Partenariat SONATRACH–SINOPEC : l’IA au cœur du raffinage

Le 17/11/2025, SONATRACH a signé à Alger un contrat EPCC avec SINOPEC Guangzhou Engineering Co., Ltd pour construire à la raffinerie d’Arzew une unité de traitement (hydrotraitement) et de reformage CCR de naphta lourd. Les chiffres parlent : 738 000 tonnes/an de naphta lourd traitées et une capacité essence qui grimpe de 550 000 à 1,2 million de tonnes/an. Ce n’est pas qu’un projet industriel de plus. C’est un signal clair : l’Algérie consolide son aval pétrolier… et crée les conditions idéales pour industrialiser l’IA dans l’énergie.

La réalité, c’est que les meilleures performances de raffinage ne viennent pas seulement des équipements, mais de la façon dont on les pilote. Une unité CCR moderne génère énormément de données (températures, pressions, composition, qualité produit, consommation d’hydrogène, émissions, maintenance). Si ces données restent sous-exploitées, on laisse de la marge sur la table : rendement, disponibilité, consommation énergétique, sécurité.

Dans notre série « Comment l’IA soutient le secteur de l’énergie et des hydrocarbures en Algérie », ce partenariat SONATRACH–SINOPEC est un cas d’école : une collaboration internationale d’ingénierie peut devenir le tremplin d’une exploitation plus “intelligente”, basée sur l’analyse temps réel et la décision assistée.

Ce que le contrat d’Arzew change (au-delà de l’annonce)

Le point clé est simple : augmenter l’essence produite localement exige une maîtrise fine de la qualité et des contraintes d’exploitation. L’unité annoncée (hydrotraitement + CCR) vise précisément cela.

Le communiqué précise trois éléments structurants :

• Modèle EPCC (Engineering, Procurement, Construction and Commissioning) : l’ingénierie et la mise en service sont intégrées, donc le projet peut inclure dès le départ des exigences de données, d’instrumentation et d’automatisation.
• Surface et délai : 5 hectares et 30 mois. C’est typiquement la fenêtre où l’on décide si la data sera “native” (bien structurée) ou “réparée” après coup (toujours plus coûteuse).
• Objectif national : répondre à la demande des wilayas de l’Ouest et du Sud-Ouest, en renforçant la capacité nationale d’essence.

Ce type de projet est aussi une opportunité de mettre en place une gouvernance data industrielle : conventions de tags, qualité de mesure, historique, cybersécurité, intégration OT/IT. Sans ça, l’IA reste un slogan.

Pourquoi le naphta lourd et le CCR sont “amis” de l’IA

Unité CCR et hydrotraitement = beaucoup de variables interconnectées :

• qualité de la charge (naphta) variable,
• contraintes sur le soufre et les impuretés,
• gestion de l’hydrogène,
• stabilité catalytique,
• qualité essence (octane) à tenir sans excès énergétique.

L’IA excelle justement quand il faut optimiser sous contraintes multiples : maintenir une qualité produit, réduire la consommation, éviter les excursions de procédé, anticiper les dérives.

L’IA dans une raffinerie : des usages qui rapportent vite

L’IA utile en raffinage, ce n’est pas une “IA magique”. C’est une combinaison pragmatique : données propres + modèles + intégration dans l’exploitation.

1) Optimisation de procédé en temps réel (APC + modèles IA)

Réponse directe : l’IA améliore la stabilité et le rendement quand elle complète les systèmes de contrôle avancé (APC).

Concrètement, sur une chaîne hydrotraitement/CCR, on peut viser :

• meilleure tenue de la qualité essence (octane, pression de vapeur, courbe de distillation) avec moins de “sur-qualité” coûteuse ;
• réduction des pertes liées aux variations de charge ;
• optimisation énergétique (fours, échangeurs, réseaux vapeur) via recommandations opérationnelles.

Ce que j’ai observé sur des projets comparables, c’est qu’un pilotage data-driven devient rentable quand il est intégré à des routines simples : consignes recommandées, alertes contextualisées, rapports de poste.

2) Maintenance prédictive sur équipements critiques

Réponse directe : la maintenance prédictive réduit les arrêts non planifiés en détectant tôt les dérives.

Dans une unité CCR, les équipements tournants, les fours, les compresseurs, les vannes de contrôle, les échangeurs et les capteurs sont stratégiques. Une approche IA typique :

• détection d’anomalies sur vibrations/températures/consommation électrique,
• estimation de l’encrassement d’échangeurs (fouling) via modèles,
• prédiction de pannes probables et priorisation des interventions.

Résultat attendu : moins de maintenance “au feeling” et davantage de maintenance “au bon moment”.

3) Contrôle qualité automatisé (laboratoire + data de procédé)

Réponse directe : l’IA rapproche la qualité produit du temps réel en reliant données laboratoire et données de procédé.

Une raffinerie vit avec un décalage : le laboratoire confirme, mais souvent après. L’IA (modèles de soft sensors) peut estimer en continu des propriétés produits, ce qui :

• accélère les corrections,
• diminue les lots hors spécifications,
• sécurise la logistique et les expéditions.

4) HSE et gestion des risques : l’IA comme filet de sécurité

Réponse directe : l’IA renforce la prévention en détectant des signaux faibles avant l’incident.

Quelques cas d’usage concrets :

• détection précoce d’écarts de pression/température annonçant une situation instable,
• analyse d’événements et quasi-accidents pour comprendre les causes,
• inspection visuelle assistée (corrosion, fuites) via caméras industrielles dans des zones difficiles.

Dans un contexte industriel, la valeur HSE n’est pas “optionnelle”. C’est souvent le meilleur argument pour standardiser la donnée et la discipline opérationnelle.

Partenariats internationaux : la vraie valeur, c’est le transfert de méthodes

Un partenariat comme SONATRACH–SINOPEC ne se limite pas à construire. Il peut installer des pratiques.

Réponse directe : la collaboration internationale accélère la maturité data/IA si elle est contractualisée et gouvernée.

Trois points à exiger (et à piloter) pour que ça marche :

Instrumentation et architecture data « prêtes pour l’IA »

• capteurs bien choisis (précision, redondance, criticité),
• historisation robuste (haute fréquence quand nécessaire),
• qualité des tags (noms cohérents, unités, métadonnées),
• synchronisation temporelle.

Sans ce socle, les modèles IA deviennent fragiles.

Cybersécurité OT/IT dès la conception

Quand on connecte davantage, on expose davantage. L’approche saine : segmentation réseau, gestion des accès, journalisation, durcissement des postes industriels. La souveraineté des données est aussi un sujet : où sont stockées les données ? qui y accède ?

Compétences : passer de “projet IA” à “capacité IA”

Le succès se joue sur les équipes hybrides : ingénieurs procédé + automaticiens + data scientists + maintenance.

Un bon indicateur : la capacité à maintenir et recalibrer les modèles en interne, sans dépendre en permanence d’un prestataire.

Feuille de route IA réaliste pour Arzew (30 mois, pas 5 ans)

Le projet est prévu sur 30 mois. C’est suffisant pour intégrer une démarche IA par étapes, sans ralentir le chantier.

Réponse directe : la meilleure stratégie est d’industrialiser 2–3 cas d’usage dès la mise en service, puis d’étendre.

Voici une trajectoire simple (et souvent efficace) :

1. M0–M6 : cadrage data + cas d’usage
   • liste des variables critiques,
   • exigences d’historisation,
   • sélection de 2 cas d’usage à ROI rapide (anomalies + soft sensor qualité).
2. M6–M18 : construction du socle
   • pipelines de données,
   • tableaux de bord opérationnels,
   • règles de qualité et gouvernance.
3. M18–M30 : modèles + intégration exploitation
   • modèles validés avec l’équipe terrain,
   • intégration dans les routines (poste, maintenance),
   • plan de cybersécurité et d’audit.

Ce qui fait la différence, c’est l’intégration : un modèle qui reste dans un rapport ne change rien. Un modèle qui alimente une décision quotidienne change tout.

Questions que les décideurs posent (et les réponses utiles)

« Est-ce que l’IA remplace les ingénieurs ? »

Non. Elle augmente leur capacité : moins de temps à diagnostiquer, plus de temps à améliorer.

« Quel est le piège le plus fréquent ? »

Réponse directe : sauter l’étape “données fiables”. Capteurs mal calibrés, tags incohérents, historien incomplet : l’IA apprend du bruit et produit du bruit.

« Par où commencer si on veut des résultats visibles ? »

• Détection d’anomalies sur équipements critiques.
• Soft sensor de qualité produit.
• Optimisation énergétique sur un sous-système (fours/échangeurs).

Ces cas d’usage créent vite de la confiance, donc de l’adhésion.

Ce que ce projet dit de l’avenir de l’aval en Algérie

Le contrat d’Arzew vise une hausse nette de la production d’essence, et donc une meilleure couverture des besoins nationaux, notamment à l’Ouest et au Sud-Ouest. Mais l’enjeu le plus durable est ailleurs : standardiser une façon moderne de concevoir, exploiter et améliorer les unités industrielles.

Si SONATRACH et ses partenaires ancrent l’IA dans les pratiques (données de qualité, cybersécurité, compétences internes, cas d’usage reliés aux opérations), l’Algérie gagne plus qu’une unité : elle gagne une méthode réplicable sur d’autres sites.

Si votre organisation (industrie, énergie, services parapétroliers) veut passer d’une “idée IA” à une mise en production concrète, je recommande de partir d’une question simple : quelle décision opérationnelle doit devenir meilleure, chaque jour, grâce aux données ?