De gauche à droite : Bruno Blais et Moncef Chioua, professeurs en génie chimique, et Arife Uzundurukan, associée de recherche au laboratoire EPIC.

Quand l’usine est trop bavarde 

Dans les salles de contrôle des usines chimiques, aujourd’hui, des milliers de capteurs alimentent les écrans des opérateurs. « L’usine fonctionne un peu comme un avion en pilotage automatique : des systèmes règlent eux-mêmes les températures, les pressions et les débits, explique le P^r Moncef Chioua, spécialiste de la commande des procédés. Mais quand survient un problème, on a besoin de pilotes. » 

Actuellement, l’industrie perd une partie de son expertise avec les départs à la retraite d’employés qui possédaient une grande maîtrise des procédés. Or, cette perte survient au moment où la quantité d’informations à traiter a beaucoup augmenté. Lors d’un incident, les alarmes s’enchaînent, au point qu’on parle d’« inondation d’alarmes ». « C’est une charge cognitive trop grande pour les opérateurs », résume le chercheur. 

C’est ici que l’IA change la donne. Entraînés sur des années de données historiques, les réseaux de neurones profonds développés par l'équipe du P^r Chioua repèrent une anomalie, puis en identifient la source : une vanne défaillante ou un capteur qui flanche, par exemple. Ils peuvent même garder la mémoire des séquences d’alarmes : en les comparant à l’historique de l’usine, ils indiquent à l’opérateur d’où venait le problème la dernière fois qu’un scénario semblable s’est produit. Ces modèles visent juste dans environ 90 % des cas, contre 60 à 70 % pour les méthodes statistiques classiques. 

Plus de réel pour plus de confiance 

Mais peut-on faire confiance à une IA quand une erreur peut causer un accident aux conséquences dramatiques? Rappelons qu’un réseau de neurones profond fonctionne comme une boîte noire : il donne une réponse sans montrer comment il y est arrivé.  

« Nous construisons des réseaux de neurones qui reproduisent le fonctionnement réel de l’usine, indique le P^r Chioua. Chaque élément du modèle correspond à une variable de procédé que l’opérateur connaît, comme le débit d’un tuyau ou le niveau d’un réservoir. Chaque lien entre eux correspond à une relation bien réelle : quand le débit augmente, le niveau monte. Lorsque le modèle signale un problème, on peut suivre son raisonnement étape par étape : le réservoir a débordé parce que le niveau était trop haut, parce que le débit était trop fort. L’opérateur comprend d’où vient l’alerte et peut juger s’il doit s’y fier. » 

Et demain? Moncef Chioua imagine déjà des salles de contrôle où des modèles de langage, nourris des manuels d’exploitation, aideront à gérer l’imprévu. Comme dans un avion, le pilote automatique gagnera donc du terrain. Mais il restera conçu, réglé et surveillé par des ingénieurs qui connaissent les lois de la physique. 

Moins de simulations pour concevoir des réacteurs plus durables 

Concevoir un réacteur chimique par la simulation : c’est le défi du P^r Bruno Blais, titulaire de la Chaire de recherche du Canada sur la conception assistée par ordinateur et le développement à grande échelle de sources d’énergie alternatives pour des procédés chimiques durables. 

Son équipe conçoit des réacteurs chimiques contenant plusieurs phases (particules ou bulles, par exemple), ou utilisant les micro-ondes ou les ultrasons afin de créer des procédés plus durables. Or, simuler une seule configuration peut coûter des milliers de dollars en temps de calcul et nécessiter plusieurs jours.  

« L’IA nous permet de faire des essais virtuels plus rapidement, résume-t-il. Elle apprend à prédire le comportement d’un procédé ou d’un réacteur après quelques simulations. Il n'est plus nécessaire d’en lancer des centaines d’autres. »  

Évaluation de nouveaux designs sans prototypes 

Ces modèles ne se contentent pas d’apprendre de situations passées, ils s’appuient directement sur les équations de la physique pour prédire ce qui se passera avec de nouveaux designs de procédés. 

L’avantage est considérable. Les chercheurs peuvent comparer virtuellement des dizaines de designs avant de construire le moindre prototype. Et la simulation leur montre ce qui se passe au cœur d’un réacteur, là où il est impossible d’installer un capteur. 

Depuis un an, une nouvelle génération d’outils accélère encore leur travail : l’IA agentique. Les agents peuvent enchaîner des tâches de façon autonome, comme écrire du code, lancer des calculs ou vérifier des résultats. « L’impact est énorme, affirme Bruno Blais. En moins de 24 heures, on peut reconcevoir, améliorer et auditer un modèle numérique afin d’en améliorer la performance ou la précision. »  

Le chercheur a fait le choix de la science ouverte. Les modèles développés par son équipe sont accessibles gratuitement. D’autres équipes de recherche, mais aussi des ingénieurs dans l’industrie, peuvent s’en servir pour concevoir leurs propres procédés et reproduire les résultats, y compris dans les pays en développement, où les moyens de calcul et les licences de logiciels commerciaux peuvent être hors de portée.  

Un jumeau numérique pour un réacteur… ou pour un os 

Arife Uzundurukan (Ph.D. en génie mécanique) est associée de recherche au Laboratoire d’électrification des procédés intensifiés et catalyse (EPIC), dirigé par la  : les procédés énergétiques et le traitement des os. Leur point commun : les ultrasons, que le laboratoire utilise aussi bien pour accélérer des réactions chimiques que pour mettre au point des solutions médicales. Pour la partie médicale, elle fait équipe avec la professeure Géraldine Merle, spécialiste des matériaux et procédés électrochimiques au service des soins chirurgicaux. 

Dans les deux cas, la chercheuse s’appuie sur un jumeau numérique, une réplique virtuelle qui permet de prédire comment un système réagira avant de passer à la pratique. « Grâce à l’intelligence artificielle, il ne faut plus des jours pour construire un jumeau numérique, mais quelques minutes », rapporte M^me Uzundurukan. 

Pour les procédés énergétiques, cela permet d’optimiser d’un coup de nombreux paramètres (fréquence, amplitude, température, géométrie du réacteur) qu’il fallait auparavant tester un par un en laboratoire. 

Pour le traitement des os, le jumeau numérique reproduit l’os d’un patient à partir de ses images médicales. On peut ainsi simuler la façon dont les ultrasons s’y propagent et ajuster le traitement à sa morphologie.  

Elle s’appuie sur quatre principes pour obtenir des résultats fiables. D’abord, partir des lois de la physique avant de faire intervenir l’IA. Puis vérifier ses prédictions avec des mesures réelles en laboratoire. Ensuite, évaluer la marge d’erreur du modèle, « pour savoir quand l’IA ne sait pas ». Enfin, toujours laisser la décision finale à l’ingénieure ou à l’ingénieur. « L’IA va devenir plus précise, mais elle ne connaît pas la physique. C’est notre travail de valider et de savoir si un résultat a du sens », conclut-elle. 

L’IA à l’épreuve du réel 

Les projets exposés par ces trois chercheurs ont un point commun : l’IA y est traitée comme un système d’ingénierie à part entière, conçu, testé et encadré avec la même rigueur qu’un pont, pour qu’elle puisse agir de façon fiable dans le monde réel. Elle s’appuie sur les lois de la physique, ses prédictions sont vérifiées par des mesures, et ses réponses doivent pouvoir s’expliquer. C’est à ces conditions qu’on peut lui confier des tâches dans une usine ou un hôpital. À mesure que l’IA passe de l’analyse à l’action, en proposant des corrections aux opérateurs ou en adaptant un traitement à un patient, cette rigueur devient de plus en plus essentielle.