Traitement automatisé des empreintes chimiques pour la gestion de la matière recyclée plastique et cellulosique

Contexte et objectifs de la thèse :

La mise en oeuvre des textes réglementaires tels que la loi française AGEC (N° 2020-105) et le futur règlement européen PPWR impose de garantir l'utilisation sécurisée des matériaux plastiques recyclés pour les applications en contact avec les aliments, les cosmétiques et les détergents.
Ce défi nécessite :

• l'orientation stratégique des flux de matières vers des applications où leur utilisation sécurisée peut être démontrée, tout en minimisant le risque de downcycling (décyclage) contraire aux objectifs de circularité en boucle fermée ;
• le développement de méthodes forensiques pour vérifier postérieurement l'authenticité de l'origine des matériaux et la nature de leurs traitements de décontamination ou de recyclage (mécanique, chimique, hybride).

S'appuyant sur la collaboration d’AgroParisTech et l'INRAE et les travaux issus d’une précédente thèse (soutenue en 2023), le Laboratoire national de métrologie et d'essais (LNE) a développé une méthode semi-automatisée et non supervisée pour comparer les signaux chimiques (GC-MS, Raman, FTIR) d'échantillons arbitraires. Cette méthode, qui utilise la théorie de l'information et la mesure de l'entropie informationnelle mutuellement exclusive, permet de reconstruire une cartographie des déplacements chimiques indiquant la proximité des échantillons pour tout ou partie du signal. Cependant, cette méthode nécessite un enrichissement continu d’échantillons de référence pour tenir compte des variabilités et des dérives temporelles, l’ensemble des mesures devant être reproductibles (même méthode et même appareil).

Ce projet de thèse vise principalement à lever les limitations précédentes et en particulier à s'affranchir de la contrainte de l'unicité du dispositif de mesure : les empreintes chimiques doivent pouvoir être collectées par différents laboratoires et être comparées entre elles au sein d'une même base de données nationale ou européenne, à construire avec nos partenaires du consortium "Food Grade Recycled Materials". Les signaux devront donc être réalignés systématiquement sur leurs parties communes stables avant de pouvoir rechercher des différences qui traduisent la contamination des gisements de matière, leur origine, le type de tri ou de technologie de décontamination. La recherche proposée explorera des algorithmes avancés de machine learning pour généraliser la recherche de corrélations entre les signaux chimiques. Ce travail intensif sera spécifiquement implémenté sur un serveur dédié utilisant des calculs parallèles avec des GPU (unité de traitement graphique), offrant potentiellement une amélioration significative dans le réalignement des signaux et la compression.

Les objectifs principaux de cette thèse seront de :

• Développer un cadre analytique polyvalent capable d'intégrer des données analytiques diverses provenant de différentes sources, améliorant la robustesse et l'applicabilité de l'empreinte chimique pour les matériaux recyclés ;
• Contribuer à la formulation de directives et de règles d'application potentielles pour les polyoléfines recyclées mécaniquement dans des produits sensibles ;
• Proposer des standards pour coder des échantillons ou des substances arbitraires, aidant à l'acceptation réglementaire et industrielle.

Context and objectives of the thesis:

The implementation of regulatory texts such as the French AGEC law (No. 2020-105) and the future European regulation PPWR, means that the safe use of recycled plastic materials for applications in contact with food, cosmetics and detergents must be guaranteed.
This challenge requires:

• the strategic orientation of material flows towards applications where their safe use can be demonstrated, while minimizing the risk of downcycling contrary to the objectives of closed-loop circularity;
• the development of forensic methods to subsequently verify the authenticity of the origin of materials and the nature of their decontamination or recycling treatments (mechanical, chemical, hybrid).

Based on the collaboration between AgroParisTech and INRAE, and on work from a previous thesis (defended in 2023), the Laboratoire National de Métrologie et d'Essais (LNE) has developed a semi-automated, unsupervised method for comparing chemical signals (GC-MS, Raman, FTIR) from arbitrary samples. This method, which uses information theory and the measure of entropy, enables the reconstruction of a chemical shift map indicating the proximity of sample pairs. However, this method requires continuous enrichment of reference samples to account for variability and temporal drift, and all measurements must be reproducible (same method, same instrument).

This thesis project aims at overcoming the above limitations, and in particular the constraint of a single measurement device: chemical fingerprints must be able to be collected by different laboratories and compared with each other within a single national or European database, to be built with our partners in the "Food Grade Recycled Materials" consortium. The signals will therefore have to be systematically realigned on their stable common parts before differences can be sought that reflect the contamination of the material deposits, their origin, the type of sorting or decontamination technology. The proposed research will explore advanced machine learning algorithms to generalize the search for correlations between chemical signals. This intensive work will be specifically implemented on a dedicated server using parallel calculations with GPUs (graphics processing units), potentially offering significant improvement in signal realignment and compression.

The main objectives of this thesis will be to:

• Develop a versatile analytical framework capable of integrating diverse analytical data from different sources, improving the robustness and applicability of chemical fingerprinting for recycled materials;
• Contribute to the formulation of potential guidelines/application rules for mechanically recycled polyolefins in sensitive products;
• Propose standards for coding arbitrary samples or substances, helping regulatory and industrial acceptance.

Le LNE :

Leader dans l’univers de la mesure et des références, jouissant d’une forte notoriété en France et à l’international, le LNE soutient l’innovation industrielle et se positionne comme un acteur important pour une économie plus compétitive et une société plus sûre.

Au carrefour de la science et de l’industrie depuis sa création en 1901, le LNE offre son expertise à l’ensemble des acteurs économiques impliqués dans la qualité et la sécurité des produits.

Pilote de la métrologie française, notre recherche est au coeur de notre mission de service public et constitue un facteur fondamental au soutien de la compétitivité des entreprises.

Nous avons à coeur de répondre aux exigences des industriels et du monde académique, pour des mesures toujours plus justes, effectuées dans des conditions de plus en plus extrêmes ou sur des sujets innovants tels que les véhicules autonomes, les nanotechnologies ou la fabrication additive.

L’unité d’accueil – UMR SayFood :

SayFood, sous tutelles INRAE, AgroParisTech et l'université Paris-Saclay, a été créée le 01/01/2020 par la fusion des UMR GENIAL et GMPA. Les travaux des chercheurs de l'UMR portent sur les processus physiques, biochimiques et microbiologiques qui gouvernent les transformations alimentaires et non alimentaires des bioproduits et développe des approches mécanistiques pluridisciplinaires et systémiques.

SayFood rassemble environ 180 personnes comprenant des chercheurs et enseignants-chercheurs, des agents d'appui scientifique et administratif, une trentaine de doctorants, des post-doctorants, regroupées dans 5 équipes pluridisciplinaires, une halle technologique et un pôle d'appui administratif. Nous accueillons environ une trentaine de stagiaires au cours de l'année. C'est aussi un laboratoire labellisé de l'Institut Carnot Qualiment et associé en deuxième cercle à l'Institut Carnot 3BCar. Il est associé au LNE (Laboratoire National de Métrologie et d'essais) dans le cadre d'une Unité Mixte Technologique (UMT SafeMat) sur la sécurité des emballages.

Le candidat idéal pour cette thèse devra posséder des compétences techniques et académiques variées, ainsi qu'une forte motivation pour la recherche appliquée dans un contexte interdisciplinaire. Les compétences recherchées incluent :

• Formation académique : Master en chimie analytique, chimie physique, ingénierie chimique, science des matériaux, ou domaine connexe.
• Compétences analytiques : Une première expérience pratique avec les techniques analytiques telles que GC-MS ou spectroscopiques (RMN, Raman, FTIR) est recommandée.
• Compétences en informatique et traitement de données : Maîtrise de Python et/ou Matlab pour l'analyse des données et la modélisation. Expérience en apprentissage automatique (machine learning) et traitement de grands ensembles de données (BIG data).
• Théories de l'information et statistiques : Une première connaissance des concepts de la théorie de l'information et des méthodes statistiques pour l'analyse des données sera appréciée.
• Programmation scientifique : Expérience en développement d'algorithmes et de scripts pour automatiser l'analyse des signaux chimiques. La connaissance des calculs parallèles et l’utilisation des GPU sera un plus.
• Communication scientifique : Excellentes compétences en rédaction scientifique en français et en anglais, capacité à publier des articles de recherche et à présenter des résultats dans des conférences internationales.

Le candidat doit être autonome, curieux, et avoir une forte capacité à travailler dans un environnement de recherche dynamique et multidisciplinaire. Une expérience préalable dans le domaine des matériaux recyclés ou des méthodes forensiques sera considérée comme un atout.

Des déplacements ponctuels sont à prévoir pour ce poste dans le cadre de congrès, réunions internationales, et/ou comités de normalisation.