la fabrication décentralisée de biomasse protéique à destination de la nutrition animale. Dans ce cadre, SUBSISTAE développe une technologie de culture extensive de microalgues, pensée pour une intégration sur une exploitation agricole incluant le recyclage des milieux de culture. Le procédé repose notamment sur l’utilisation de digestat pré-traité et d’eau carbonatée issue du traitement du biogaz. L’espèce modèle retenue est du genre Chlorella, en raison de sa forte teneur en protéines et de sa productivité en conditions réelles.

Objectif de la thèse :

L’objectif de cette thèse est de concevoir et de valider un système d’aide à la décision permettant la supervision, la prédiction et l’optimisation de la conduite d’un procédé extensif de culture de microalgues. Elle s’inscrit dans une démarche de développement d’outils de pilotage avancé visant à améliorer la stabilité du procédé, à optimiser sa productivité et à renforcer l’aide à l’opérateur. 

La démarche retenue s’appuiera sur l’acquisition et l’exploitation des données issues d’une instrumentation multiparamétrique, complétée par des outils de microspectrophotométrie. Ces données alimenteront le développement de méthodes de modélisation, de prédiction et d’optimisation fondées notamment sur des approches d’intelligence artificielle adaptées à l’analyse de séries temporelles. L’enjeu sera ainsi de structurer un cadre méthodologique permettant de transformer des données hétérogènes en informations pertinentes pour la surveillance en temps réel et le pilotage du procédé. Plusieurs axes de recherche seront à développer dans ce contexte.

Axes de recherche :

Le premier axe portera sur le prototypage, l’intégration et la validation des capteurs adaptés à un usage en conditions de production. Les variables suivies comprendront, la température, le rayonnement PAR, les données météorologiques, le pH, la température, l’oxygène dissous ainsi que les signaux issus des sondes microspectrophotométriques. L’objectif sera d’identifier les capteurs les plus pertinents, de hiérarchiser leur intérêt et de définir une architecture de mesure robuste et exploitable en temps réel.

Le deuxième axe concernera la caractérisation microspectroscopique des cultures, avec un intérêt particulier pour les domaines Vis, NIR et Raman. Ces mesures devront permettre d’estimer certains états physiologiques et composés d’intérêt, en complément des mesures classiques de laboratoire. Les signaux microspectroscopiques seront confrontés à des méthodes de référence ou « gold standards », telles que la mesure de la biomasse sèche, l’analyse des pigments, la chromatographie ionique, les dosages biochimiques des sucres, protéines et lipides, ainsi que la fluorescence en ligne. Une attention particulière sera portée au développement d’une cellule de mesure compatible avec des prélèvements en ligne, at line ou semi-automatisés.

Le troisième axe sera dédié au développement de méthodes d’intelligence artificielle pour l’exploitation des données issues du procédé de culture. Il s’agira, dans un premier temps de construire des jeux de données intégrant conjointement les paramètres opératoires, les variables de suivi du procédés et les données météorologiques, afin de mieux caractériser les interactions entre conditions environnementales et dynamique de culture. Sur cette base, des approches hybrides combinant modèles mécanistes et modèles fondés sur les données seront développés pour identifier les variables les plus informatives, estimer des grandeurs d’intérêt difficilement mesurables directement et prendre en compte la dynamique temporelle du système. Une attention particulière sera portée à l’interprétabilité des modèles, à la robustesse de leurs prédictions ainsi qu’à l’évaluation de la contribution respective des différentes sondes.  L’objectif final sera de proposer des outils d’aide à la

décision, voire de contrôle prédictif, permettant d’optimiser la conduite du procédé tout en rationalisant l’instrumentation au regard de sa valeur informationnelle.

Déploiement expérimental :

Les développements méthodologiques seront validés en conditions réelles ou simulées, sur le site de Montpellier et/ou à Algosolis, à travers des essais sur mini-raceways, colonnes ou bassins pilotes. Une étude hydrodynamique du bassin et de son agitation viendra compléter l’approche expérimentale afin de mieux comprendre les conditions de mélange et leur impact sur la culture. La robustesse des capteurs et des modèles sera évaluée dans des conditions de production proches du réel.

Laboratoire et entreprise impliqués 

• Laboratoire GEPEA UMRCNRS 6144 (INSIS), Équipe Bioprocédés Appliqués aux Microalgues (BAM et MAPS²)
•  Entreprise SUBSISTAE SAS, dont le siège social est situé au 60 RUE BERNARD GIRAUDEAU, 34080 MONTPELLIER France

Le ou la candidate devra disposer d’une formation de niveau master, ou équivalent, en génie des procédés ou bioprocédés, idéalement complétée par des compétences en science des données. Des connaissances en automatique, instrumentation, traitement du signal, bioprocédés, microbiologie appliquée, programmation et analyse des données seront particulièrement valorisées. Un intérêt pour les systèmes de culture microalgale, le pilotage automatisé des procédés et les approches d’intelligence artificielle appliquées aux bioprocédés constituera un atout majeur.

Compétences attendues :

Instrumentation et capteurs. Analyse de données et séries temporelles. Modélisation et contrôle des procédés. Programmation et traitement du signal. Intérêt pour les microalgues et les bioprocédés.