Apprentissage machine appliqué à la caractérisation des fluides utilisés dans les chaînes de propulsion électriques

Cette thèse s'inscrit dans le domaine de l'évolution de la gestion thermique des chaînes de propulsion électriques, un élément clé pour améliorer les performances des véhicules électriques en termes de densité de puissance. Les constructeurs automobiles s'orientent vers l'utilisation d'un "fluide unique" pour la gestion du refroidissement et de la lubrification de la chaîne de propulsion. Cependant, le défi actuel réside dans la formulation de ces fluides pour résister à des contraintes physiques multiples. Dans ce contexte, nous proposons une thèse visant à développer des modèles d'apprentissage machine pour optimiser la formulation de ces fluides caloporteurs à partir de leur caractérisation élémentaire et moléculaire. Ce travail de recherche se distingue par son approche visant à comprendre l'impact de la formulation des fluides sur leurs propriétés physico-chimiques. Elle vise à prédire des formulations adaptées pour des propriétés cibles ou à prédire des propriétés pour une formulation donnée en utilisant l'apprentissage machine supervisé. IFPEN a déjà exploré l'application de l'apprentissage machine sur des bases de données de propriétés physico-chimiques, en utilisant des méthodes chimiométriques qui relient les caractéristiques chimiques des fluides aux propriétés d'intérêt. 
Étapes de la thèse :
•    Identification des propriétés physico-chimiques pertinentes des fluides utilisés dans les chaînes de propulsion électriques.
•    Identification des différents types de fluides utilisés actuellement dans le domaine mais aussi dans le futur. 
•    Définition puis optimisation des techniques d'analyse les plus appropriées (LC-HRMS, GCxGC/MS, NMR, …) pour caractériser ces fluides au niveau moléculaire et élémentaire.
•    Caractérisation expérimentale des fluides pour évaluer les propriétés physiques ciblées (viscosité, conductivité, capacité thermique, conductivité électrique, etc.) et création d'une base de données.
•    Développement et validation de modèles chimiométriques basés sur les données expérimentales pour prédire les propriétés ciblées en fonction des formulations.

Mots clefs : Formulation des fluides, Lubrifiants, Mobilité électrique, Analyse, Chimiométrie

• Directeur de thèse    Prof. Ludovic DUPONCHEL, LASIRE, ORCID : 0000-0002-7206-4498
• Ecole doctorale    ED104 SMRE, Université de Lille
• Encadrant IFPEN    Dr Lucia GIARRACCA-MEHL, ORCID : 0000-0001-6238-268X
• Localisation du doctorant    IFPEN, Lyon, France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
• Employeur    IFPEN
• Qualifications    Master en chimie analytique
• Connaissances linguistiques    Anglais niveau B2 (CECR), Français souhaité   
• Autres qualifications    Connaissances en chimiométrie ou en traitement multivarié des données

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