IA & raffinage : l’accord SONATRACH–SINOPEC à Arzew

Le 17/11/2025, SONATRACH a signé à Alger un contrat EPCC avec SINOPEC Guangzhou Engineering pour construire à la raffinerie d’Arzew une unité de désulfuration (hydrotraitement) et de reformage CCR destinée au traitement du naphta lourd. Sur le papier, c’est un projet industriel classique : 5 hectares, 30 mois de délai, 738 000 tonnes/an de capacité. Mais derrière ces chiffres, je vois autre chose : un signal clair que l’Algérie veut sécuriser ses volumes, moderniser ses procédés et, surtout, se donner une base solide pour déployer des solutions d’intelligence artificielle à grande échelle.

Cette actualité s’inscrit parfaitement dans notre série « Comment l’IA soutient le secteur de l’énergie et des hydrocarbures en Algérie ». Parce qu’un projet de raffinage de ce type n’est pas seulement une question d’acier et de tuyauterie : c’est un terrain idéal pour l’optimisation par la donnée, la fiabilité opérationnelle, la maintenance prédictive et le pilotage de projet assisté par IA.

Une raffinerie moderne, c’est d’abord un système de données : capteurs, laboratoire, maintenance, logistique, qualité, sécurité. L’IA devient utile dès qu’on relie ces couches.

Ce que change concrètement le projet d’Arzew

Réponse directe : l’unité d’hydrotraitement et de reformage CCR vise à augmenter la production d’essence et à renforcer l’autonomie d’approvisionnement du pays, notamment à l’Ouest et au Sud-Ouest.

Le communiqué de SONATRACH donne un indicateur très parlant : la capacité annuelle de production d’essence de la raffinerie devrait passer de 550 000 tonnes/an à 1,2 million de tonnes/an. C’est plus qu’un gain de rendement ; c’est un renforcement stratégique.

Pourquoi l’hydrotraitement + CCR est un couple “digital-friendly”

Réponse directe : ces procédés sont fortement instrumentés et sensibles aux conditions d’opération ; l’IA y apporte des gains rapides sur stabilité, qualité et consommation énergétique.

• Hydrotraitement : réduction des impuretés (soufre, azote, etc.) pour respecter les spécifications et protéger les catalyseurs des étapes suivantes.
• Reformage CCR (Continuous Catalyst Regeneration) : amélioration de l’indice d’octane et production d’aromatiques/hydrogène, avec régénération continue du catalyseur.

Dans les deux cas, l’exploitation repose sur des variables nombreuses (température, pression, ratio hydrogène, débits, qualité feedstock, état catalyseur). Le type même de contexte où l’IA fait la différence : détecter des dérives tôt, recommander des réglages, réduire les surconsommations, éviter des arrêts.

Un partenariat international, et un transfert de méthodes (pas seulement de matériel)

Réponse directe : l’accord SONATRACH–SINOPEC crée une fenêtre pour importer des standards d’exécution, d’ingénierie et de digitalisation qui accélèrent l’adoption de l’IA.

On présente souvent les partenariats EPCC comme des achats “clé en main”. En pratique, ils structurent aussi :

1. Les méthodes d’ingénierie (bases de conception, exigences d’instrumentation, architecture de contrôle)
2. Les formats de données (tags, nomenclatures, référentiels d’équipements)
3. Les routines de mise en service (tests, validation, documentation)
4. Les habitudes de performance (KPI énergie, rendement, disponibilité)

Et c’est exactement là que beaucoup d’initiatives IA échouent : non pas à cause des algorithmes, mais parce que la donnée n’est pas “propre”, pas gouvernée, pas contextualisée.

Ce que j’aimerais voir dès la phase EPCC

Réponse directe : intégrer dès le contrat et la conception les prérequis “IA-ready” pour éviter des surcoûts après démarrage.

Voici une liste simple, mais très efficace, de décisions à prendre tôt :

• Normaliser la hiérarchie des actifs (site → unité → équipement → sous-ensemble) avec un référentiel unique.
• Imposer une stratégie tags capteurs cohérente (naming, unités, fréquence d’échantillonnage).
• Prévoir un historien de données process robuste et accessible (avec droits, traçabilité, rétention).
• Collecter les données maintenance (GMAO) et les lier aux événements process (arrêts, alarmes, interventions).
• Définir des KPI contractuels compatibles avec l’optimisation : énergie spécifique, rendement, taux de disponibilité, qualité essence.

Ce n’est pas “de l’IA”. C’est le socle qui rend l’IA rentable.

Où l’IA apporte un ROI rapide dans une unité de naphta

Réponse directe : les gains les plus rapides se trouvent dans la maintenance prédictive, l’optimisation énergétique, la qualité produit et la réduction des événements anormaux.

1) Maintenance prédictive : passer du calendrier au risque réel

Dans une raffinerie, les arrêts non planifiés coûtent cher : pertes de production, pénalités qualité, stress HSE. L’IA (ou, plus exactement, l’analyse avancée) peut :

• Détecter des signatures de dégradation sur pompes, compresseurs, échangeurs (vibrations, température, pression différentielle).
• Prioriser les interventions selon probabilité de panne et criticité.
• Réduire les interventions inutiles, tout en sécurisant l’exploitation.

Un cas très concret : l’encrassement des échangeurs. Un modèle peut estimer la perte d’efficacité thermique, recommander le meilleur moment pour nettoyer, et éviter de “surconsommer” du combustible au four pour compenser.

2) Optimisation énergétique : le poste où les petites dérives coûtent gros

Le raffinage est énergivore. Dans un hydrotraitement/reformage, l’IA peut aider à :

• Réduire la variabilité des conditions d’opération.
• Optimiser les consignes de fours et de recycle d’hydrogène.
• Éviter les marges “de sécurité” trop conservatrices qui finissent en surconsommation.

L’idée est simple : stabiliser. Une unité stable consomme moins, produit plus régulièrement et génère moins d’alarmes.

3) Qualité et blending : arrêter de corriger a posteriori

Entre la qualité du naphta lourd en entrée, l’état du catalyseur, et les objectifs essence, la gestion de la qualité est un exercice d’équilibriste.

Une approche IA utile consiste à créer un jumeau de procédé (modèle prédictif) qui anticipe la qualité en sortie (octane, soufre, pression de vapeur, etc.) et propose :

• des ajustements de consigne,
• des scénarios de blending,
• des alertes précoces quand on s’approche d’une non-conformité.

4) Détection d’événements anormaux : réduire les “mauvaises surprises”

Une raffinerie génère des milliers de points de mesure et d’alarmes. Les opérateurs voient tout… donc parfois trop.

Les systèmes de détection d’anomalies (sans forcément “faire du deep learning”) permettent de :

• repérer des combinaisons de signaux inhabituelles,
• classer les alarmes par cause probable,
• réduire le bruit et améliorer la réactivité.

Pilotage de projet : l’IA utile avant même le premier baril

Réponse directe : sur un chantier EPCC de 30 mois, l’IA peut réduire les retards et les reprises en améliorant la planification, la qualité documentaire et la gestion des risques.

On associe souvent l’IA à l’exploitation, alors que le chantier est une mine d’opportunités :

IA pour le planning et la logistique

• Prévision de retards sur lots critiques (approvisionnements, préfabrication, montage).
• Détection de conflits de ressources (soudeurs qualifiés, levage, essais).
• Optimisation des séquences de commissioning.

IA pour la qualité documentaire

Sur EPCC, la documentation est massive : P&ID, isométriques, datasheets, procédures, rapports d’essais.

Des outils d’assistance (NLP) peuvent :

• vérifier la cohérence entre documents,
• détecter des écarts de version,
• accélérer la recherche et la validation,
• réduire les erreurs qui coûtent cher en mise en service.

IA et HSE : prévenir plutôt que réagir

Sans promesses irréalistes : l’analyse des incidents et quasi-accidents, couplée à des données de terrain (permis de travail, zones, coactivité), améliore la prévention. C’est particulièrement utile dans les périodes de fin d’année où la pression planning monte.

Questions que se posent les décideurs (et réponses franches)

“Est-ce que l’IA remplace l’expertise métier ?”

Réponse directe : non. Elle amplifie l’expertise, mais ne la remplace pas.

Dans le raffinage, l’IA fonctionne quand les ingénieurs process, maintenance et HSE cadrent les cas d’usage, valident les modèles et fixent les limites.

“Par quoi commencer pour que ça marche en Algérie ?”

Réponse directe : par la gouvernance de données et 2 à 3 cas d’usage à ROI rapide.

Je recommande souvent ce trio :

1. Historian + qualité de données (instrumentation, tags, synchronisation)
2. Maintenance prédictive sur équipements critiques
3. Optimisation énergie sur une unité pilote

“Quel lien avec la demande locale Ouest/Sud-Ouest ?”

Réponse directe : plus de capacité et plus de fiabilité réduisent les tensions logistiques et améliorent la continuité d’approvisionnement.

L’IA n’augmente pas, à elle seule, les tonnes produites. Mais elle augmente la disponibilité, réduit les pertes et stabilise la qualité. Et ça, au quotidien, compte autant que l’investissement initial.

Ce que cette signature raconte sur la trajectoire numérique de SONATRACH

Réponse directe : le contrat d’Arzew illustre une logique “infrastructure + performance”, qui est le meilleur terrain pour industrialiser l’IA dans l’énergie en Algérie.

Une modernisation réussie ne se résume pas à acheter des logiciels. Elle repose sur des projets concrets où la donnée devient un actif : instrumentation bien pensée, exploitation disciplinée, équipes formées, et objectifs chiffrés.

En cette fin d’année 2025, beaucoup d’entreprises font des bilans et fixent leurs priorités 2026. Si vous travaillez dans l’énergie, les hydrocarbures, l’ingénierie ou la maintenance en Algérie, c’est le bon moment pour poser une question simple à votre organisation : où sont nos données critiques, et qui en est responsable ?

Si vous voulez transformer des projets industriels (comme Arzew) en résultats mesurables via l’IA — disponibilité, énergie, qualité, sécurité — on peut cadrer ensemble une feuille de route réaliste : 90 jours pour un pilote, 6 mois pour l’industrialisation.

Et vous, sur un projet EPCC, quel est le premier “irritant opérationnel” que vous aimeriez voir disparaître grâce à la donnée : les arrêts, l’énergie, la qualité, ou les retards de chantier ?