Les méthodes de Machine Learning au service de la performance des entreprises agroalimentaires

Les procédés agroalimentaires enchainent plusieurs opérations unitaires pour concevoir des produits finis répondant à des exigences règlementaires et qualitatives. Pour y parvenir, les paramètres du procédé sont continuellement ajustés pour compenser la variabilité des matières premières, les dérives du procédé et les aléas de production. Pour les procédés agroalimentaires, les relations entre les paramètres du procédé et les indicateurs de performance industrielle ne sont forcément pas connues, et plusieurs objectifs de performance doivent être optimisés simultanément.

Une méthodologie combinant modélisation par apprentissage automatique et optimisation multi-objectifs a été développée pour améliorer la performance des procédés agroalimentaires. Les méthodes d’apprentissage automatique modélisent les indicateurs de performance à partir des paramètres collectés sur le procédé de transformation. Des approches explicatives ont été mises en place pour comprendre ces prédictions et les justifier au regard des connaissances expertes déjà établies. Ces modèles alimentent un algorithme d’optimisation multi-objectifs permettant d’identifier les trajectoires optimales du procédé.

Cette méthodologie constitue un outil d’aide à la décision adapté aux contraintes industrielles et offre des pistes d’amélioration des procédés agroalimentaires.

Collaborations

• Altho Brets pour le partage des données industrielles 
• Mathieu Emily (Unité Mixte de Recherche IRMAR) pour l’aide aux traitements des données

En savoir plus

Perrignon M., Emily M., Munch M., Debuire P., Jeantet R., Croguennec T. (2026) A digital twin integrating multi-objective optimization to support fryer operators in managing potato crisps production, Journal of food engineering 406: 112800. https://doi.org/10.1016/j.jfoodeng.2025.112800

Contacts

Mélanie Munch 

Thomas Croguennec 

Romain Jeantet