Nouveau modèle de microstructure par empilement et contraintes d’orientations

Les supports de catalyseurs à base alumine sont utilisés dans les procédés de conversion de la biomasse en développement. Ce sont des matériaux poreux multi-échelles, obtenus dans la plupart des applications après calcination de poudres de boehmite (hydroxyde d’aluminium précurseur de l’alumine) et composés de nano plaquettes denses d’alumine agencées de manière complexe. Il est très difficile et extrêmement couteux en temps de calcul de modéliser les phénomènes physiques dictant l’agencement des nano plaquettes avec des méthodes déterministes rendant difficile le calcul de volume suffisamment grand et représentatif de la microstructure. Une modélisation précise de cette microstructure est pourtant nécessaire pour le calcul des propriétés texturales (surface, volume des pores), de diffusion ou mécaniques, essentielles pour les mises en application industrielles. 
Le doctorant enrichira un modèle géométrique 3D existant de microstructure en ajoutant la prise en compte des propriétés d’interaction entre les différentes faces des nano plaquettes de la boehmite, dictant en partie l’agencement final de la microstructure et la texture des alumines obtenues après séchage et calcination de ces solides. Plus précisément, il/elle travaillera sur un nouveau modèle morphologique aléatoire simulant la géométrie induite par l’attraction entre les faces exposées des nano plaquettes. Une stratégie utilisant l’apprentissage profond (deep learning) sera developpée pour accélérer certaines phases de construction du modèle. Ce type de modèle de microstructure, calé sur des matériaux réels et prenant en compte les contraintes de synthèse et mise en forme atteignables, permettra d’explorer par voie numérique des nouveaux matériaux en optimisant dans une gamme réaliste et atteignable les paramètres de fabrication, et par conséquent en augmentant l’envergure de leur utilisation. Les développements seront intégrés dans la plateforme en open acces plug im ! : www.plugim.fr 

Mots clefs : Modèles morphologiques aléatoires, modélisation moléculaire, science des matériaux, Intelligence Artificielle.

• Directeur de thèse    Dr. MOREAUD Maxime, IFPEN, direction Sciences et Technologies du Numérique
• Ecole doctorale    Université Paris-Saclay, STIC, https://www.universite-paris-saclay.fr/en
• Encadrant IFPEN    Dr. CORRAL VALERO Manuel, direction Catalyse, Biocatalyse et Séparation manuel.corral-valero@ifpen.fr  
• Localisation du doctorant    IFPEN Lyon, Solaize, France  
• Durée et date de début    3 ans, début en novembre 2022
• Employeur    IFPEN Lyon, Solaize, France  
• Qualifications    Diplôme de master sciences informatiques/données
• Connaissances linguistique    Bonne maîtrise de l’Anglais et Français, ou motivation pour apprendre le Français
• Autres qualifications    Mathématiques appliquées, géométrie stochastique, deep learning. Des compétences en modélisation moléculaire seraient un plus. Bonnes compétences en programmation informatique (C, C++, Python).