Table des Matières
Un modèle de substitution (surrogate model) est une approximation statistique rapide d'un modèle de procédé lent, comme une simulation de schéma de procédé, un modèle de réacteur ou une étude CFD. On lance le modèle rigoureux en des points choisis, on ajuste un modèle de régression ou d'apprentissage automatique sur les résultats, on le teste sur des simulations inédites, puis on l'utilise pour l'optimisation et les études de scénarios dans son domaine validé.
Points clés
- Un modèle de substitution remplace un simulateur, pas l'usine. Il apprend à partir de simulations, alors qu'un capteur logiciel apprend à partir des données de l'usine et du laboratoire.
- Il n'est rentable que si le modèle rigoureux est lent et appelé de nombreuses fois. Dans un cas de cycle de réfrigération de GNL, l'optimisation par modèle de substitution a trouvé les conditions opératoires optimales en 2 heures au lieu de 3 semaines ; dans une autre étude, un modèle simple de réacteur d'ammoniac n'a obtenu aucun gain de temps.
- Environ 10 simulations par variable d'entrée constituent une première campagne raisonnable (Loeppky et al., 2009).
- Un optimiseur trouvera les erreurs du modèle de substitution. Confirmez chaque optimum proposé avec le modèle rigoureux et gardez la recherche dans le domaine échantillonné.
- Des outils open source couvrent toute la démarche. La difficulté est de bien poser le problème, pas le logiciel.
Qu'est-ce qu'un modèle de substitution en génie des procédés ?
Les ingénieurs procédés disposent déjà de modèles précis : un schéma de procédé dans un simulateur commercial, un modèle cinétique de réacteur, un cas CFD d'un mélangeur ou d'un brûleur. Ces modèles sont lents, et certains ne convergent pas pour certaines entrées. C'est acceptable pour une étude de cas isolée, mais pas quand un optimiseur, une étude de sensibilité ou un criblage de conceptions demande des milliers d'évaluations.
Un modèle de substitution, aussi appelé métamodèle, remplace le modèle coûteux dans cette boucle. Une revue sur la modélisation hybride en génie chimique le cite parmi les façons de combiner physique et données : construire un modèle plus rapide d'un modèle numérique haute fidélité précis. Les autres incluent la correction d'un modèle mécaniste qui ne capture pas toute la physique, et l'insertion d'un terme data-driven pour une corrélation inconnue dans un modèle mécaniste.
On le confond facilement avec deux outils voisins :
| Capteur logiciel | Modèle de substitution de procédé | Modèle de formulation (virtual lab) | |
|---|---|---|---|
| Remplace | Une mesure en ligne manquante | Une simulation lente | Une partie du travail de laboratoire |
| Entraîné sur | Historian de l'usine et résultats de laboratoire | Simulations d'un modèle rigoureux | Recettes et résultats d'essais passés |
| Qui choisit les points de données | L'historique de marche de l'usine | L'ingénieur, librement | Le formulateur, avec un coût par essai |
| Sert à | Surveillance et régulation | Optimisation, conception, études de scénarios | Choisir les prochaines expériences |
| Risque principal | Dérive et défauts de capteurs | Hérite des erreurs du simulateur ; extrapolation | Extrapolation à une chimie nouvelle |
Nos guides sur les capteurs logiciels et sur le virtual lab pour la R&D industrielle traitent des deux autres colonnes.
Quand un modèle de substitution est-il rentable ?
Le gain vient du remplacement de nombreux appels lents.
Savage et ses collègues ont appliqué une réduction de dimension et un ensemble de processus gaussiens, modélisant à la fois l'objectif et les contraintes de faisabilité, au cycle de réfrigération en cascade de GNL CryoMan. Leur approche a trouvé les conditions opératoires optimales en seulement 2 heures au lieu des 3 semaines initiales.
Granacher et ses collègues ont remplacé trois simulations d'unités de procédé dans une optimisation de superstructure : un procédé de conversion de biomasse en carburant Fischer-Tropsch, un réacteur d'ammoniac et une unité de co-électrolyse. Le modèle le plus complexe a été approché en moins de 10 % du temps de simulation d'origine, la co-électrolyse a nécessité 67 %, et pour le modèle simple de réacteur d'ammoniac il n'y a eu aucun gain de temps. Les auteurs prévoient des gains allant jusqu'à 50 % pour les simulations de plus de 10 secondes environ par calcul.
La règle est simple : si un calcul de votre modèle prend quelques millisecondes, optimisez-le directement. Un modèle de substitution se justifie quand les calculs durent de quelques secondes à quelques heures, quand le modèle est appelé des milliers de fois, ou quand des échecs de convergence bloquent l'optimiseur.
Quel type de modèle de substitution choisir ?
Les réseaux de neurones sont particulièrement répandus en modélisation des procédés chimiques, tandis que les approches polynomiales et par krigeage sont aussi appliquées en conception de procédés. Le tableau résume les principales options.
| Type de modèle | Points forts | Limites | Exemples d'outils |
|---|---|---|---|
| Polynôme (surface de réponse) | Transparent, facile à intégrer dans un optimiseur | Rate les fortes non-linéarités | Tout logiciel de statistique ; PySMO |
| Régression algébrique parcimonieuse | Équations courtes, lisibles par les ingénieurs et faciles à traiter par les optimiseurs | Nécessite une licence | ALAMO |
| Processus gaussien (krigeage) | Donne une prédiction et son incertitude | Perd en efficacité au-delà de quelques dizaines d'entrées | scikit-learn, PySMO |
| Réseau de neurones | Nombreuses sorties, fortes non-linéarités, grands jeux de données | Demande plus de simulations ; plus difficile à inspecter | Keras avec OMLT |
| Arbres à gradient boosting | Robustes, peu de réglages | Par morceaux, donc pas de gradients lisses | OMLT |
Quelques points tirés de la documentation de ces outils :
- La plateforme de modélisation de procédés IDAES peut intégrer des modèles de substitution ALAMO, PySMO ou Keras dans des schémas de procédé IDAES. Elle décrit ALAMO comme un outil de régression pour des modèles de substitution sous forme d'équations, qui exige une licence séparée.
- Les processus gaussiens de scikit-learn donnent des prédictions probabilistes avec des intervalles de confiance, mais perdent en efficacité en grande dimension, quand le nombre de variables dépasse quelques dizaines.
- OMLT est un logiciel open source qui insère des modèles de substitution par réseaux de neurones et arbres à gradient boosting dans des problèmes d'optimisation plus larges écrits en Pyomo. Schweidtmann et Mitsos ont montré que des réseaux intégrés de cette façon peuvent être résolus par optimisation globale déterministe, avec des cas tests qui comprennent un procédé chimique et une installation de compression.
Comment construire un modèle de substitution, étape par étape ?
- Définir la décision. Écrire à quoi sert le modèle, par exemple « maximiser le rendement en hydrogène sous une limite d'azote ». La décision fixe les sorties qui comptent et la précision requise.
- Choisir peu d'entrées et des plages réalistes. Chaque entrée supplémentaire augmente le nombre de simulations. Utiliser la connaissance du procédé ou une rapide étude de sensibilité sur le modèle rigoureux pour écarter les entrées peu influentes. Fixer les plages à ce que l'usine peut réellement atteindre.
- Générer un plan qui remplit l'espace. L'échantillonnage par hypercube latin découpe la plage de chaque entrée en intervalles égaux et place exactement un point dans chacun. Commencer avec environ 10 simulations par entrée.
- Lancer le simulateur en série et tout enregistrer. Noter les entrées, chaque sortie, l'état de convergence et le temps de calcul. Les simulations qui ne convergent pas montrent où s'arrête le domaine faisable ; ne pas les supprimer sans le dire.
- Ajuster un modèle de référence simple, puis un modèle plus flexible. Ne garder le modèle flexible que s'il bat la référence sur des simulations qu'il n'a pas vues.
- Valider par rapport à la décision. Vérifier l'erreur de chaque sortie sur les simulations réservées au test, et la cohérence physique : bouclage du bilan matière, fractions molaires dont la somme vaut un, aucun débit négatif.
- Ajouter des simulations là où le modèle est le plus faible. Utiliser l'incertitude du modèle pour choisir le prochain lot de simulations, puis réajuster.
- Optimiser, puis confirmer. Lancer le modèle rigoureux à l'optimum proposé. Si les deux divergent, ajouter ce point aux données et recommencer.
Les exemples IDAES illustrent cette démarche sur un reformeur autotherme qui produit du gaz de synthèse pour un système à pile à combustible. Le modèle de substitution a deux entrées, la fraction de gaz naturel en by-pass et le rapport gaz naturel/vapeur, et prédit le débit de vapeur, la puissance thermique du reformeur et la composition en sortie. Sur 2 800 points simulés à partir d'un schéma de procédé rigoureux, le notebook en tire 100 au hasard avec un découpage 80/20, intègre le réseau Keras dans le schéma de procédé et maximise la production d'hydrogène en maintenant l'azote sous 34 % molaire.
Combien de simulations faut-il ?
Loeppky, Sacks et Welch ont étudié la règle empirique selon laquelle une première expérience numérique demande environ 10 simulations par dimension d'entrée, avec des modèles de processus gaussiens et des plans en hypercube latin. Ils concluent que n = 10d est une règle raisonnable pour une première campagne pour les problèmes qui se comportent bien. Quand 10 simulations par entrée donnent une faible précision, le rythme d'amélioration avec davantage de simulations tend aussi à être faible, ce qui peut appeler à reformuler le problème.
En pratique, cela signifie 50 à 100 simulations pour un problème de 5 à 10 entrées en premier passage, puis un point de décision : si la précision est mauvaise, resserrer les plages, découper le domaine de fonctionnement ou retirer des entrées avant de lancer des milliers de simulations.
L'échantillonnage adaptatif aide après le premier lot. Granacher et ses collègues sont partis de 10 points simulés et ont ajouté des lots de 10 là où le modèle était le plus incertain. Leur apprentissage actif a donné de meilleures prédictions qu'un échantillonnage aléatoire pour une base de données de même taille, avec des erreurs quadratiques moyennes de test inférieures à 2 % dans les trois cas.
Comment optimiser avec un modèle de substitution sans être induit en erreur ?
Un optimiseur cherche la meilleure valeur que prédit le modèle de substitution. Si celui-ci se trompe quelque part, par exemple près du bord du domaine échantillonné, l'optimiseur ira souvent précisément là. Trois garde-fous sont courants.
Revenir au simulateur quand l'incertitude est élevée. Dans l'étude de Granacher, une prédiction du modèle de substitution n'était utilisée que si son incertitude prédite restait sous un seuil de 8 % ; sinon, la simulation d'origine était lancée et son résultat ajouté aux données d'entraînement.
Avancer par petits pas vérifiés. Le solveur à région de confiance de Pyomo traite les problèmes qui mélangent modèles sous forme d'équations et modèles boîte noire. Il remplace les modèles coûteux par des fonctions basse fidélité et progresse par petits pas incrémentaux vers une solution optimale, en n'acceptant un pas qu'après l'avoir vérifié, ce qui réduit le nombre d'appels aux fonctions coûteuses.
Modéliser les contraintes, pas seulement l'objectif. Dans l'étude sur le GNL, des processus gaussiens distincts modélisaient les contraintes de faisabilité en plus de l'objectif. Un modèle de substitution qui prédit le profit mais pas le respect des limites du compresseur proposera des points de fonctionnement infaisables.
L'optimisation par modèle de substitution est une famille de méthodes, aussi appelée optimisation sans dérivées fondée sur un modèle. Un récent chapitre didactique compare l'optimisation bayésienne, des méthodes d'approximation linéaire et quadratique, des méthodes à base d'arbres et de fonctions à base radiale sur des cas de réacteurs. Pour des expériences plutôt que des simulations, voir notre comparaison entre plan d'expériences et optimisation bayésienne.
Ajustement pur sur données ou modèle hybride ?
Un modèle de substitution pur ignore tout des lois de conservation. Un modèle hybride garde la structure mécaniste, comme les bilans matière et énergie, et n'apprend que la partie incertaine, comme une vitesse de réaction ou un rendement. Modélisation hybride, apprentissage automatique informé par la physique et calage de modèle sont les trois familles que compare la revue sur la modélisation hybride sur un cas de réacteur chimique.
Les simulateurs commerciaux ont évolué dans ce sens. En mai 2021, AspenTech a annoncé des modèles hybrides fondés sur les premiers principes, avec de l'IA intégrée dans Aspen HYSYS et Aspen Plus, ainsi que des modèles hybrides d'ordre réduit pour ses produits de planification et d'optimisation dynamique. Les noms et le périmètre des produits changent ; vérifiez ce que couvrent vos licences actuelles.
Choisissez un modèle de substitution pur quand vous avez besoin de vitesse dans une boucle et que le modèle rigoureux est fiable. Choisissez un modèle hybride quand le modèle mécaniste lui-même ne colle pas aux données de l'usine, par exemple parce que la cinétique ou l'encrassement sont mal connus. Pour un modèle qui suit un équipement en exploitation, voir les jumeaux numériques dans l'industrie manufacturière.
Ce que nous avons constaté chez KABAS AI
Notre Virtual Lab est conçu pour tester virtuellement des formulations et des paramètres de procédé avant la phase de laboratoire ou de pilote. Les deux déploiements que nous décrivons publiquement sont des projets de formulation et non des modèles de substitution de schémas de procédé, mais la discipline est la même.
Chez ADFC (groupe Sonatrach), la comparaison entre résultats simulés et réels guide les ajustements, et les formulations validées sont conservées pour être réutilisées. Chez ENAD Shymeca, les données historiques de formulation ont été migrées dans la plateforme avant de servir à la prédiction, et l'étude de cas fait état d'une réduction de 40 % des cycles d'essais physiques.
Trois leçons pratiques s'appliquent aux modèles de substitution de procédés :
- Partir de la décision, pas du modèle. Notre guide d'optimisation de formulation par IA montre comment traduire d'abord une spécification en chiffres.
- Confirmer avant d'agir. Toute prédiction qui conduit à une décision doit être vérifiée par rapport à la référence, qu'il s'agisse du laboratoire, du pilote ou du simulateur rigoureux.
- Garder les modèles là où se trouve le savoir-faire. Un modèle de procédé et son modèle de substitution encodent la façon dont votre usine fonctionne. Virtual Lab peut être déployé sur site ou sur un PC local sans connexion internet, et notre guide de l'IA souveraine sur site présente les options.
Notre page solutions pour la chimie montre comment cela s'intègre à la R&D et à l'optimisation des procédés dans les entreprises chimiques.
Sources
- Savage et al., An integrated dimensionality reduction and surrogate optimization approach for plant-wide chemical process operation, AIChE Journal (dépôt de l'Université de Cambridge)
- Granacher, Kantor et Maréchal, Increasing Superstructure Optimization Capacity Through Self-Learning Surrogate Models, Frontiers in Chemical Engineering, 2021
- Loeppky, Sacks et Welch, Choosing the Sample Size of a Computer Experiment: A Practical Guide, Technometrics 51(4), 2009
- Bradley et al., Perspectives on the Integration between First-Principles and Data-Driven Modeling, prépublication LAPSE, 2021
- Documentation IDAES : outils de modélisation de substitution
- Exemples IDAES : Keras flowsheet optimization (reformeur autotherme)
- Ceccon et al., OMLT: Optimization and Machine Learning Toolkit, Journal of Machine Learning Research 23, 2022
- Schweidtmann et Mitsos, Deterministic Global Optimization with Artificial Neural Networks Embedded, arXiv 1801.07114
- Documentation scikit-learn : Gaussian Processes
- Documentation SciPy : scipy.stats.qmc.LatinHypercube
- Documentation Pyomo : Trust Region Framework Method Solver
- Neufang et al., Surrogate-Based Optimization Techniques for Process Systems Engineering, arXiv 2412.13948, 2024
- AspenTech Expands Application of Industrial AI to Achieve New Profitability and Sustainability Goals, mai 2021 (via CIMdata)
Questions fréquentes
Quelle est la différence entre un modèle de substitution et un modèle d'ordre réduit ?
Les termes se recouvrent. Modèle de substitution et métamodèle désignent en général une approximation ajustée sur des données issues d'un simulateur rigoureux. Modèle d'ordre réduit désigne souvent un modèle simplifié dérivé des équations physiques, même si des éditeurs emploient aussi ce terme pour des modèles ajustés sur données. Ce qui compte en pratique, c'est sur quoi le modèle a été entraîné et sur quel domaine il a été validé.
Combien de simulations faut-il pour construire un modèle de substitution ?
Un point de départ courant est d'environ 10 simulations par variable d'entrée, soit 50 simulations pour cinq entrées. Les travaux publiés sur les expériences numériques confirment ce chiffre pour une première campagne. Si la précision reste mauvaise à cette taille, ajouter des simulations aide généralement peu, et il vaut mieux réduire le nombre d'entrées ou resserrer les plages.
Un modèle de substitution peut-il remplacer le simulateur de procédés ?
Non. Le modèle de substitution est entraîné sur les résultats du simulateur : il hérite de ses hypothèses et de ses erreurs, et ne connaît que le domaine échantillonné. Gardez le modèle rigoureux pour confirmer chaque optimum proposé, et reconstruisez le modèle de substitution quand le schéma de procédé, le modèle thermodynamique ou les équipements changent.
Un modèle de substitution est-il la même chose qu'un capteur logiciel ?
Non. Un capteur logiciel est entraîné sur les données de l'historian et les résultats du laboratoire pour estimer une variable non mesurée en ligne. Un modèle de substitution de procédé est entraîné sur des simulations d'un modèle rigoureux pour le remplacer pendant une optimisation ou une étude de conception. Les deux sont des modèles data-driven, mais leurs données, leur usage et leurs modes de défaillance diffèrent.
Quels logiciels utiliser pour construire des modèles de substitution de procédés ?
Des outils open source couvrent toute la démarche : SciPy pour les plans d'échantillonnage, scikit-learn pour les processus gaussiens et d'autres régresseurs, et la plateforme IDAES avec Pyomo et OMLT pour intégrer les modèles de substitution dans l'optimisation d'un schéma de procédé. Les simulateurs de procédés commerciaux proposent aussi des fonctions de modélisation hybride et d'ordre réduit ; vérifiez ce que couvrent vos licences actuelles.
Les modèles de substitution peuvent-ils tourner sur nos propres serveurs ?
Oui. Les modèles de substitution sont légers et n'ont besoin d'aucune connexion internet une fois entraînés. Comme ils encodent le savoir-faire procédé, beaucoup d'entreprises gardent les données de simulation et les modèles sur leur propre infrastructure.



