Benchmarks issus de la littérature scientifique à comité de lecture — ce que la technologie soft-sensor réalise dans des environnements industriels réels. Sources tierces, chacune avec lien.
Chimie / Polymérisation Les indicateurs de qualité du polymère ne sont disponibles que par des analyses de laboratoire peu fréquentes et dépendent de façon non linéaire des températures du réacteur et des débits d'alimentation.
Une commande prédictive non linéaire avec un modèle de premiers principes (bilans matière avec cinétique, bilan d'énergie) régule en boucle fermée la qualité mesurée au laboratoire en fixant le profil de température des réacteurs.
Résultat clé: En production continue depuis octobre 2012.
Source: Bindlish (Dow Chemical) — Computers & Chemical Engineering (2015) Pâtes et papiers / Tissue Le grammage (g/m²) ne se mesure pas en temps réel dans la partie toile d'une machine à tissue — seulement en aval, trop tard pour corriger.
Modèle hybride : un modèle de premiers principes et un réseau convolutif 1D en parallèle ; un réseau GRU pondère leurs sorties selon le régime de fonctionnement.
Résultat clé: RMSE 2,12 g/m² (hybride) contre 2,68 g/m² (apprentissage automatique seul) et 4,72 g/m² (physique seule), sur 7 mois de données industrielles.
Source: Othen et al. — RWTH Aachen / Nordic Pulp & Paper Research Journal (2025) Pétrole et gaz — Pression de fond Les capteurs de fond permanents sont coûteux et peu fiables en conditions sévères, alors que la pression de fond est essentielle pour optimiser la production et assurer l’écoulement.
Un soft sensor LSTM entraîné sur les mesures de tête de puits et de surface ; l’apprentissage par transfert adapte le modèle à d’autres puits et conditions.
Résultat clé: MAPE constamment inférieur à 2 % sur des données offshore réelles du bassin présalifère brésilien.
Source: Fernandes et al. — arXiv (2026) Production d’électricité — Émissions de NOx La prédiction des NOx en temps réel est la base de l’optimisation de la combustion ; les conditions évoluent avec la charge et le combustible, et les modèles statiques se dégradent.
Apprentissage juste-à-temps avec forêt aléatoire : un modèle local par prédiction, choisi par un indice de similarité temporelle et spatiale, avec une surveillance à fenêtre glissante qui déclenche les mises à jour.
Résultat clé: R² = 0,93 sur le jeu de test ; 99,7 % des échantillons avec une erreur absolue inférieure à 15 mg/m³ — mieux que les six modèles de comparaison.
Source: He & Ding — Sensors / MDPI (2024) Traitement des eaux usées La DCO, les MES et E. coli exigent prélèvements et analyses de laboratoire : aucune vision en temps réel de l’épuration ; les analyseurs de DCO en ligne sont trop chers pour les installations autonomes.
Soft sensors par apprentissage automatique sur des mesures en ligne (turbidité, couleur, pH, NH₄⁺, NO₃⁻, conductivité). Quatre algorithmes comparés ; la SVR était la meilleure pour la DCO, la régression cubist pour les MES.
Résultat clé: DCO : R² = 0,96 (SVR) ; MES : R² = 0,99 (cubist) — sur 56 points de données d’une installation autonome testée sur le terrain ; E. coli n’a pas encore pu être prédit de façon fiable.
Source: Shyu et al. (Univ. South Florida) — ACS Environmental Au (2023) Pharmacie / Technologie analytique des procédés (PAT) Les attributs critiques de qualité des comprimés — uniformité de teneur, dissolution, dureté — sont traditionnellement mesurés hors ligne en fin de lot, ce qui empêche la libération en temps réel (RTRT).
Des soft sensors déduisent les attributs de qualité pendant la fabrication à partir d’instruments PAT en ligne (NIR, Raman, diffraction laser) et des données de procédé, dans le cadre PAT de la FDA.
Résultat clé: Revue de l’état de l’art de la libération en temps réel des comprimés ; le guide PAT de la FDA existe depuis 2004.
Source: Markl et al. — International Journal of Pharmaceutics (2020) Semi-conducteurs / Métrologie virtuelle Les étapes de métrologie (épaisseur de couche, profondeur de gravure, fin de CMP) sont coûteuses et rares, ce qui laisse des angles morts entre deux mesures.
La métrologie virtuelle prédit la qualité après procédé à partir de l’état de l’équipement et des variables de procédé, en utilisant des mesures réelles échantillonnées pour entraîner et corriger les modèles.
Résultat clé: Revue de deux décennies de littérature sur la métrologie virtuelle : étapes génériques, état de l’art et problèmes ouverts.
Source: Maitra et al. — Expert Systems with Applications (2024) Automobile / Véhicules autonomes Les niveaux d’automatisation élevés exigent plus de capteurs par véhicule — de 8 à 28 selon l’aperçu de l’article —, avec plus de coût, de poids, de consommation et de points de défaillance.
Les capteurs virtuels remplacent ou complètent les capteurs physiques et sont validés en simulation du véhicule complet ; l’estimation d’état utilise des observateurs de type Kalman et des approches hybrides d’apprentissage automatique.
Résultat clé: Marché des capteurs virtuels : 1,37 Md USD (2025) → 5,35 Md USD (2030), cité d’après Mordor Intelligence.
Source: Barabás et al. — Sensors / MDPI (2025) 
