Développement et évaluation d’approches hybrides de machine learning informé par la physique pour la modélisation d’une unité de captage de CO2

Le sujet de thèse proposé porte sur le développement d’approches de modélisation hybride, dans lesquelles les lois physiques sont combinées à des méthodes de type machine learning guidées par les données. Cette nouvelle génération de méthodes d’apprentissage, connue sous le nom de Physics-Informed Machine Learning (PIML), commence à émerger, avec la promesse d’être plus interprétable que les approches purement machine learning, plus robustes face à des données imparfaites, et d’être capable de mieux généraliser un comportement physique.
Le cas d’application visé est celui d’une unité de captage de CO2, procédé essentiel pour réduire les émissions de gaz à effet de serre de secteurs industriels clés. La colonne d’absorption de ce type d’unité est actuellement modélisée via une représentation rigoureuse des multiples phénomènes physico-chimiques couplés contrôlant l’absorption de gaz dans le solvant. On constate toutefois que ce modèle échoue à reproduire certaines tendances expérimentales observées sur les unités industrielles, sans que ces écarts ne puissent être expliqués par un phénomène précis. 
Dans ce contexte, il est proposé de s’appuyer sur des approches de modélisation hybride pour améliorer la description de la colonne d’absorption. Après un état de l’art, plusieurs stratégies de couplage entre la connaissance préalable des mécanismes et les données disponibles seront développées. Celles-ci seront évaluées sur des critères de précision, de sensibilité au volume et à la qualité des données, et de capacité d’extrapolation à des conditions opératoires différentes de celles utilisées pour l’entraînement des algorithmes.   
Ces approches hybrides informées par la physique n’ont été que très récemment appliquées au domaine du génie des procédés et encore jamais au captage de CO2. Les travaux menés dans le cadre de cette thèse seront donc précurseurs et conduiront à plusieurs publications et communications lors de congrès scientifiques.

         
Mots clefs : Modèles hybrides, PIML, modélisation de réacteur, captage de CO2

• Directeur de thèse    Prof. Marc SEBBAN, LabHC, ORCID : 0000-0001-6851-169X
• Ecole doctorale    ED 488 SIS, Université de Lyon 
• Encadrant IFPEN    Dr. Pierre BACHAUD, ORCID : 0000-0003-4128-1016
• Localisation du doctorant    IFPEN, Lyon, France 
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2025
• Employeur    IFPEN
• Qualifications    Master en Mathématiques Appliquées / Informatique ou Génie Chimique / Génie des Procédés avec une appétence particulière pour la simulation numérique.
• Connaissances linguistiques    Anglais niveau B2 (CECR)  
• Autres qualifications    Goût pour le développement d’outils numériques et la programmation. Connaissance d’un ou plusieurs langages informatiques. 

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