Thèse Lyophilisation Intelligente avec IA H/F - 69

Établissement : Université Claude Bernard Lyon 1
École doctorale : Chimie de Lyon
Laboratoire de recherche : LAGEPP - Laboratoire d'Automatique, de Génie des Procédés et de Génie Pharmaceutique
Direction de la thèse : Claudia COGNE ORCID 000000025545884X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-30T23:59:59

Cette thèse, menée au LAGEPP, vise à développer une approche innovante de lyophilisation intelligente en combinant expérimentation, modélisation multiphysique et intelligence artificielle afin d'optimiser un procédé clé des industries pharmaceutique et agroalimentaire. La lyophilisation, utilisée pour stabiliser des biomolécules, vaccins, produits injectables ou encore des aliments sensibles, repose sur trois étapes principales - congélation, séchage primaire et séchage secondaire par désorption - dont les interactions complexes influencent fortement la cinétique de séchage, la consommation énergétique et la qualité finale du produit. Les approches expérimentales traditionnelles étant longues, coûteuses et limitées dans leur capacité à explorer l'ensemble des paramètres opératoires, et les modèles mécanistiques classiques ne couvrant souvent qu'une partie du procédé avec des hypothèses simplificatrices, le projet propose le développement d'un modèle hybride intégrant données expérimentales, équations de transfert de chaleur et de masse, et algorithmes d'intelligence artificielle. La méthodologie repose d'abord sur une campagne expérimentale de lyophilisation de solutions sucrées modèles afin de caractériser l'influence des conditions opératoires et de formulation sur la teneur en eau et l'activité de l'eau ; ensuite, un modèle physique de sublimation sera développé et validé pour générer une base de données étendue couvrant de nombreux scénarios ; enfin, des techniques d'intelligence artificielle, notamment des réseaux de neurones informés par la physique et des modèles génératifs, seront entraînées pour prédire la dynamique du procédé, estimer les gradients internes de température et d'humidité et déterminer des conditions opératoires optimales. L'objectif final est de concevoir un outil prédictif rapide, robuste et généralisable, capable de réduire le temps de développement des cycles, d'améliorer l'efficacité énergétique et de garantir la qualité des produits, tout en s'inscrivant dans une démarche Quality by Design et dans la transition vers des procédés industriels plus intelligents et durables.

Le laboratoire LAGEPP a développé une solide expertise dans l'étude de la lyophilisation, grâce à des outils de surveillance avancés et des équipements pilotes. Cependant, les investigations expérimentales sont longues (plusieurs jours), coûteuses et souvent insuffisantes pour appréhender pleinement les interactions multidimensionnelles qui régissent le procédé. De plus, les mesures en continu des échantillons, telles que le suivi de la température en temps réel ou l'analyse d'images, sont souvent non quantitatives et/ou partielles, car elles ne sont pas réalisées sur tous les échantillons. L'intérêt de développer des modèle IA est donc crucial.

L'objectif principal de cette thèse est de développer un modèle hybride de lyophilisation combinant des données expérimentales, de la modélisation multiphysique basée sur les lois fondamentales, et des algorithmes d'intelligence artificielle.

Cette approche vise à concevoir un outil prédictif rapide, robuste et capable d'optimiser les conditions opératoires tout en garantissant la qualité finale du produit.

La méthodologie de ce travail se déroulera en trois étapes. La première consistera en une approche expérimentale, comprenant la lyophilisation et la caractérisation du produit final (solution aqueuse de sucre) en termes de teneur en eau et d'activité de l'eau, en fonction des conditions opératoires de séchage et des paramètres de formulation (masse molaire et concentration du sucre). La deuxième étape consistera à développer un modèle de sublimation basé sur les transferts de chaleur et de masse, à le valider à l'aide de données expérimentales et à générer une base de données représentative d'environ 5 000 entrées couvrant un large éventail de scénarios opératoires. La troisième étape appliquera des algorithmes d'intelligence artificielle basés sur des techniques d'apprentissage automatique, tels que les réseaux antagonistes génératifs (GAN, qui reposent sur un système où deux réseaux de neurones sont entraînés simultanément de manière compétitive) et les réseaux de neurones à information physique (PINN), à cet ensemble de données afin de prédire la dynamique du procédé et d'optimiser les conditions opératoires.