Offre de thèse

Offre de thèse / Contrat doctoral MESR
Développement et validation d’un modèle d’intelligence artificielle
pour la prédiction de performances de mélange et l’optimisation de
design de bioréacteurs mécaniquement agités
Direction : Pr Frantz Fournier et Dr Céline Loubière
Laboratoire Réactions et Génie des Procédés, UMR CNRS 7274, Vandoeuvre les
Nancy
Contexte
Afin de mieux comprendre et améliorer les procédés de culture en termes de
bioproduction (biomolécule, cellule, etc.) et de qualité de la population, il est nécessaire
de maîtriser l’environnement de la phase biologique (micro-organismes, cellules...) au
cours de la culture. Les approches de modélisation telle que la mécanique des fluides
numériques (CFD), en complément des approches expérimentales, ont démontré un
apport dans la compréhension des phénomènes en caractérisant des grandeurs
physiques pouvant être difficiles à obtenir par l’expérience, et dans la prédiction de
réponses permettant de réduire le nombre d’expériences lors du développement (coût de
culture élevé, disponibilité des souches ou de matériel limité, montée en échelle
numérique avant de guider un investissement...) [1,2].
L’usage de la CFD reste néanmoins limité pour des applications aux grandes échelles en
raison de temps de calculs élevés, et difficiles à implémenter pour les couplages hydro-
cinétiques. Une stratégie pour surmonter ces verrous est la compartimentation des
champs d’écoulement. Cette approche nécessite cependant une expertise relevant de la
modélisation CFD, d’ingénierie et de génie des (bio)procédés, rendant son application
relativement peu étendue. Par ailleurs, la définition des frontières entre les
compartiments reste souvent arbitraire, avec peu de travaux basés sur une
automatisation de la méthode [3]. Les travaux de thèse auront pour but de développer un
algorithme de traitement de données par intelligence artificielle, afin d’accélérer
l’intégration des phénomènes de transport et de transfert dans les règles de
dimensionnement et d’optimisation des bioprocédés industriels. Le couplage de champs
d’écoulements 2D issus de PIV avec un modèle de type réseau de neurones artificiels
(RNA) a été récemment validé pour la reconstruction 3D des écoulements sur une
configuration « lock-exchange » [4], apportant une preuve de concept de ce type
d’approche à partir de champs expérimentaux. Mais à ce jour, aucune approche de
couplage RNA-CFD n’a été reportée dans la littérature, en raison des progrès encore très
récents en compartimentation CFD en bioréacteur, et à l’émergence des algorithmes
d’intelligence artificielle.
Une intégration de cette approche originale en génie des bioprocédés, et plus
spécifiquement ici sur la description et la prédiction des écoulements et transferts en
bioréacteur agité, permettra in fine de réduire significativement la complexité des

modèles hydrodynamiques et des temps de calcul. Ceci permettra par exemple à moyen
terme d’améliorer les études paramétriques, et de rendre plus accessibles les couplages
hydro-cinétiques, voir à plus long terme d’envisager un pilotage de procédé basé sur
l’hydrodynamique en temps réel. Cette dernière perspective s’appliquerait notamment
sur des cultures présentant une évolution dynamique de l’environnement (ex :
fermentations avec rhéologie évolutive au cours du temps, phases d’agitation
intermittente en culture cellulaire, cultures multiphasiques avec évolution des phases
liquides et / ou gaz en termes de taille de bulle ou particules, concentrations locales…).
Description du travail de thèse
Les travaux de thèse impliqueront le développement d’une méthodologie numérique
avancée et générique, complémentaire aux approches actuellement menées au
laboratoire, afin de mieux comprendre les phénomènes de transport en bioréacteur
et proposer des modèles prédictifs robustes et avec des temps de calculs raisonnables
pour le développement de bioprocédés. Celle-ci s’appuiera sur de l’intelligence
artificielle et en particulier sur des modèles de type réseau de neurones artificiels
(RNA) permettant de prédire les performances de mélange dans un bioréacteur
pour un design et des conditions opératoires donnés. En comparaison à la simulation
CFD, le RNA permettra une réduction significative de la complexité du modèle
hydrodynamique et du temps de calcul / réponse, permettant un pilotage du procédé.
L’apprentissage et la validation de ce modèle seront menés à partir d’une base de données
impliquant un travail d’extraction, tri et nettoyage de données et corrélations issues de la
littérature, complétée au besoin par des simulations CFD.
Le projet de thèse s’articulera selon trois niveaux progressifs de sorties du modèle (Figure
1). Afin de réduire les paramètres d’étude pendant le développement initial, celui-ci sera
réalisé en condition monophasique d’un fluide newtonien, avant transfert en condition
polyphasiques (liquide-gaz, liquide-solide, liquide-gaz-solide) plus représentatif des
procédés de fermentation utilisés aujourd’hui.
1. A partir de champs d’écoulements, le modèle doit prédire des grandeurs
macro comme le temps de mélange (tm), la puissance dissipée ou le kLa. Il
permettra de remplacer le post traitement dynamique pouvant prendre
plusieurs jours de calculs pour tm ou kLa.
2. A partir des entrées du modèles, le modèle doit générer et / ou analyser des
compartiments d’écoulement. En complément des paramètres macro, le modèle
fournit alors en sortie des paramètres et gradients localement représentatifs
(zones à puissance dissipée faible / intense, zones mortes, courts-circuits, zones
mal aérées…). Cette étape intermédiaire permettra le lien entre les étapes 1 et 3.
3. Le modèle prendra une dimension complètement générative en devenant
capable de reconstruire les écoulements et gradient locaux précis à partir des
conditions d’entrées. Il permettra de remplacer le calcul complexe des
écoulements par simulation numérique.

Figure 1 : Structure globale du modèle et du niveau de développement des sorties attendues.
Type de Contrat
Contrat doctoral MESR / démarrage octobre 2024
Encadrement
Le suivi du doctorant sera effectué par des réunions d’accompagnement :
- Une réunion de lancement de thèse en présence du directeur (Pr Frantz Fournier,
[email protected]) et de la co-directrice de thèse (Dr Céline Loubière,
[email protected]) et des membres de l’équipe avec interaction possible.
- Une réunion mensuelle « bilan d’avancement » de la thèse en présence du directeur de
thèse, de la co-directrice de thèse, mais aussi d’un membre de l’équipe qui sera associé au
travail de thèse.
- Une réunion hebdomadaire en présence d’au moins un des encadrants de la thèse pour
un suivi technique au fil de l’eau.
De plus, le doctorant sera amené à présenter un bilan de ses travaux annuellement lors
des réunions d’équipe. D’autre part, nous encourageons les doctorants de notre équipe à
participer aux formations disciplinaires mais aussi transversales proposées par
l’université de lorraine et le CNRS ou d’autres organismes (selon besoin particulier). La
plupart des doctorants de notre équipe ont assisté aux Doctoriales organisées une fois par
an par les écoles doctorales. Les perspectives professionnelles pour le docteur, à l’issue
des travaux dépendront de son projet professionnel et de ses souhaits. Il/elle pourrait
devenir ingénieur ou chercheur dans le milieu académique ou privé ou se lancer dans la
création d’entreprise.
Mots clefs
Modélisation, réseau de neurones artificiels, hydrodynamique, mélange, mécanique des
fluides numériques, bioprocédés.
Profil du·de la candidat·e
• Etudiant·e en master 2 ou école d’ingénieur en biotechnologie / bioprocédé,
informatique ou mécanique.
• Connaissances en génie des bioprocédés, en particulier en génie des bioréacteurs.

• Compétences en écriture de code (Matlab ou Python) et en modélisation. Une
expérience dans les modèles par apprentissage serait appréciée.
• Intérêt fort pour la multidisciplinarité et bonne capacité à s’adapter.
• Curiosité et rigueur scientifique.
• Très bonnes qualités rédactionnelles et de synthèse orale.
Candidature
Envoyer un CV et une lettre de motivation aux deux adresses suivantes :
[email protected] et [email protected], en incluant les mots
« candidature MESR » dans l’objet du mail, avant le 30 avril 2024 à 23h59. Au-delà de
cette date, les candidatures ne pourront être prises en compte.
Références bibliographiques :
[1] Narayanan, H., et al. (2020). Bioprocessing in the digital age: the role of process
models. Biotechnology journal, 15(1), 1900172.
[2] Dragoi, E. N., et al. (2016). Artificial neural network modeling of mixing efficiency in a
split-cylinder gas-lift bioreactor for Yarrowia Lipolytica suspensions. Chemical
Engineering Communications, 203(12), 1600-1608.
[3] Tajsoleiman, T., Spann, R., Bach, C., Gernaey, K. V., Huusom, J. K., & Krühne, U. (2019).
A CFD based automatic method for compartment model development. Computers &
Chemical Engineering, 123, 236-245.
[4] Delcey, M., Cheny, Y., & Kiesgen de Richter, S. (2023). Physics-informed neural
networks for gravity currents reconstruction from limited data. Physics of Fluids, 35(2).
Development and validation of an artificial intelligence model
for the prediction of mixing performance and design
optimization of mechanically stirred bioreactors
Keywords
Modelling, artificial neural network, hydrodynamics, mixing, computational fluid
dynamics, bioprocess.
Project details
The thesis work will lead to the development of an advanced and generic numerical
methodology, complementary to the approaches currently carried out in the laboratory,
in order to better understand bioreactor transport phenomena and to propose robust
predictive models with reasonable calculation times for the development of bioprocesses.
This will be based on artificial intelligence and in particular on artificial neural network
(ANN) type of models to predict mixing performance in a bioreactor for a given design
and operating conditions. Compared to CFD simulation, ANN will allow a significant
reduction in the complexity of the hydrodynamic model and the calculation/response
time, allowing process control. The learning and validation of this model will be carried

out from a database involving extraction, sorting and cleaning of data and correlations
from the literature, supplemented, if necessary, by CFD simulations.
The thesis project will be structured according to three progressive levels of model output
(Figure 1). In order to reduce the study parameters during the initial development, this
will be carried out in the single-phase condition of a Newtonian fluid, before transfer to
multi-phase conditions (liquid-gas, liquid-solid, liquid-gas-solid) more representative of
the fermentation processes used today.
1. From flow fields, the model must predict macro quantities such as mixing time (tm),
dissipated power or kLa. It will replace dynamic post-processing which can take
several days of calculations for tm or kLa.
2. From the model inputs, the model must generate and/or analyse flow
compartments. In addition to the macro parameters, the model then provides
locally representative parameters and gradients as output (areas with low/intense
power dissipation, dead zones, short circuits, poorly ventilated areas, etc.). This
intermediate step will allow the link between steps 1 and 3.
3. The model will take on a completely generative dimension by becoming capable of
reconstructing precise local flows and gradients from the input conditions. It will
make it possible to replace the complex calculation of flows by numerical
simulation.
Student profile
• Student in master 2 or engineering school in biotechnology / bioprocess, or
computer science, or mechanics.
• Knowledge in chemical engineering (bioprocess), particularly in bioreactor
engineering.
• Skills in writing code (Matlab or Python) and modelling. Experience in machine
learning would be appreciated.
• Strong interest in multidisciplinarity and high adaptability.
• Curiosity and scientific rigor.
• Very good writing and oral synthesis skills.