L'utilisation de la biomasse apparaît comme une alternative prometteuse pour la synthèse de diverses familles de produits chimiques à forte valeur ajoutée, qui peuvent être utilisés pour la fabrication d’autres produits. Les charges issues de la biomasse et leurs dérivés sont principalement composés de molécules oxygénées, or les modèles et méthodes traditionnellement utilisés dans l'industrie pétrochimique ont historiquement été développés pour restituer les propriétés d’hydrocarbures. La conception de nouveaux procédés de transformation nécessite des méthodes d'estimation rapide et précise des propriétés physico-chimiques d'intérêt pour l'industrie chimique.
Les modèles thermodynamiques - équation d'état (EoS), en particulier l'EoS PC-SAFT (pour « Perturbed Chain Statistical Associating Fluid Theory ») - et ses dérivés sont largement utilisés pour calculer les propriétés des fluides pour des conditions ciblées de température et de pression. Ce modèle est fondé sur une thermodynamique statistique forte qui assure de bonnes capacités d'extrapolation. Son application nécessite la connaissance de paramètres spécifiques au fluide à étudier. Des contributions de groupes ont été développées pour prédire certains de ces paramètres, mettant ainsi en évidence le lien entre la structure des fluides considérés et les valeurs des paramètres associés.
Dans ce contexte, nous proposons ce sujet pour mettre en œuvre des méthodes basées sur la science des données afin de développer de nouvelles approches pour paramétrer l'EoS PC-SAFT, et ainsi étendre son champ d'application notamment aux nouvelles filières énergétiques. La combinaison envisagée de méthodes d'apprentissage machine et d'un modèle thermodynamique vise à améliorer la capacité prédictive de chacun de ces modèles pris individuellement. Plusieurs approches seront étudiées : (i) des approches consistant à prédire les paramètres de l'EoS au moyen de modèles basés sur la QSPR (« quantitative structure property relationship), et (ii) une approche combinant la physique et l'apprentissage machine.
Mots clefs: équation d'état, apprentissage machine
- Directeur de thèse Pr. De HEMPTINNE, (ORCID : 0000-0003-1607-3960), Ingénieur de recherche, Département de Thermodynamique et Modélisation moléculaire, jean-charles.de-hemptinne@ifpen.fr
- Ecole doctorale ED388 Chimie Physique et Chimie Analytique de Paris Centre, ed388.upmc.fr/
- Encadrant IFPEN Dr. CRETON Benoît (ORCID: 0000-0002-3287-877X), Ingénieur de recherche, Département de Thermodynamique et Modélisation moléculaire, benoit.creton@ifpen.fr
- Localisation du doctorant IFP Energies nouvelles, Rueil-Malmaison, France
- Durée et date de début 3 ans, début au cours du quatrième trimestre 2023
- Employeur ProSim, Toulouse, France.
- Qualifications Master en statistiques/sciences des données, en sciences chimiques/physiques ou en génie chimique.
- Connaissances linguistique Maîtrise de l'anglais et du français ou forte volonté d'apprendre le français
- Autres qualifications Thermodynamique, chémoinformatique, apprentissage machine
Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessus.
IFP Energies nouvelles est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. Pour plus d’information, voir notre site web.
IFPEN propose à tous les doctorants de participer à des séminaires et des formations qui leur sont dédiés. Pour plus d’information, merci de consulter nos pages web dédiées.