Description

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.

Compétences requises

Diplôme d'ingénieur ou master en génie des procédés ou équivalent. Un intérêt marqué pour la modélisation et une connaissance de Python seraient un atout.

Bibliographie

[1] Verlhac P. et al. (2023). Study and optimization of formulation parameters during freeze–drying cycles of model probiotic: Morphology characterization of lyophilisates by scanning electron microscopy, Drying Technology. DOI: 10.1080/07373937.2023.2213314
[2] Velardi S. and Barresi A. (2008). Development of simplified models for the freeze-drying process and investigation of the optimal operating conditions. Chemical Engineering Research and Design. DOI:10.1016/j.cherd.2007.10.007
[3] Cheng Y. et al. (2026). A PINN-based transformer model for heat transfer prediction in freeze-drying process. International Communications in Heat and Mass Transfer. DOI: 10.1016/j.icheatmasstransfer.2025.109985.
[4] Safira K. R. et al. (2025). AI-enhanced freeze-drying: Research progress and application prospects. Drying Technology. DOI: 10.1080/07373937.2025.2550602

Mots clés

Lyophilisation, Intelligence artificielle, Modélisation multiphysique, Optimisation des procédés