Le challenge
L’un des principaux défis de la production agro-alimentaire est de gérer la variabilité des matières premières pour livrer un produit final répondant aux spécifications de qualité. La production de champagne en est un exemple typique : la qualité du substrat principal, le jus de raisin, dépend de la météo annuelle, des pratiques viticoles, du terroir de culture. Cela signifie que les fermentations se comporteront également différemment suivant la composition du jus (quantités de sucre et d’azote, turbidité, entre autres).
La fermentation alcoolique implique que les sucres du jus sont transformés par la levure en éthanol et CO2, et il a été observé que le flux de CO2 généré est une représentation fiable de l’activité fermentative. Il s’agit de la principale mesure de monitoring.
L’enjeu pour les grandes maisons de champagne est de s’assurer que toutes les fermentations se déroulent correctement (golden batch). Les vendanges se font en moins d’un mois et donc des centaines de cuves de fermentation doivent être surveillées. La variabilité des composants du raisin implique que chaque fermentation est différente et que de nombreux paramètres influenceront cette dernière. Le volume et l’urgence de production ne permettent pas aux œnologues de contrôler efficacement chaque cuve durant cette période et certaines fermentations peuvent être hors des spécifications.
La solution
Une gestion «live» et automatisée de ces fermentations est donc d’intérêt, de sorte que le comportement de fermentation soit anticipé et corrigé si besoin. Cela garantira la qualité du vin et pourra également avoir un impact positif sur le flux de production.
Dans la première phase, nous n’avons reçu que 6 courbes de fermentations pour développer un modèle. Des équations différentielles ont été développées pour les représenter. La modélisation physique permet de développer une représentation du processus avec quelques données, ce qui est un avantage par rapport aux approches statistiques. Pour la gestion «en direct» des mesures, un arbre de décision a été conçu pour identifier le contexte et orienter le modèle à utiliser pour la prédiction de courbe.
La deuxième phase, alimentée par plus de données (fermentations avec et sans corrections), a permis d’affiner la modélisation et d’intégrer l’impact des corrections sur le comportement de fermentation.
L’étape suivante est l’insertion dans la supervision du procédé.
Le gain potentiel
Le gain opérationnel peut être facilement traduit en gain financier car il conduit à une meilleure gestion des fermentations et à moins de pertes.
Complément d’informations sur ce projet
Activité du client
- Industrie agro-alimentaire
- Production de spiritueux haut de gamme
Marque de la solution
- Wonderware
- Historian
- Siemens
- Simcenter
- Amesim
- Matlab
- Python
Nature des travaux
- Golden batch
Service
- Outil d’aide à la décision