Développement d'outils de machine learning et intelligence artificielle pour la détection de contaminants dans les matières recyclées

machine learning, traitement du signal, chimie analytique, L'économie circulaire et ses innovations, notamment l'utilisation accrue de matériaux recyclés, réemployés et réutilisés, représentent un défi majeur en matière de gestion et de traçabilité de la contamination chimique, particulièrement pour garantir leur adéquation aux applications en contact alimentaire. Avec la forte augmentation de l'utilisation des matières recyclées (MR), les consommateurs se retrouvent exposés à des milliers de contaminants potentiels encore mal identifiés, tandis que les informations fournies par les filières restent difficilement vérifiables de manière indépendante. Dans ce contexte, le développement de méthodes « sans contact », industrialisables pour la caractérisation des empreintes chimiques, et leur intégration dans des outils automatisés de gestion des risques et de traçabilité, apparaît comme une priorité stratégique. Le projet Twinloop vise à mettre au point une suite d'outils innovants, incluant notamment des capteurs en ligne, pour orienter les flux de matières recyclées en fonction de leurs empreintes chimiques, tout en garantissant que ces matériaux répondent aux exigences spécifiques des divers scénarios de contact alimentaire. Cette thèse propose de développer une méthode innovante basée sur l'intelligence artificielle (IA) et l'apprentissage automatique (machine learning) à partir de données multi-analytiques (GCxGC-MS, GC-MS, Raman, FTIR, nez électronique … ) L'objectif est d'identifier des empreintes chimiques et de proposer une approche fiable pour détecter les contaminations dans des applications sensibles (contact alimentaire, cosmétique, etc.). Objectifs

• Développer des méthodes innovantes par apprentissage automatique permettant de corréler les analyses détaillées des contaminants avec des exigences pratiques

• Utiliser des algorithmes d'IA avancés (machine learning, et en particulier réseaux de neurones et CNNs) pour analyser et identifier les contaminants dans les matériaux recyclés et leur toxicité Méthodologies

• Développement de modèles de machine learning pour l'analyse des spectres et chromatogrammes

• Implémentation d'algorithmes de fusion de données et d'apprentissage supervisé/non supervisé

• Validation de la méthode sur des échantillons contaminés et non-contaminés

Diplôme requis : Master 2 ou diplôme d'ingénieur en chimie analytique, data science, ou physico-chimie des matériaux

03/12/2029

Nature du financement

Autre financement public

Précisions sur le financement

ANR

Développement d'outils de machine learning et intelligence artificielle pour la détection de contaminants dans les matières recyclées, Présentation établissement et labo d'accueil pascal cardinael Le laboratoire Sciences et Méthodes Séparatives UR3232 de l'Université de Rouen a été créé en 1997. Il opère à l'interface entre la chimie et la physique. Il est composé de deux équipes de recherche : une équipe en cristallogenèse et une équipe spécialisée en chromatographie. Les thématiques de recherche de l'équipe de chromatographie concernent principalement l'élaboration de phases stationnaires pour la chromatographie et la miniaturisation des systèmes chromatographiques ainsi que les analyses de mélanges complexes par chromatographie bidimensionnelle et par chromatographie ionique couplées à la spectrométrie de masse.