Description

Jumeau Numérique & Modélisation Procédés Industriels | Simulation phy-chi-bio · Python · ProsimPlus · AspenPlus · ProII · gPROMS · ML

Ingénieur-docteur en génie des procédés, j'interviens là où la complexité physico-chimique et biologique dépasse les outils standard : modélisation mécaniste, hybride ou data-driven, simulation dynamique, jumeaux numériques, et exploitation intelligente des données industrielles.

Mon intervention couvre l'intégralité du continuum numérique des procédés :

Modélisation & Simulation — modélisation mécaniste, hybride ou data-driven (phy-chi-bio), statiques & dynamiques, codés en Python / Julia / Fortran ou via simulateurs industriels (AspenPlus, gPROMS, SUMO, West, ProII, Matlab/Simulink)
Analytics & Data Industrielle — exploitation de données SCADA/labo, troubleshooting, diagnostique, capteurs virtuels, modèles prédictifs
Jumeau Numérique — conception, prototypage et déploiement de solutions numériques sur des systèmes réels (TRL 3→6), architecture logicielle Python, versioning, API
Stratégie R&D Numérique — définition roadmap data, encadrement équipes R&D, maturation de solutions innovantes
Formation — Industrie 4.0 (CESI), Python, Data Science, SQL (ASCENT)

Ce qui me distingue : je pars des équations du procédé : bilans matière/énergie, cinétique réactionnelle, thermodynamique des solutions et des systèmes multiphasiques ; avant d'y appliquer la donnée et le machine learning. Je ne suis pas un data scientist qui s'adapte à l'industrie : je suis un ingénieur procédés qui maîtrise le numérique de bout en bout.

Secteur-agnostique par formation et par expérience : hydrométallurgie (thèse), Oil&Gas, catalyse triphasique, chimie et pharmaceutique (Solvay, Adisseo, Daikin, Oril, SNCZ), traitement des eaux (SIAAP).

Télétravail majoritaire, déplacements ponctuels possibles. Disponible pour des missions de conseil, de R&D appliquée ou de formation, en régie ou au forfait.

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

En télétravail uniquement

Travaille majoritairement à distance

SAS Chemin du Roi
Consultant Data Engineering & IoT Industriel - Digital Twin Méthanisation
ENERGIE
septembre 2025 - janvier 2026 (4 mois)
Beauvais, France
Conception et déploiement d'une infrastructure data complète pour une unité de méthanisation avec injection réseau biométhane.
Infrastructure & Connectivité
Architecture hybride OT/IT reliant le réseau industriel sécurisé à un VPS Cloud. Mise en place d'un tunnel OpenVPN pour l'accès aux données process, configuration réseau pfSense, déploiement TimescaleDB pour le stockage de séries temporelles haute fréquence.

Pipelines ETL Multi-Sources - Développement de trois agents de collecte indépendants :
Synchronisation API REST (capteurs process, intrants) à la minute + Consommation d'un broker MQTT Sparkplug
Récupération SFTP des données d'injection NatranGaz avec logique de consolidation AM/BMP/AMJ,
Service via script python pour spectres NIR Zeiss via OPCUA.
Récupération des données de consommation électrique via mise en place d'un ticmaster sur le compteur + MODBUS
CI/CD via GitHub Actions avec runner auto-hébergé.
Modèle de Données
Conception d'un schéma dimensionnel optimisé : hypertables TimescaleDB pour séries temporelles,
Stockage arrays PostgreSQL pour spectres haute dimensionnalité,
Structure double temporalité pour prédictions ML (prediction_timestamp / target_timestamp) permettant l'analyse de dérive des modèles.
Monitoring & Sécurité
Heartbeat via Healthchecks.io, rate limiting API, validation des requêtes, gestion sécurisée des credentials par variables d'environnement.

Stack : Python, bash, PostgreSQL/TimescaleDB, MQTT, OPCUA, Modbus, REST API, SFTP, OpenVPN, Docker, GitHub Actions, Streamlit

Objectif : Poser les fondations data d'un jumeau numérique hybride (AM2+ ML) pour l'optimisation de production biogaz et l'évaluation de stratégies de dosage enzymatique
Python PostgreSQL TimescaleDB MQTT REST APIs
SIAAP – Direction Innovation
Responsable Modélisation Procédés & Digital Twin | Python · Simulation · Capteurs virtuels
ENVIRONNEMENT
août 2024 - Aujourd'hui (1 an et 10 mois)
Colombes, France
Pilotage scientifique de la modélisation numérique au sein du plus grand syndicat d'assainissement d'Europe (9M d'habitants).
Animation scientifique et supervision des projets en modélisation procédés et régulation dans le cadre des programmes Mocopée et MeSeine avec des laboratoires partenaires.
Encadrement d'une équipe de 4 à 8 personnes, développement de simulateurs unitaires Python + SQL et jumeaux numériques permettant de réduire les non-conformités réglementaires et de générer des capteurs virtuels (GES).
Mise en place de GitFlow, tableaux de bord Power BI et applications Streamlit.
Développement d'un modèle prédictif d'oxygène rivière pour estimer l'impact des rejets par temps de pluie.
Refonte des outils existants pour les rendre maintenables et déployables (refactor, transition python, pep8, versionning et architecture modulaire)
Gestion de projet calcul scientifique Traitement des eaux usées Modélisation mathématique Transition numérique
INEVO Technologie, filiale d'ORANO
Ingénieur R&D Procédés – Jumeaux Numériques
CHIMIE
novembre 2022 - juillet 2024 (1 an et 8 mois)
Lyon, France
Missions réalisées pour : Solvay, Adisseo, Daikin, Oril, SNCZ — modélisation procédés, jumeaux numériques et simulation thermodynamique, avec déploiement avancé de la plateforme OIAnalytics.

Formation de 40+ ingénieurs aux méthodes avancées (AspenPlus, ACM) et montée en compétences Python ; référent ProSim Plus.
Développement et déploiement d'un jumeau numérique pour un grand compte de l'agroalimentaire.
Modélisation de la précipitation électrolytique pour des études de faisabilité (ORANO).
Rédaction d'une revue bibliographique sur les écoulements réactifs gaz-liquide et veille technique sur équipements gaz-liquide.
Diagnostic thermodynamique d'une contamination polymère haute pression ; dimensionnement d'une solution purge minimale sous Aspen Plus et évaluation de l'installation pour aller plus haut en pression et plus bas en température.
Utilisation experte de la plateforme OIAnalytics (data analytics industrielle, modélisation, déploiement de jumeaux numériques) — référent interne.
Python Génie des procédés Modélisation mathématique Troubleshooting Transition numérique