Jumeau numérique basé sur l'IA pour le développement de procédés avancés de recyclage des matériaux - QC-919 / AI digital twin for advanced materials recycling process development – QC-919

Project type: Innovation
Desired discipline(s): Engineering - chemical / biological, Engineering, Engineering - computer / electrical, Computer science, Mathematical Sciences
Company: Emterra Innovations Ltd.
Project Length: 4 to 6 months
Preferred start date: 01/11/2027
Language requirement: English with some French proficiency
Location(s): Brossard, QC, Canada
No. of positions: 1
Desired education level: Master'sPhD
Open to applicants registered at an institution outside of Canada: No

About the company: 

Emterra Innovations Ltd., qui fait partie du Groupe Emterra, développe et commercialise des technologies novatrices au service de la récupération des ressources et de l’économie circulaire. L’entreprise se consacre à la récupération de matières précieuses issues de flux de déchets complexes, difficiles à traiter par les méthodes conventionnelles de recyclage mécanique. Ses activités comprennent la recherche appliquée, le développement de procédés, la validation à l’échelle pilote, l’ingénierie et la commercialisation.

 

Emterra Innovations Ltd., part of the Emterra Group, develops and commercializes innovative technologies supporting resource recovery and the circular economy. The company focuses on recovering valuable materials from complex waste streams that are difficult to process through conventional mechanical recycling. Its activities include applied research, process development, pilot-scale validation, engineering, and commercialization.

Describe the project.: 

Emterra Innovations vise à mettre au point une plateforme d’optimisation des procédés et de jumeau numérique assistée par l’IA pour ses technologies de dissolution chimique et de nanopurification. La plateforme intégrera des données issues de laboratoires, d’essais à l’échelle pilote et d’applications commerciales, ainsi que la documentation scientifique, des modèles thermodynamiques et des calculs d’ingénierie des procédés.

Le projet vise à prédire le comportement complexe des matières premières issues des déchets au cours des étapes de dissolution et de purification, à recommander des conditions de traitement et à estimer le taux de récupération des matières, la pureté du produit, l’élimination des contaminants, la consommation d’énergie et de solvants, ainsi que les aspects économiques préliminaires du procédé. La quantification de l’incertitude permettra de déterminer les conditions expérimentales les plus prometteuses.

La personne candidate sera chargée d’organiser les ensembles de données, de définir les variables des modèles, d’élaborer des routines de prétraitement, de constituer une base de connaissances structurée et de mettre en œuvre des modèles statistiques, d’apprentissage machine et hybrides. Elle intégrera des prévisions fondées sur des données à des connaissances en thermodynamique et en génie des procédés, formeront et évalueront des modèles, établiront des indicateurs de rendement, répertorieront les lacunes dans les données et mettront au point un prototype d’interface permettant de générer des prévisions et des recommandations.

Parmi les résultats attendus, on compte un cadre de jumeau numérique servant de preuve de concept, des modèles prédictifs préliminaires et une feuille de route pour la validation. Enfin, la plateforme vise à réduire les besoins en matière d’expérimentation, à accélérer le développement des procédés et à favoriser la commercialisation de solutions de recyclage pour les plastiques, les textiles, les pneus, les batteries et d’autres flux de déchets complexes.

 

Emterra Innovations seeks to develop an AI-assisted process-optimization and digital-twin platform for its chemical dissolution and nanopurification technologies. The platform will integrate laboratory, pilot-scale, and commercial data with scientific literature, thermodynamic models, and process-engineering calculations.

The project aims to predict complex waste feedstock behaviour during dissolution and purification, recommend processing conditions, and estimate material recovery, product purity, contaminant removal, energy and solvent consumption, and preliminary process economics. Uncertainty quantification will help prioritize promising experimental conditions.

The candidate will organize datasets, define model variables, develop preprocessing routines, build a structured knowledge base, and implement statistical, machine-learning, and hybrid models. They will integrate data-driven predictions with thermodynamic and process-engineering knowledge, train and evaluate models, establish performance metrics, document data gaps, and develop a prototype interface for generating predictions and recommendations.

Expected outcomes include a proof-of-concept digital-twin framework, preliminary predictive models, and a validation roadmap. Ultimately, the platform aims to reduce experimental requirements, accelerate process development, and support commercialization of recycling solutions for plastics, textiles, tires, batteries, and other complex waste streams.

Required expertise/skills: 

La personne candidate idéale aura été formée en informatique, en science des données, en intelligence artificielle, en génie chimique, en génie des procédés, en génie des matériaux ou dans un domaine connexe. Les compétences requises comprennent la programmation en Python, le prétraitement des données, la visualisation, l’analyse statistique, ainsi que le développement et la validation de modèles d’apprentissage machine. De l’expérience des bibliothèques comme pandas, NumPy, scikit-learn, PyTorch ou TensorFlow est souhaitable.

Parmi ces outils, on retrouve la modélisation hybride ou fondée sur la physique, les jumeaux numériques, l’optimisation, la quantification des incertitudes, les bases de données, la thermodynamique, la simulation de procédés ou la caractérisation des matériaux. Une connaissance des techniques de recyclage, de la dissolution des polymères, des technologies de séparation, de l’économie des procédés, de l’estimation des dépenses en capital (CAPEX) et des dépenses d’exploitation (OPEX) ou des ensembles de données industrielles constitue un atout.

La personne candidate doit faire preuve de solides compétences en matière d’analyse, de résolution de problèmes, de rédaction de documents et de communication interdisciplinaire, ainsi que d’une capacité à interpréter des données techniques complexes.

 

The preferred candidate will have training in computer science, data science, artificial intelligence, chemical engineering, process engineering, materials engineering, or a related field. Required skills include Python programming, data preprocessing, visualization, statistical analysis, and machine-learning model development and validation. Experience with libraries such as pandas, NumPy, scikit-learn, PyTorch, or TensorFlow is desirable.

Assets include hybrid or physics-informed modelling, digital twins, optimization, uncertainty quantification, databases, thermodynamics, process simulation, or materials characterization. Familiarity with recycling, polymer dissolution, separation technologies, process economics, CAPEX/OPEX estimation, or industrial datasets is beneficial.

The candidate should demonstrate strong analytical, problem-solving, documentation, and interdisciplinary communication skills, with the ability to interpret complex technical data.