Développement d’un modèle d’apprentissage automatique pour accélérer les calculs de cinétique chimique : application à la combustion diphasique de carburants durables

Le trafic aérien représente une part croissante des émissions mondiales de CO₂. L’utilisation de carburants d’aviation durables (SAF, Sustainable Aviation Fuels) constitue une voie prometteuse pour réduire l’empreinte carbone du secteur. Bien que leurs propriétés physico-chimiques soient proches de celles du kérosène, leur comportement en combustion peut différer sensiblement, nécessitant une adaptation des turbines à gaz (TG) actuelles. Dans ce contexte, la simulation numérique s’impose comme un outil clé pour l’industrie aéronautique, permettant de concevoir et d’optimiser les TG à moindre coût. Toutefois, plusieurs verrous limitent encore la précision et la rapidité des simulations. L’un des principaux défis réside dans le traitement numérique de la cinétique chimique, particulièrement coûteux en raison du grand nombre d’espèces et de réactions mises en jeu dans la combustion des SAF. Des avancées récentes ont montré que l’apprentissage automatique, notamment via les réseaux de neurones, permet d’accélérer significativement ces calculs. Néanmoins, ces approches ont été principalement développées pour des hydrocarbures classiques dans des conditions purement gazeuses. Or, la combustion des SAF dans les turbines se produit en régime diphasique, avec des interactions complexes entre les gouttelettes liquides et la flamme. L’objectif de cette thèse est donc d’étendre les techniques d’accélération de la cinétique chimique par apprentissage automatique à la combustion diphasique des SAF, injectés sous forme de spray. Le principal verrou est la constitution d’une base de données d’apprentissage représentative des conditions rencontrées dans les systèmes industriels. Une méthodologie déjà développée au CORIA et à l’IFPEN, fondée sur le couplage de réacteurs 0D en interaction, servira de point de départ et sera adaptée au contexte diphasique. Les travaux débuteront par l’étude d’une flamme de laboratoire canonique, avant d’être appliqués à une configuration plus représentative d’un brûleur aéronautique fonctionnant avec des SAF.

Mots clefs: Carburants durables, Intelligence artificielle, Cinétique chimique, Accélération de calculs

• Directeur de thèse    Pr Luc VERVISCH, CORIA, ORCID : 0000-0003-0313-2060
• Ecole doctorale    ED591 PSIME, INSA Rouen Normandie
• Encadrant IFPEN    Dr Cédric MEHL, ORCID : 0000-0003-2293-9281
• Localisation du doctorant    IFPEN Rueil-Malmaison, France 
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2025 (3 novembre)
• Employeur    IFPEN
• Financement    En cours d’instruction
• Qualifications    Master en mécanique des fluides / énergétique / simulation numérique
• Connaissances linguistiques    Anglais niveau B2 (CECR)    
• Autres qualifications    Maitrise d’un ou plusieurs langages de programmation (Python, C++)

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