Observateur (estimateur d'état) pour un procédé de fermentation alcoolique vinicole // Observer (state estimator) design for a winemaking fermentation process

Étant donné que la fermentation du vin est soumise à une forte variabilité du matériel biologique (raisins, levures) et que les modèles dynamiques existants, aussi précis soient-ils, restent imparfaits, les mesures en ligne disponibles seront utilisées pour mettre à jour la connaissance de l'état actuel du processus en temps réel. Sur la base d'une étude bibliographique, le candidat au doctorat explorera plusieurs options, allant des observateurs classiques tels que l'observateur de Luenberger et le filtre de Kalman aux outils modernes basés sur l'intelligence artificielle [1,2] ou la logique floue [3]. Les avantages et les limites des différentes options seront comparés et un certain nombre de stratégies prometteuses seront étudiées plus en profondeur.
Le travail commencera avec les modèles dynamiques existants du processus et les données expérimentales disponibles et sera progressivement enrichi et mis à jour au fur et à mesure que les partenaires du projet DigitWine développeront de nouveaux modèles et acquerront des données expérimentales supplémentaires. L'observateur conçu sera intégré dans le jumeau numérique développé pour le processus de fermentation du vin.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Since wine fermentation is subject to strong variability of the biological material (grapes, yeasts) and the existing dynamic models, however accurate, are still imperfect, available on-line measurements will be used to update the knowledge of the current process state in real time. Based on a literature survey, the PhD candidate will explore several options, ranging from classical observers such as Luenberger observer and Kalman filter to modern tools based on artificial intelligence [1,2] or fuzzy logic [3]. The advantages and limitations of various options will be compared and a number of promising strategies will be explored more in-depth.
The work will start with existing dynamical models of the process and available experimental data and will be progressively enriched and updated as the partners of the DigitWine project will develop new models and acquire additional experimental data. The designed observer will be integrated in the digital twin developed for the wine fermentation process.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://umr-sayfood.versailles-saclay.hub.inrae.fr/l-umr-recrute/offres-de-theses

Autre financement public

ANR

Université Paris-Saclay GS Biosphera - Biologie, Société, Ecologie & Environnement, Ressources, Agriculture & Alimentation

581 Agriculture, Alimentation, Biologie, Environnement et Santé

Les candidats doivent être titulaires d'un master en automatique ou en mathématiques appliquées, avec un goût pour les applications biologiques. Les candidats peuvent également être titulaires d'un master en génie chimique ou en génie des procédés, avec une bonne connaissance de la théorie du contrôle et des mathématiques appliquées. La connaissance des processus biologiques est un atout. De bonnes compétences en programmation sont requises (Python et/ou Matlab) ainsi qu'une expérience de recherche établissant la capacité de recherche du candidat.
Applicants should have a Master degree in automatic control or applied mathematics with a taste for biological applications. Alternatively, applicants may have a Master degree in chemical or process engineering with a good background in control theory and applied mathematics. Knowledge of biological processes is a plus. Good programming skills are required (Python and/or Matlab) as well as a research experience establishing the candidate's capacity for research.