Philippe Soudant, François Septier, Emmanuel Frenod
Le Gouessant
1 Contexte
La demande mondiale en acides gras oméga-3 à longue chaîne, notamment le DHA et l’EPA, augmente fortement sous l’effet du développement de l’aquaculture et des besoins en nutrition humaine. Or les ressources traditionnelles issues des huiles et farines de poisson atteignent leurs limites, tandis que le changement climatique menace davantage la disponibilité de ces molécules essentielles. Dans ce contexte, les microalgues marines hétérotrophes du genre Aurantiochytrium représentent une alternative durable et prometteuse pour la production d’oméga-3.
La production industrielle de ces microalgues reste cependant coûteuse. Une voie d’amélioration consiste à utiliser comme substrats des coproduits agroalimentaires riches en carbone, azote et phosphore, permettant à la fois de réduire les coûts de production et de valoriser des flux résiduels issus de l’industrie. Toutefois, la composition variable de ces coproduits rend le pilotage de la fermentation particulièrement complexe.
2 Objectifs du projet
L’objectif principal de cette thèse est donc de développer un système intelligent capable de prédire et d’optimiser en temps réel la croissance et la qualité de la biomasse produite. Pour cela, le projet s’appuie sur le concept de Model Predictive Control (MPC) associé à des approches de Machine Learning et potentiellement de Reinforcement Learning.
L’originalité du projet repose sur l’intégration simultanée de données provenant de plusieurs échelles du procédé :
• les paramètres classiques du bioréacteur (température, pH, oxygène dissous, agitation, débit d’air) ;
• les données de composition du milieu obtenues par spectroscopie Raman en ligne ;
• les données physiologiques des cellules obtenues par cytométrie en flux.
La cytométrie permettra de suivre en continu l’état physiologique des microalgues : croissance, viabilité, stockage lipidique ou réponse à différentes contraintes. La spectroscopie Raman apportera quant à elle des informations en temps réel sur la composition du milieu de culture et la disponibilité des nutriments. La combinaison de ces mesures doit fournir une vision plus complète du fonctionnement biologique que les seuls capteurs conventionnels.
La thèse visera d’abord à identifier les indicateurs les plus pertinents issus du Raman et du cytomètre. Ces données seront ensuite intégrées dans une base de données structurée permettant de construire des modèles prédictifs robustes et interprétables. L’objectif n’est pas de développer une « boîte noire », mais un outil dont les mécanismes restent compréhensibles pour les opérateurs.
Une autre ambition majeure est de démontrer que ces modèles peuvent faciliter la montée en échelle industrielle. Les comportements observés dans un petit réacteur ne sont pas toujours transférables vers des équipements plus grands ou de conception différente. L’utilisation d’indicateurs physiologiques cellulaires pourrait constituer un moyen plus fiable de transférer les connaissances entre différentes échelles de production.
Enfin, le projet inclut une dimension économique et environnementale importante. Les modèles prédictifs développés seront intégrés dans des analyses technico-économiques (TEA) et d’analyse du cycle de vie (ACV/LCA) afin d’évaluer les gains de productivité, les économies d’énergie, la valorisation des coproduits et l’impact environnemental global du procédé.
Cette thèse vise ainsi à développer une nouvelle génération d’outils de pilotage intelligent des fermentations de microalgues, combinant biotechnologies, capteurs avancés et intelligence artificielle, afin d’accélérer l’industrialisation de la production durable d’oméga-3 marins.
2030
Panorama
