Dans le cadre des conférences CEISAM, Richard BOURNE de l’Université de Leed viendra présenter ses travaux le vendredi 23 mai à 9H30 en salle Marie Curie.
Industrie 4.0: Réacteur en flux auto-optimisant pour le développement rapide de procédés
Prof. Richard Bourne
Royal Academy of Engineering Research Chair, University of Leeds
Richard A. Bourne est actuellement professeur de fabrication chimique numérique à l’université de Leeds. Il a obtenu un doctorat sous la direction du professeur Martyn Poliakoff, CBE, FRS. Il est aujourd’hui titulaire d’une chaire de recherche de la Royal Academy of Engineering et travaille sur le développement de nouveaux processus durables, en mettant l’accent sur les procédés à flux continu pour les produits pharmaceutiques et les produits de chimie fine. Son groupe est basé au sein de l’Institute of Process Research and Development (IPRD) de l’université de Leeds, un institut commun au génie chimique et à la chimie. La recherche est soutenue par EPSRC, Catalysis Hub, Dial-A-Molecule, Horizon 2020 Funding (ProPAT et IbD), AstraZeneca, UCB Pharma, Syngenta, Royal Academy of Engineering et Dr. Reddy’s Laboratories.
Résumé
Cette présentation portera sur le développement de systèmes automatisés en flux continu. En particulier, elle mettra en avant des recherches récentes sur les systèmes auto-optimisants, où le réacteur et son instrumentation de contrôle des processus forment une unité autonome dans laquelle les réactifs sont introduits et d’où les produits émergent sous une forme optimisée. Cette conférence présentera également le récent projet financé intitulé « Cognitive Chemical Manufacturing » et les nouvelles approches pour la synthèse de produits à haute valeur ajoutée de composés pharmaceutiques. Ces systèmes automatisés fonctionnent sans intervention humaine et permettent de réaliser des expériences très robustes ainsi qu’une optimisation rapide de procédés complexes.
L’accent sera mis sur l’optimisation de plusieurs opérations unitaires, notamment l’optimisation de réactions en cascade (téléscopées) et de réactions suivies d’un work-up. J’explorerai également l’utilisation d’algorithmes capables d’optimiser le compromis entre des objectifs conflictuels, tels que le rendement et la productivité du réacteur.
Références
Bayesian Self-Optimization for Telescoped Continuous Flow Synthesis, Angewandte Chemie International Edition, 2022, 10.1002/anie.202214511
Automated stopped-flow library synthesis for rapid optimisation and machine learning directed experimentation, Chemical Science, 2022, 13,1208
Machine learning directed multi-objective optimization of mixed variable chemical systems, Chemical Engineering Journal, 2023, 451, 138443