2 présentations

• 
  10h35 - 11h00

  Quel paramètre a le plus d'influence sur les émissions de CO2 le long d'une chaîne logistique?

  • Anicia Jaegler, prés., IDRAC
  • Patrick Burlat, Ecole Nationale Superieure des Mines de Saint-Etienne

  Les entreprises sont, de plus en plus, poussées à analyser leurs émissions de carbone. Notre recherche s’intéresse donc à celles-ci quand elles sont dues au transport et au stockage le long de la chaîne logistique. Pour ce faire, nous avons développé un modèle utilisant la simulation à événements discrets. L’outil proposé modélise une stratégie de réponse à la demande et coordonne les flux en Make To Stock. Trois paramètres variables sont pris en compte : la performance industrielle avec l’utilisation d’un taux de rendement synthétique, la localisation des entreprises et le type de produits fabriqués. Les données des produits sont issues de l'entreprise Carrier, fabriquant de climatiseurs. Différents scénarii, à politique industrielle homogène, type de produits différents et localisations dégradées sont simulés. L’objectif est de comparer les critères environnementaux (émissions de carbone) mais aussi financiers (niveau de stock, kilométrage) de ces configurations. Cette méthode est appliquée aux secteurs mécanique et plasturgique. Les principaux objectifs de l’étude sont les suivants : développer des références pour la simulation de chaîne logistique et conduire des expériences pertinentes afin d’optimiser les chaînes logistiques vertes.

• 
  11h00 - 11h25

  Optimisation de la fermentation submergée pour la production d'enzymes par essaim des particules basé sur la mécanique quantique

  • Badia Dandach, prés., Université de Technologie de Troyes
  • Farouk Yalaoui, Université de Technologie de Troyes
  • Amodeo Lionel, Université de Technologie de Troyes
  • Francoise Entzmann, Groupe SOUFFLET

  Les réseaux de neurones de fonctions à base radiale (RBF) et l’approche d’optimisation par essaim de particules basé sur la mécanique quantique (QPSO pour Quantum Particle Swarm Optimisation) sont utilisés pour modéliser et optimiser le processus de la Fermentation Submergée (FS) pour la production d’enzymes. Les données expérimentales importées de la littérature sont utilisées pour étudier cette approche. En utilisant cette procédure, deux techniques d'intelligence artificielle (RBF-QPSO) ont été intégrées pour créer un outil puissant pour la modélisation et l'optimisation des bioprocédés. Cet article décrit l’adaptation de cet algorithme pour la première fois pour l'optimisation de la production d’enzymes par le procédé de la FS. Les résultats obtenus prouvent l'efficacité de l'approche proposée. En particulier, nous montrons que cette approche conduit à une amélioration significative sur la performance du processus de fermentation.