Skip to main content
AI Autopilot — +6 % de débit lors d'un test de 25 jours, IA contre conduite manuelle chez Mineração Aurizona (CMOC Group) — publié dans Brasil Mineral #441.Voir les cas clients
Brainiall
  • Produits
  • Secteurs
  • Démo
  • Cas clients
  • Pourquoi nous
Se connecterEssayer la démo
Brainiall
L'IA qui fait tourner l'économie réelle. Mines. Industrie. Voix. Autofinancée depuis 2019.
Produits
  • AI Autopilot
  • Specialist AIs
Secteurs
  • Industrie
  • Mines
  • Énergie
  • Technologie
Entreprise
  • À propos
  • Pourquoi nous choisir
  • Cas clients
  • Articles
  • Changelog
  • Nous contacter
Ressources
  • Tarifs
  • API développeur
  • Docs
  • Intégrations
  • Comparer
  • Centre de confiance
  • DPA
  • MSA
  • Statut

Restez informé

Des insights d’IA spécialisée, livrés chaque semaine.

© 2026 Brainiall, Inc. Tous les droits réservés.
Politique de confidentialitéConditions d’utilisation
Retour aux études de cas
Sous NDA · Mission en coursProducteur mondial d'agro-industrie et de bioénergie

Modèles prédictifs pour la production de biodiesel

Image d’illustration de réacteurs industriels
Image d’illustration

Défi

Un producteur mondial d'agro-industrie et de bioénergie a confié à Brainiall l'optimisation de la production de biodiesel dans l'une de ses usines d'Amérique du Sud, autour de trois objectifs : maximiser le rendement de la transestérification sur le train de réacteurs et de décanteurs, réduire la consommation de catalyseur méthylate — un poste de coût annuel de plusieurs millions de dollars — et suivre la qualité du produit sans attendre les analyses quotidiennes du laboratoire.

Phase 1 — Socle de données (livrée)

Dix mois de télémétrie de l'historian de l'usine (octobre 2024 – août 2025) — 56,5 millions de mesures brutes sur ~40 tags d'instrumentation — ont été consolidés dans un pipeline de données bronze→silver, avec lissage par moyennes mobiles et filtrage opérationnel isolant la production des arrêts et de la maintenance.

L'analyse exploratoire a cartographié quels débits, niveaux, densités et dosages gouvernent réellement la réaction — et identifié des schémas distincts de dosage du catalyseur associés à différents niveaux de qualité de la glycérine : premiers indices d'une marge de réduction du catalyseur sans compromettre la qualité du produit.

Un capteur virtuel comme premier résultat

Un modèle de gradient boosting entraîné sur 13 variables de procédé prédit un indicateur clé de qualité basé sur la densité avec un R² de 96,3 % sur données de test — le socle d'un capteur virtuel qui anticipe en temps réel le résultat du laboratoire au lieu d'attendre l'analyse quotidienne.

La suite

La phase 2 de modélisation est en cours : prédiction du rendement à partir des variables de procédé en direct, analyse des golden batches et comparaison de familles de modèles — des baselines linéaires au gradient boosting et aux réseaux de neurones temporels — sous un schéma de réentraînement continu, les modèles continuant d'apprendre à mesure que de nouvelles données arrivent.

Statut

Phase 1 livrée en février 2026 ; phase 2 presque terminée, en attente des données finales du client (septembre de 2026).

Vos opérations pourraient être les prochaines.

Une mission rémunérée, sous forme de conseil ou première étape d’un projet : sous accord de confidentialité, nous analysons les données de vos processus et livrons une cartographie des opportunités et un plan de mesure pour un test contrôlé, IA contre conduite manuelle.

Planifier une évaluation d’usine