RÉVOLUTIONNER LA PRODUCTION D’ACIDE PHOSPHORIQUE PAR LE DATA

Quand les données deviennent le nouveau catalyseur de la chimie

La modélisation fondée sur les données représente un véritable tournant pour la production d’acide phosphorique, car elle permet de dépasser les limites des méthodes traditionnelles, souvent lentes, coûteuses et fortement dépendantes des analyses en laboratoire.

En exploitant les données industrielles, notamment celles issues de l’atelier attaque-filtration, les modèles de Machine Learning (apprentissage automatique) sont capables de prédire rapidement et avec précision des paramètres clés, tels que la qualité de l’acide, la pureté du gypse, la température de réaction et le rendement global du procédé.

Cette approche permet aux opérateurs de réduire les pertes de P₂O₅, d’améliorer l’efficacité du procédé et d’obtenir une plus grande pureté du produit en temps réel.

Contrairement aux méthodes classiques, les approches fondées sur les données permettent d’analyser des interactions complexes et des effets non linéaires, faisant évoluer le suivi du procédé d’une logique réactive vers une logique prédictive.

Il en résulte une optimisation plus rapide, une réduction des coûts, une plus grande capacité d’adaptation, ainsi qu’une amélioration de l’efficacité, de la compétitivité et de la durabilité de la production d’acide phosphorique.

Des algorithmes au cœur de l’usine

Sur le site industriel de Jorf Lasfar, plus de 5 000 données opérationnelles ont été collectées et analysées.

Comme l’illustre la Figure 2, les distributions de ces variables d’entrée constituent la base de l’entraînement des modèles de régression linéaire multiple (MLR) et d’arbre de régression multi-cible (MRT).

En combinant les mesures issues des capteurs avec les techniques de Machine Learning (apprentissage automatique), les opérateurs peuvent désormais anticiper les écarts avant qu’ils n’affectent les performances de production.

Cette transition, qui remplace les analyses traditionnelles réalisées en laboratoire par une exploitation des données en temps réel, améliore la stabilité des procédés, réduit les pertes de matières et optimise à la fois le rendement de production et l’efficacité énergétique.

Décrypter la complexité grâce aux arbres de décision

Les arbres de régression multi-cible (MRT) ont obtenu de meilleures performances que la régression linéaire multiple (MLR), car ils sont capables de modéliser les relations non linéaires et les interactions complexes qui caractérisent le procédé d’attaque-filtration. Cette supériorité est démontrée par un coefficient de détermination R² nettement plus élevé (0,994 contre 0,3308).

Ces résultats montrent que ce procédé est intrinsèquement complexe et qu’il ne peut pas être représenté de manière satisfaisante par un simple modèle linéaire.

Au-delà de leurs meilleures performances prédictives, les arbres de décision offrent également des règles d’interprétation claires, permettant de comprendre comment les paramètres d’entrée influencent le rendement et la qualité de la production.

Les facteurs clés d’un meilleur rendement

Comme le montre la Figure 3, l’un des paramètres les plus déterminants dans la production d’acide phosphorique est le débit d’acide sulfurique, qui régule la vitesse des réactions chimiques et influence directement l’efficacité de la dissolution de la roche phosphatée.

L’analyse met également en évidence le rôle essentiel de la distribution de la taille des particules : les particules de plus grande taille ralentissent le procédé, tandis que les particules plus fines réagissent plus rapidement.

En maîtrisant ces deux facteurs majeurs, les opérateurs peuvent ajuster avec précision le dosage de l’acide sulfurique et contrôler la granulométrie des particules, ce qui permet d’assurer un fonctionnement plus stable des installations, des réactions plus homogènes et une amélioration globale de l’efficacité de l’usine.

De l’efficacité à la durabilité : vers une industrie plus verte

Le Machine Learning (apprentissage automatique) s’impose aujourd’hui comme un levier essentiel pour construire une industrie plus respectueuse de l’environnement. Dans la production d’acide phosphorique, il permet de réduire les pertes de P₂O₅, d’optimiser les étapes de lavage et de limiter les déchets de gypse.

Au-delà des gains en efficacité, ces avancées contribuent à rendre les chaînes d’approvisionnement plus durables, en garantissant une production d’engrais capable de répondre à la demande alimentaire mondiale croissante tout en réduisant son empreinte environnementale.

Cette évolution s’inscrit dans la transition plus large de l’Industrie 4.0 vers l’Industrie 5.0. Alors que l’Industrie 4.0 était principalement axée sur l’automatisation et la performance, l’Industrie 5.0 met l’accent sur des systèmes de production centrés sur l’humain, résilients et durables. En enrichissant l’expertise humaine grâce à des analyses transparentes fondées sur les données, le Machine Learning améliore non seulement les performances industrielles, mais contribue également à bâtir des écosystèmes intelligents, écologiques et adaptatifs.

Domaines d’expertise de la Professeure Jihane Moumouh

Les travaux de la Professeure Jihane Moumouh se situent à la croisée du génie chimique et du génie des procédés, ainsi que des technologies de la donnée (Data Science / Machine Learning).

• Modélisation orientée données (Data-Driven Modeling) :
  application de l’apprentissage automatique pour analyser, simuler et optimiser les procédés industriels complexes.
• Industrie des engrais et de l’acide phosphorique :
  recherche axée sur l’optimisation des unités de production d’acide phosphorique afin de rendre les procédés plus efficaces et plus durables.
• Traitement de l’eau et dessalement :
  travaux sur la filtration par membrane, la dénitrification biologique des eaux saumâtres et les systèmes solaires d’humidification-déshumidification.

La Professeure Moumouh s’inscrit dans la dynamique d’une industrie plus intelligente et plus durable. Elle aborde la donnée industrielle non seulement comme un outil d’analyse statistique, mais comme une ressource stratégique permettant d’enrichir la compréhension des modèles physiques et d’optimiser le rendement énergétique et environnemental des installations.

Au-delà des acides : quels autres secteurs la science des données peut-elle révolutionner ?

Actuellement, j’applique cette méthodologie fondée sur les données aux procédés de dessalement par osmose inverse ainsi qu’au traitement des eaux usées.

Je vois de nombreuses possibilités d’étendre cette approche à d’autres domaines des industries chimique et énergétique, notamment :

• la production d’engrais ;
• la production d’hydrogène vert, afin d’optimiser les conditions de production et de réduire les émissions ;
• les systèmes d’énergies renouvelables, pour améliorer la maintenance prédictive et l’efficacité ;
• les technologies de stockage de l’énergie et des batteries, afin de prévoir leur dégradation et d’optimiser leurs performances.

Cette méthodologie pourrait également être très utile dans le domaine de la capture et de la valorisation du carbone (CCU), où l’exploitation de jeux de données complexes permettrait d’améliorer l’efficacité des procédés de séparation et d’accélérer leur déploiement à grande échelle.

Au-delà de l’optimisation des procédés, je considère cette approche comme un véritable catalyseur pour l’ingénierie. Elle permet d’exploiter les données afin de faciliter la prise de décision et de stimuler l’innovation, tout en accompagnant la transition vers l’Industrie 5.0, où l’intelligence artificielle vient compléter l’expertise humaine pour construire des systèmes industriels durables, résilients et centrés sur l’humain.

Cap sur 2035 : des industries plus intelligentes et centrées sur l’humain

Au cours des dix prochaines années, l’intelligence artificielle (IA) et le Machine Learning transformeront la prise de décision industrielle, en faisant évoluer les entreprises d’une approche réactive vers des approches prédictives et prescriptives.

Cette évolution permettra :

• une optimisation des procédés en temps réel ;
• une amélioration de la durabilité ;
• des chaînes d’approvisionnement plus résilientes.

Dans le cadre de l’Industrie 5.0, ces technologies viendront renforcer l’expertise humaine grâce à des analyses explicables et transparentes, donnant naissance à des opérations industrielles intelligentes, adaptatives et centrées sur l’humain.

Une autre vision des données

Ce projet a profondément transformé ma manière de percevoir le lien entre la science des données, l’industrie et le développement durable.

Je considère désormais les données comme une ressource stratégique qui, lorsqu’elles sont correctement exploitées, permettent de révéler les mécanismes sous-jacents des procédés industriels et d’améliorer la compréhension de leurs modèles physiques.

Au-delà de leur rôle analytique, les données deviennent un puissant outil d’aide à la décision. Elles montrent comment la science des données peut conduire les industries vers une efficacité accrue, une plus grande durabilité et une innovation continue.

Réduire le fossé entre la recherche et le monde réel

Mon conseil aux jeunes chercheurs est de considérer la science des données non seulement comme une discipline technique, mais aussi comme un véritable pont vers un impact concret dans le monde réel.

Ils doivent veiller à collecter des données industrielles fiables et en quantité suffisante, acquérir une compréhension approfondie des procédés et être capables d’interpréter les résultats des modèles dans leur contexte industriel.

En associant les méthodes avancées de la science des données aux défis industriels et aux objectifs de durabilité, ils pourront transformer les données en connaissances exploitables pour construire des industries plus intelligentes et plus résilientes.

Perspectives : les données au service du développement durable

Le Machine Learning est bien plus qu’un simple outil technique : il constitue un véritable moteur de transformation industrielle.

Qu’il s’agisse de réduire les déchets, de stabiliser la qualité des produits ou de construire des chaînes d’approvisionnement plus durables, l’intégration de l’intelligence artificielle dans les opérations industrielles ouvre la voie à des écosystèmes plus intelligents, plus écologiques et plus centrés sur l’humain.

Mon message à la jeune génération de chercheurs : la science des données ne se résume pas aux algorithmes. Elle consiste avant tout à produire un impact concret en créant des passerelles entre l’industrie, le développement durable et l’innovation.

Je considère désormais les données comme une ressource stratégique qui, lorsqu’elles sont exploitées de manière pertinente, permettent de révéler les mécanismes sous-jacents des procédés industriels et d’approfondir la compréhension de leurs modèles physiques.

Ce texte est, en partie, extrait d’une interview de la Professeure Jihane Moumouh par The Times of UM6P.