FAIRE PROGRESSER LA LYOPHILISATION INDUSTRIELLE GRÂCE AUX JUMEAUX NUMÉRIQUES DE NOUVELLE GÉNÉRATION // ADVANCING INDUSTRIAL FREEZE-DRYING THROUGH NEXT-GENERATION DIGITAL TWINS

La lyophilisation est une méthode de conservation très efficace qui permet de réduire considérablement les pertes de fruits, de baies et de légumes en prolongeant leur durée de conservation bien au-delà de celle des produits frais. En éliminant 98 à 99 % de la teneur en eau, la lyophilisation empêche la prolifération des micro-organismes responsables de l'altération des aliments et les réactions enzymatiques qui conduisent à la détérioration, ce qui permet aux produits de rester stables et propres à la consommation pendant plus de trois ans dans des conditions de stockage adéquates. De même, la lyophilisation est largement utilisée dans l'industrie pharmaceutique pour améliorer la durée de conservation de produits tels que les vaccins et les probiotiques. En réduisant considérablement le gaspillage alimentaire et en stabilisant des médicaments vitaux, la lyophilisation est un pilier du développement durable — pourtant, ce procédé nécessite de toute urgence une optimisation en temps réel pour surmonter ses défis inhérents en matière d'efficacité.
Le concept de jumeaux numériques est étroitement lié au contrôle et à la surveillance des processus. Le jumeau numérique représente une réplique virtuelle du processus de lyophilisation qui permet la surveillance, la simulation et l'optimisation en temps réel³. En intégrant les données de processus à des modèles prédictifs, les jumeaux numériques permettent un contrôle précis des paramètres critiques tels que la température, la pression et le temps de séchage. Cela améliore l'efficacité des processus, réduit la variabilité et renforce la qualité des produits en anticipant et en atténuant les problèmes potentiels avant qu'ils ne surviennent. L'application des jumeaux numériques à la lyophilisation favorise le développement de procédés de fabrication plus robustes, évolutifs et rentables, ce qui en fait des outils précieux dans les industries pharmaceutique, alimentaire et nutraceutique. Malgré leur potentiel, les modèles existants et les cadres de jumeaux numériques4 pour la lyophilisation se heurtent à des limites importantes qui entravent leur adoption à l'échelle industrielle.
L'objectif principal de ce projet est d'aller au-delà du comportement d'un « produit moyen » en faisant évoluer les technologies Smart Lyo actuelles (basées sur MTM5) vers un cadre MTM 2.0 haute fidélité. Vous vous attaquerez aux limites liées à la variabilité spatiale et aux contraintes géométriques afin de permettre le déploiement de jumeaux numériques à l'échelle industrielle.
A) Développement de MTM 2.0 : Concevoir un modèle de mesure manométrique de la température (MTM 2.0) de nouvelle génération à partir des principes fondamentaux. Ce modèle doit tenir compte de la variabilité inhérente au transfert de chaleur sur l'étagère (par exemple, « l'effet de flacon en bordure ») plutôt que de s'appuyer sur une seule valeur moyenne qui correspond, comme on l'a montré, aux points les plus froids du lyophilisateur.
B) Analyse comparative des performances : Évaluer et valider le modèle MTM 2.0 par rapport aux prédictions MTM existantes à l'aide d'expériences in silico et physiques. Vous testerez ces modèles sur diverses géométries — y compris des flacons en verre et des plateaux de grande capacité — et avec des résistances de transfert de masse variables pour différents produits.
C) Intégration en temps réel : mettre en œuvre et valider le cadre MTM 2.0 dans un environnement physique de lyophilisateur, en mettant l'accent sur son efficacité pour le contrôle des processus et la prise de décision en temps réel.
D) Polyvalence géométrique : étendre la méthodologie à des géométries complexes dans les domaines alimentaire et nutraceutique, telles que les produits sphériques ou coniques (par exemple, les fraises, les myrtilles6), afin de combler le fossé entre les applications pharmaceutiques et alimentaires.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Freeze drying, or lyophilization, is a highly effective preservation method that can dramatically reduce losses of fruits, berries, and vegetables by extending their shelf life far beyond that of fresh produce. By removing 98–99% of the water content, freeze-drying inhibits the growth of spoilage microorganisms and enzymatic reactions that lead to decay, allowing products to remain stable and safe for consumption for more than 3 years under proper storage conditions. Similarly, freeze-drying is extensively used in the pharmaceutical industry to improve the shelf life of products such as vaccines and probiotics. By drastically reducing food waste and stabilizing life-saving medicine, freeze-drying is a cornerstone of sustainable development—yet it remains a process in urgent need of real time optimization to overcome its inherent efficiency challenges.

The concept of Digital twins is closely associated with process control and monitoring. The Digital twin represents a virtual replica of the freeze-drying process that enables real-time monitoring, simulation, and optimization3. By integrating process data with predictive models, digital twins allow for precise control over critical parameters such as temperature, pressure, and drying time. This enhances process efficiency, reduces variability, and improves product quality by anticipating and mitigating potential issues before they occur. The application of digital twins in freeze-drying supports the development of more robust, scalable, and cost-effective manufacturing processes, making them invaluable tools in pharmaceutical, food, and nutraceutical industries. Despite their potential, existing models and digital twin frameworks4 for freeze-drying face significant limitations that hinder their adoption at an industrial scale. This research project seeks to overcome these barriers, bridging the gap between theoretical modelling, real-time monitoring and large-scale manufacturing.



Research Objectives
The core of this project is to move beyond the 'average product' behaviour by evolving current Smart Lyo technologies (based on MTM5) into a high-fidelity MTM 2.0 framework. You will tackle the limitations of spatial variability and geometric constraints to enable industrial-scale digital twin deployment.
A) MTM 2.0 Development: Engineer a next-generation Manometric Temperature Measurement (MTM 2.0) model from first principles. This model must account for the inherent heat transfer variability across the shelf (e.g., the 'edge vial effect') rather than relying on a single averaged value which is shown to correspond to the coldest spots in the freeze-dryer.
B) Comparative Performance Benchmarking: Evaluate and validate MTM 2.0 against legacy MTM predictions using both in silico and physical experiments. You will test these across diverse geometries—including glass vials and bulk trays—and varying mass transfer resistances for different products.
C) Real-Time Integration: Implement and validate the MTM 2.0 framework within a physical freeze-dryer environment, focusing on its efficacy for real-time process control and decision-making.
D) Geometric Versatility: Extend the methodology to complex food and nutraceutical geometries, such as spherical or conical products (e.g., strawberries, blueberries6), bridging the gap between pharmaceutical and food applications.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Autre financement public

ANR

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

581 Agriculture, Alimentation, Biologie, Environnement et Santé

- Formation : Master ou diplôme d'ingénieur dans une discipline connexe, avec une expertise en modélisation mathématique et en simulation. Une expérience en recherche est requise. - Compétences techniques : Solides bases en modélisation mécanistique (notamment en transfert de chaleur et de masse), en systèmes de contrôle et en instrumentation. - Programmation et logiciels : Maîtrise des langages de script (Python, R ou MATLAB) et connaissance des plateformes de simulation telles que COMSOL. Une expérience en analyse d'images ou en génie des procédés est très appréciée. - Esprit expérimental : Expérience pratique ou forte motivation pour le travail en laboratoire, y compris la conception d'expériences (DoE) et la mise en œuvre de modèles computationnels sur du matériel physique. - Langues : Une bonne maîtrise de l'anglais est requise ; la maîtrise du français constitue un atout certain. - Compétences supplémentaires : Une expertise en modélisation basée sur les données ou en intelligence artificielle est un plus. Les candidatures (CV + lettre de motivation + relevés de notes des 3 dernières années) et toute demande d'informations doivent être envoyées à : Arnesh PALANSIAMY, arnesh.palanisamy@agroparistech.fr, Cristian TRELEA, cristian.trelea@agroparistech.fr
- Academic Background: Master's degree or Engineering degree in a related discipline with expertise in mathematical modelling and simulation. A research experience is required. - Technical Core: Strong foundation in mechanistic modelling (specifically heat and mass transfer), control systems, and instrumentation. - Programming & Software: Proficiency in scripting languages (Python, R, or MATLAB) and exposure to simulation platforms such as COMSOL. Experience in image analysis or process engineering is highly valued. - Experimental Mindset: Hands-on experience or strong motivation for lab work, including Design of Experiments (DoE) and the implementation of computational models on physical hardware. - Languages: Good proficiency in English is required; proficiency in French is a distinct advantage. - Bonus Skills: Expertise in data-driven modelling or Artificial Intelligence is a plus. Applications (CV + motivation letter + last 3 years grades) and any requests for information should be sent to: Arnesh PALANSIAMY, arnesh.palanisamy@agroparistech.fr, Cristian TRELEA, cristian.trelea@agroparistech.fr