Développement d'outils d'aide à la décision visant l'ajustement des paramètres contrôlables dans la production agroalimentaire : cas d'étude des minoteries biologiques

Face à une demande alimentaire mondiale en constante augmentation, les conséquences des conflits, des crises économiques et des problèmes climatiques actuels engendrent une insécurité alimentaire significative dans diverses régions et populations du monde. Il devient alors impératif d’améliorer l’efficacité et la résilience du secteur agroalimentaire afin qu’ils puissent répondre à ces besoins alimentaires croissants. Parallèlement, la pénurie de main-d’œuvre dans le secteur manufacturier et la perte d’expertise due aux départs à la retraite posent des défis pour la maîtrise des processus de production complexes. Dans le cas de la meunerie biologique, la complexité du processus de meunerie se révèle à travers plusieurs étapes, chacune présentant des défis spécifiques et des complexités qui nécessitent une gestion adaptée. L’état de l’art met particulièrement en lumière l’impératif et les défis à relever pour assurer une production de qualité constante de la farine. La variabilité inhérente à la qualité des grains de blé, en tant que matière première, exerce un impact direct sur le rendement et la qualité de la production finale. Un défi majeur auquel est confronté le processus de meunerie biologique réside dans la nécessité d’ajuster chaque étape du processus pour atteindre les rendements et la qualité de farine souhaités. Cette adaptation précise est rendue essentielle par la nature variable des caractéristiques des grains biologiques. Dans ce contexte, l’intervention d’un meunier expérimenté devient cruciale. Les ajustements nécessaires à apporter au processus de production reposent sur les connaissances approfondies et l’expérience tacite des meuniers, qui les réa-lisent à travers des essais et erreurs continus. La nécessité d’une expertise spécialisée dans le contrôle du processus de meunerie, associée à une pénurie de main-d’œuvre et à une perte de compétences, pose un défi à la production de farine biologique. La variabilité de la qualité des grains de blé et des facteurs de production rend les instructions d’exploitation inefficaces, en particulier en l’absence de meuniers qualifiés pour les ajuster. Un défi important est donc de contrôler le processus de meunerie pour garantir une qualité constante de la farine biologique. Pour relever ce défi, l’objectif général de cette thèse est de développer des outils d’aide à la décision visant l’ajustement des paramètres contrôlables dans la production agroalimentaire.Ces outils visent à accompagner et à contrôler les processus de transformation agroalimentaire, en tirant des enseignements d’expériences réelles et en intégrant les comportements et les contraintes présents sur la chaîne de production. En se basant sur un cas d’étude d’une minoterie biologique, l’objectif général se décline en trois objectifs spécifiques menant chacun à des contributions scientifiques complémentaires. La première contribution de ce travail est une revue des techniques d’intelligence artificielle appliquées à la meunerie biologique. Cette revue permet d’identifier quatre axes de recherche, à savoir l’économie d’énergie, la production d’une farine de qualité constante, l’optimisation des ressources et l’amélioration de la performance de la minoterie. Parmi ces axes de re-cherches, plusieurs opportunités liées à l’intelligence artificielle sont présentées. La deuxième contribution consiste à structurer les données dans un contexte de production alimentaire grâce à l’expertise métier et à la cartographie des processus. De cette manière, une évaluation des données disponibles est effectuée, permettant d’identifier les améliorations nécessaires dans les processus à partir de la cartographie réalisée. Ce travail conduit à la définition d’un besoin spécifique axé sur la production constante d’une farine biologique de qualité. Dans la continuité, la troisième contribution propose un outil d’aide à la décision pour le contrôle d’un processus de transformation agroalimentaire à partir des données de production disponibles. Adapté au processus de mouillage des grains de blé, cet outil a été développé pour ajuster les paramètres contrôlables afin d’obtenir la teneur en eau souhaitée dans les grains de blé. Basé sur un modèle de régression linéaire LASSO, il montre de bons résultats dans la prédiction de l’augmentation de la teneur en eau, avec une erreur moyenne de 0,428%. Les résultats mettent en évidence l’influence significative des conditions météorologiques sur l’ajustement des paramètres, soulignant l’importance d’un ajustement méticuleux des débits d’eau et de blé. Les coefficients dérivés de l’équation de régression fournissent une analyse de sensibilité pour évaluer leur impact. Pour faire face à la variabilité de la qualité des intrants, la quatrième contribution se matérialise à travers le développement d’un outil d’aide à la décision dédié à la mesure de la qualité des aliments en production. Utilisant la spectroscopie NIR, cet outil sélectionne les modèles de prédiction les plus performants pour différents aliments et attributs de qualité. Il identifie les longueurs d’onde clés permettant de prédire la qualité des aliments, apportant ainsi une contribution significative dans le contexte de la calibration NIR. Des résultats prometteurs ont été observés pour divers attributs, notamment la teneur en eau et en matières grasses des fèves de cacao, la teneur en eau et en protéines du blé (A), l’acidité et la teneur en vitamine C de la mangue, et la teneur en protéines du blé (B), avec des scores R2cv respectifs de 0,853, 0,727, 0,905, 0,993, 0,924, 0,663 et 0,905. Notamment, les modèles sélectionnés pour le blé (A) se sont révélés plus précis que le modèle de référence, affichant une erreur quadratique moyenne plus faible sur l’ensemble des données testées. Ainsi, cette thèse a contribué au développement d’outils d’aide à la décision visant l’ajuste-ment des paramètres contrôlables dans la production agroalimentaire. Ce travail de recherche propose une approche à suivre pour le développement d’outils d’aide à la décision afin de faciliter la prise de décision lors de l’ajustement des paramètres de contrôle dans la chaîne de transformation alimentaire. Cette approche a été développée sur base d’un cas spécifique dans une minoterie biologique.

Abstract

Faced with ever-increasing global food demand, the consequences of current conflicts, eco-nomic crises and climatic problems are creating significant food insecurity in various regions and populations around the world. It is therefore imperative to improve the efficiency and resilience of the agri-food sector so that they can meet these growing food needs. At the same time, labor shortages in the manufacturing sector and the loss of expertise due to retirement are posing challenges for the mastery of complex production processes. In the case of organic milling, the complexity of the milling process is revealed through several stages, each presenting specific challenges and complexities that require adapted management. The state of the art particularly highlights the imperative and challenges of ensuring consistent flour quality. The inherent variability of wheat grain quality as a raw material has a direct impact on the yield and quality of the final product. A major challenge facing the organic milling process is the need to fine-tune each stage of the process to achieve the desired yields and flour quality. This precise adaptation is made essential by the variable nature of organic grain characteristics. In this context, the intervention of an experienced miller becomes crucial. The necessary adjustments to the production process rely on the millers’ in-depth knowledge and tacit experience, which they achieve through continuous trial and error. The need for specialized expertise in milling process control, coupled with labor shortages and loss of skills, poses a challenge to organic flour production. Variability in wheat grain quality and production factors makes operating instructions ineffective, particularly in the absence of skilled millers to adjust them. A major challenge is therefore to control the milling process to guarantee consistent organic flour quality. To meet this challenge, the general aim of this thesis is to develop decision-support tools for adjusting controllable parameters in agri-food production. These tools aim to support and control agri-food transformation processes, by learning from real-life experience and integrating the behaviors and constraints present on the production line. Based on a case study of an organic flour mill, the general objective is broken down into three specific objectives, each leading to complementary scientific contributions. The first contribution of this work is a review of artificial intelligence techniques applied to organic milling. This review identifies four areas of research, namely energy savings, production of consistent-quality flour, optimization of resources and improvement of milling perfor-mance. Among these areas of research, several opportunities linked to artificial intelligence are presented. The second contribution consists in structuring the data in a food production context, using business expertise and process mapping. In this way, an evaluation of the available data is carried out, enabling the identification of necessary process improvements based on the mapping carried out. This work led to the definition of a specific requirement focused on the consistent production of quality organic flour. Continuing in this direction, the third contribution proposes a decision-support tool for the control of an agri-food transformation process based on available production data. Adapted to the wheat grain wetting process, this tool has been developed to adjust the controllable parameters in order to obtain the desired water content in wheat grains. Based on a LASSO linear regression model, it shows good results in predicting the increase in moisture content, with an average error of 0.428%. The results highlight the significant influence of mete-orological conditions on parameter adjustment, underlining the importance of meticulous adjustment of water and wheat flows. The coefficients derived from the regression equation provide a sensitivity analysis to assess their impact. To address the variability of input quality, the fourth contribution materializes through the development of a decision-support tool dedicated to the measurement of feed quality in production. Using NIR spectroscopy, this tool selects the best-performing prediction models for different feeds and quality attributes. It identifies the key wavelengths for predicting food quality, making a significant contribution in the context of NIR calibration. Promising results were observed for various attributes, including water and fat content in cocoa beans, water and protein content in wheat (A), acidity and vitamin C content in mango, and protein content in wheat (B), with R2cv scores of 0.853, 0.727, 0.905, 0.993, 0.924, 0.663 and 0.905 respectively. Notably, the models selected for wheat (A) proved more accurate than the reference model, displaying a lower root-mean-square error on the tested data set. Thus, this thesis has contributed to the development of decision support tools for the ad-justment of controllable parameters in food production. This research work proposes an approach to be followed for the development of decision support tools to facilitate decision-making when adjusting control parameters in the food processing chain. This approach was developed on the basis of a specific case in an organic flour mill.