Paramétrage de l’équation d’état PC-SAFT par apprentissage machine

L’utilisation de la biomasse semble une alternative prometteuse pour la synthèse d’une grande variété de familles de composés à haute valeur ajoutée, utilisables dans la fabrication de produits chimiques. Ces produits sont principalement composés de molécules oxygénées or les modèles et les méthodes traditionnellement utilisés dans l'industrie pétrochimique ont été historiquement développés pour restituer les propriétés des hydrocarbures. La conception de nouveaux procédés de fabrication nécessite des méthodes pour une estimation rapide et précise des propriétés physico-chimiques d'intérêt dans l'industrie chimique.
Des modèles thermodynamiques – équation d’état (EoS), notamment l’EoS PC-SAFT (pour « Perturbed Chain Statistical Associating Fluid Theory ») et ses dérivés sont largement employés pour restituer les propriétés des fluides dans les conditions de température et de pression ciblées. La mise en œuvre de cette équation nécessite la connaissance de paramètres propres au fluide que l’on souhaite étudier. Des contributions de groupes ont été développées pour prédire certains de ces paramètres, mettant ainsi en exergue le lien existant entre la structure des fluides considérés et les valeurs des paramètres associés.
Dans ce sujet de thèse, nous proposons de mettre en œuvre des méthodes basées sur la science des données pour développer de nouvelles approches pour paramétrer les EoS, et ainsi étendre leurs champs d’applications. Le couplage envisagé entre apprentissage machine et modèles thermodynamiques vise à améliorer les prédictions de chacun de ces modèles pris individuellement, et plusieurs approches seront investiguées : (i) des approches consistant à prédire les paramètres par des modèles QSPR (pour « quantitative structure-property relationship ») et (ii) une approche basée sur la TGDS (pour « Theory-guided data science »).
 

Mots clés : Chémoinformatique, Machine Learning, Thermodynamique, Physico-Chimie.