Modèles hybrides IA-cinétique pour la régénération des catalyseurs

Indispensables à de nombreux procédés industriels et à l'ensemble des systèmes énergétiques, les catalyseurs perdent progressivement en efficacité sous l’effet de phénomènes tels que la formation de coke ou le frittage. Pour prolonger leur durée de vie, essentiel pour une économie durable, des dizaines de milliers de tonnes de catalyseurs sont régénérées chaque année afin de restaurer leurs performances. Ce processus de régénération a donc un impact significatif sur l'efficacité énergétique et la durabilité des industries concernées, comme la production de bio-carburants par exemple.
Dans le cas des catalyseurs bifonctionnels phase acide - phase hydrogénante, le choix des conditions de régénération devient critique, car au cours de celle-ci, une des phases actives peut être dégradée, impactant ainsi fortement les performances du catalyseur régénéré. Les modèles de connaissance actuels sur les types de coke et leur oxydation ne permettent pas d'anticiper avec précision les conséquences d'un choix de conditions de régénération.
Ce projet de doctorat se concentre sur le développement de modèles hybrides combinant des techniques d'apprentissage automatique avec des modèles physiques pour prédire les performances des catalyseurs régénérés. En exploitant des données complexes, telles que les diffractogrammes de rayons X, le candidat contribuera à la mise en œuvre des premiers modèles cinétiques hybrides couvrant plusieurs catalyseurs. Le travail de thèse sera structuré autour de trois objectifs clés :
•    Développer une stratégie d'apprentissage hybride intégrant des modèles cinétiques avec des techniques d'apprentissage automatique (telles que les approches Neural ODE).
•    Étudier les limites des performances des modèles lorsqu’on dispose de peu de données (apprentissage frugal).
•    Appliquer ces approches à des cas industriels concrets pour optimiser les conditions opérationnelles de régénération.

Mots clefs : Modélisation cinétique, apprentissage automatique, modélisation hybride, catalyse.

Directeur de thèse    Prof. Jan VERSTRAETE, IFPEN, ORCID : 0000-0003-4536-5639
Ecole doctorale    ED206 CHIMIE, Université Lyon 1
Encadrant IFPEN  PhD Thomas PIGEON, ORCID : 0000-0002-7828-5128
Localisation du doctorant    IFP Energies Nouvelles, Lyon, France  
Durée et date de début    3 ans, début au cours du quatrième trimestre 2026 (2 novembre)
Employeur IFP Energies Nouvelles
Qualifications    Master en génie chimique ou en apprentissage automatique
Connaissances linguistiques    Anglais niveau C1 (CECR) 
Qualifications techniques    Compétences en programmation, Python requis, Connaissances en modélisation mathématique ou physique, Connaissances en apprentissage, Intérêt pour la catalyse hétérogène

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.