Sur le mois de janvier, les élèves des programmes Énergies et procédés (ENEP) et Processes and Polymers (POLY) inscrits en scolarité continue ou en alternance sur 22 mois, ont créé des modèles prédictifs sur des unités de raffinage grâce à l’apprentissage automatique ou le machine learning.
Organisé(e)s par groupes de quatre, les élèves ont travaillé sur trois jeux de données réels mis à disposition par TotalEnergies et deux fournis par Axens.
Ils et elles se sont penché(e)s sur les sujets suivants :
- la prédiction de la consommation fuel gaz et vapeur (utilités) d’une unité de réformeur catalytique ;
- l’optimisation énergétique d’une unité de réformeur catalytique ;
- la prédiction du RON (Indice octane) de la qualité de la charge du réformeur catalytique et
- l’optimisation énergétique d’une unité d’hydrotraitement d’essence.
Cette formation a permis aux élèves de mieux appréhender l’utilisation des données disponibles « denses » et/ou « possiblement incohérentes » pour construire un modèle prédictif d’optimisation qualitative dans le but de rendre les opérations plus efficaces.
Ce fut également une opportunité de mieux comprendre le travail des data scientists, de collaborer avec des expert(e)s pour élaborer des modèles tout en s’assurant qu’ils respectent un process correct.
« Pour mener à bien ces projets, les élèves ont complété trois grandes étapes. Ils et elles ont d’abord procédé au data cleaning, c’est-à-dire ils et elles ont nettoyé les données en retirant les éléments marginaux, les points isolés puis ils et elles les ont filtrés » explique Stéphane Bourgeon, Responsable du programme Énergie et procédés.
« Les élèves ont ensuite réaliser une matrice de corrélation en analysant les principales variables et leur impact dans le modèle prédictif. Enfin, ils et elles ont sélectionné un modèle à partir de différentes lois (par exemple : régression linéaire, Ridge, Lasso, etc.) » ajoute-t-il.