Core Technologies
Une bibliothèque de souches algales adaptée à l’eau et à l’environnement de chaque région, associée à une plateforme de pilotage de culture de haute précision fondée sur les capteurs IoT et l’inférence par IA — le socle propriétaire sur lequel repose ABC.
Demander la documentation techniqueLes trois piliers du socle technologique
Bibliothèque de souches algales
Une bibliothèque de souches de microalgues optimisées pour la qualité de l’eau, la salinité, la température et la lumière de chaque région, constituée en interne. L’analyse génomique appuyée sur la bio-informatique nous permet d’évaluer sous plusieurs angles la capacité de fixation du CO₂, l’efficacité d’absorption des nutriments et la stabilité de culture, puis de proposer la souche ou le ratio de mélange optimal. Pour les mécanismes généraux de fixation du CO₂ et de récupération des nutriments, voir les références ci-dessous[1][2].
- ✓ Intégration aux bases de données régionales de qualité de l’eau
- ✓ Évaluation de la stabilité génétique des souches
- ✓ Conception de mélanges sur mesure
Capteurs IoT
Mesure en temps réel de plus de dix paramètres (notre implémentation) : pH, oxygène dissous, turbidité, température, intensité lumineuse, etc. L’edge computing assure le traitement sur site tandis qu’un tableau de bord cloud unifié gère les données de plusieurs sites. Le socle de mesure pour la culture de microalgues suit Havlik et al.[3]
- ✓ Mesure multivariée en temps réel
- ✓ Pilotage à faible latence par traitement en périphérie
- ✓ Tableau de bord cloud unifié
Pilotage de culture par IA
À partir des données de capteurs, l’apprentissage par renforcement et des modèles de prévision de séries temporelles optimisent automatiquement les paramètres de culture, selon nos propres algorithmes. Un pilotage adaptatif face aux variations météorologiques, saisonnières et de charge vise à maintenir une densité et une qualité algales stables toute l’année. Des approches de pilotage par IA des photobioréacteurs sont rapportées notamment par Fernández et al.[4]
- ✓ Optimisation autonome des paramètres par apprentissage par renforcement
- ✓ Pilotage anticipé par prévision de séries temporelles
- ✓ Détection d’anomalies et alertes
Le moat bâti par une architecture à trois couches
Selection × Library × Physical AI
Trois couches propriétaires font d’Algal Bloom Capture un système et forment un seul MOAT
Sélection génomique non-OGM
Une sélection non-OGM écarte le risque réglementaire et l’obstacle de l’acceptabilité sociale. WGS, RNA-seq et analyse QTL permettent un criblage rapide de la vitesse de croissance, de la tolérance au sel, de la teneur en lipides et protéines et de la floculation.
Bibliothèque de souches × adéquation au milieu
Une bibliothèque de souches cartographiée selon la salinité, la température, le pH et la composition de l’eau entrante. La souche optimale est fournie en « Strain as a Service » à partir des données de qualité d’eau du client.
IA physique pour le pilotage des efflorescences
Un modèle de commande entraîné sur des séries temporelles (pH/DO/fluorescence/nutriments/débit) prédit le cycle efflorescence–effondrement et pilote par anticipation — implémenté comme inférence en périphérie dans Bloomo.
Les fondements scientifiques
Les trois piliers de Core Technologies s’appuient sur la littérature académique de la culture, de la mesure et du pilotage des microalgues, sur laquelle nous avons bâti notre propre bibliothèque, nos algorithmes et notre implémentation. Les valeurs de performance individuelles (mesure simultanée de plus de dix paramètres, culture stable sur l’année) sont notre implémentation et nos valeurs démontrées, et varient selon le site de déploiement.
References
- Mohsenpour S.F., et al. Integrating micro-algae into wastewater treatment: A review. Science of the Total Environment, 2021, 752, 142168. DOI →
- Chisti Y. Biodiesel from microalgae beats bioethanol. Trends in Biotechnology, 2008, 26(3), 126–131. DOI →
- Havlik I., Lindner P., Scheper T., Reardon K.F. On-line monitoring of large cultivations of microalgae and cyanobacteria. Trends in Biotechnology, 2013, 31(7), 406–414. DOI →
- Fernández F.G.A., et al. Conventional and emerging strategies for the microalgae biomass production from wastewater and industrial flue gases. Bioresource Technology, 2021, 321, 124475. DOI →
Détails techniques et recherche conjointe
Nous pouvons fournir les spécifications et les données de recherche de Core Technologies. N’hésitez pas non plus à nous solliciter pour une recherche conjointe ou un déploiement de démonstration.