Développement d'une approche d'apprentissage profond et actif dans le cadre de la modélisation des fluides réels (RFM) - Application aux simulations LES d'injection et de mélange NH3-H2

Dans le cadre du projet MSCA-DN DT-HATS, cette thèse aborde un défi à fort impact : le développement d'un cadre de simulation de nouvelle génération pour les moteurs à hydrogène/ammoniac (H₂/NH₃) de grosse cylindrée, utilisant deux vecteurs énergétiques clés sur la voie de la neutralité carbone. Vous rejoindrez le centre de recherche et d'innovation de renommée internationale IFP Energies Nouvelles (IFPEN) et collaborerez étroitement avec des partenaires universitaires et industriels européens de premier plan.
Le candidat au doctorat développera un cadre complet et efficace de modélisation des fluides réels (RFM) multi-composants conçu pour simuler, pour la première fois, l'injection de deux carburants et la préparation de mélanges de NH3 et de H2 dans les moteurs. Il introduira une méthodologie d'apprentissage profond et actif (DAL) capable de fournir les propriétés thermodynamiques requises par le cadre RFM en cours d'exécution des simulations numériques tridimensionnelles (3D), lorsque RFM est couplé à une chimie détaillée (jusqu'à 30 espèces chimiques). Le candidat au doctorat développera les modèles requis en C++ à l'intérieur des sources logicielles CONVERGE CFD, enrichies de modèles internes avancés d'IFPEN. La méthodologie RFM-DAL résultante sera validée expérimentalement en utilisant des bases de données expérimentales acquises par les partenaires du projet MSCA-DN DT-HATS.
Rejoignez un prestigieux réseau international de formation pour travailler à la pointe des technologies de transition énergétique et développer des compétences recherchées (IA, CFD et thermodynamique), un tremplin idéal pour une carrière en R&D industrielle ou en recherche académique. Le travail sera reconnu par des publications scientifiques, la participation à des conférences internationales et des collaborations au sein des communautés académiques et industrielles.

Mots clefs : Intelligence artificielle, apprentissage profond, dynamique numérique des fluides (CFD), ammoniac, hydrogène, thermodynamique des gaz réels, big data.

Condition de recrutement dans le cadre des règles du projet européen : le candidat ne doit pas avoir résidé en France plus de 12 mois au cours des 36 derniers mois. 

• Directeur de thèse    Dr HABCHI Chaouki, Chaouki.Habchi@ifpen.fr, ORCID : 0000-0002-6234-3434
• Ecole doctorale    ED579 - « SMEMAG » (Université Paris Saclay)
• Encadrant IFPEN    Dr DELHOM Bruno, ORCID: 0009-0008-2774-9237
• Localisation du doctorant    IFP Energies Nouvelles, Rueil-Malmaison, France et 4 mois de détachement à la société WinGD, Suisse.
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2025
• Employeur    IFPEN
• Qualifications    Diplôme universitaire de master impliquant l'apprentissage automatique, la CFD et la modélisation numérique en physique/thermodynamique. La date d’obtention du Master très récente (> 2022).
• Connaissances linguistiques    Niveau d'anglais B2 (CECR) ; volonté d'apprendre le français
• Autres qualifications    Compétences en programmation (Python, C++)

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