PhD – Système de décision intelligent pour le développement de procédés efficaces de séparation pharmaceutique

Dans la fabrication de produits chimiques de grande valeur, tels que les produits pharmaceutiques, la séparation et la purification à partir de mélanges complexes à plusieurs composants sont des étapes cruciales. La cristallisation, souvent accompagnée d’autres étapes de séparation (extraction, distillation) est presque toujours mise en œuvre, du fait de son efficacité de séparation et de son extrême flexibilité. Ces possibilités offrent une multitude de choix pour sélectionner la solution de conception optimale, en termes de qualité du produit et d’efficacité du processus, ainsi que de production de déchets, de consommation de matériaux et d’énergie. Cependant, la conception optimale du procédé nécessite des données thermodynamiques précises et fiables pour les mélanges à plusieurs composants dans le système sur une large gamme de conditions (par exemple, solvants, concentrations d’impuretés, températures, pressions) qui sont souvent manquantes, en particulier pour les nouveaux composés. Ces données peuvent être obtenues en effectuant une multitude de mesures dans un large éventail de conditions ; cependant, cela prend du temps, est coûteux et nécessite des quantités importantes de matériel qui peuvent ne pas être disponibles (par exemple, dans les premiers stades de la découverte de médicaments). Des modèles thermodynamiques peuvent être utilisés pour estimer ces données ; cependant, ils ont une précision et une fiabilité limitées, en particulier pour les composés et les conditions de processus jamais rencontrés auparavant. En principe, certains de ces modèles peuvent être successivement améliorés en incorporant des mesures expérimentales supplémentaires. Chaque mesure a une valeur d’information, mais elle a également un coût associé lié à l’énergie, à l’effort, au temps et aux matériaux nécessaires pour effectuer la mesure. Certaines mesures sont susceptibles d’être plus utiles, ce qui se traduit par des prévisions thermodynamiques plus fiables. Cependant, on ne sait pas quelle séquence d’expériences donnerait les informations thermodynamiques les plus précieuses. La capacité d’équilibrer ce compromis et de suivre une séquence optimale d’expériences transformerait notre capacité à concevoir de manière rationnelle des procédés de séparation industriels efficaces. Le but du travail proposé est de développer un système de décision intelligent, implémenté comme un outil d’application logicielle, qui spécifiera la séquence précise d’expériences qui fournira le plus efficacement les informations nécessaires pour produire un modèle thermodynamique précis de composés pharmaceutiques dans des mélanges complexes à plusieurs composants. . Le système de décision intelligent sera adaptable, afin que les utilisateurs puissent définir ce que l’on entend par optimal : minimiser le coût économique, le temps, la complexité/disponibilité des techniques expérimentales ou la quantité de matériaux requise.

Le travail proposé utilisera l’apprentissage automatique pour développer une méthodologie automatisée permettant de construire efficacement des représentations mathématiques précises de la thermodynamique de mélanges complexes à plusieurs composants. Cela fournira aux ingénieurs et aux scientifiques un nouveau système de décision intelligent pour déterminer les mesures expérimentales optimales qui amélioreront le plus efficacement le modèle thermodynamique et produiront les prédictions les plus précises. Cela améliorera radicalement notre capacité à construire rapidement et efficacement des modèles thermodynamiques précis, ce qui est essentiel au développement de tout procédé de fabrication chimique. Bien que le projet proposé soit axé sur les procédés de séparation pharmaceutique, il aura une pertinence directe pour d’autres industries, telles que la production de produits chimiques fins, le bioraffinage et le biotraitement.

En plus d’entreprendre des recherches de pointe, les étudiants sont également inscrits au certificat de troisième cycle en développement des chercheurs (PGCert), qui est une qualification supplémentaire qui développe les compétences, les réseaux et les perspectives de carrière d’un étudiant.

Des informations sur le département d’accueil peuvent être trouvées en visitant:

www.strath.ac.uk/engineering/chemicalprocessengineering/

www.strath.ac.uk/courses/research/chemicalprocessengineering/

Ce qui est financé

La bourse couvre les frais complets au tarif étudiant à domicile ainsi qu’une allocation non imposable pendant 3 ans. Les étudiants internationaux peuvent postuler s’ils sont en mesure de payer la différence entre les frais nationaux et internationaux.

Admissibilité

Les étudiants qui postulent doivent avoir (ou s’attendre à obtenir) un diplôme de premier cycle minimum de 2,1 dans une discipline d’ingénierie / scientifique pertinente et être très motivés pour entreprendre des recherches multidisciplinaires.