Paramétrage du modèle thermodynamique SAFT par apprentissage machine

L'utilisation de la biomasse apparaît comme une alternative prometteuse pour la synthèse de diverses familles de produits chimiques à forte valeur ajoutée, qui peuvent être utilisés pour la synthèse d’autres produits. Les charges issues de la biomasse et leurs dérivés sont principalement composés de molécules oxygénées, or les modèles et méthodes traditionnellement utilisés dans l'industrie chimique ont historiquement été développés pour restituer les propriétés d’hydrocarbures. La conception de nouveaux procédés de transformation nécessite des méthodes d'estimation rapide et précise des propriétés physico-chimiques d'intérêt pour l'industrie chimique.
Les modèles thermodynamiques - équation d'état (EoS), en particulier l'EoS PC-SAFT (pour « Perturbed Chain Statistical Associating Fluid Theory ») - et ses dérivés sont largement utilisés pour calculer les propriétés des fluides pour des conditions ciblées de température et de pression. Ces modèles sont basés sur une thermodynamique statistique établie de longue date qui assure de bonnes capacités d'extrapolation. L’application de l'EoS PC-SAFT nécessite la connaissance de paramètres spécifiques au fluide à étudier. Des contributions de groupes ont été développées pour prédire certains de ces paramètres, mettant ainsi en évidence le lien entre la structure des fluides considérés et les valeurs des paramètres associés.
Dans ce contexte, nous proposons ce sujet pour mettre en œuvre des méthodes basées sur la science des données afin de développer de nouvelles approches pour paramétrer l'EoS PC-SAFT, et ainsi étendre son champ d'application notamment aux nouvelles filières chimiques. La combinaison envisagée de méthodes d'apprentissage machine et d'un modèle thermodynamique vise à améliorer la capacité prédictive de chacun de ces modèles pris individuellement. Plusieurs approches seront étudiées : (i) des approches consistant à prédire les paramètres de l'EoS au moyen de modèles QSPR (« quantitative structure property relationship), et (ii) une approche combinant la physique et l'apprentissage machine.
Le candidat sera salarié de Fives ProSim et le travail sera réalisé à l'IFPEN en étroite collaboration avec l’Université de Lorraine.

Mots clefs : équation d'état, apprentissage machine

• Directeur de thèse    Pr. J.C. De HEMPTINNE, (ORCID : 0000-0003-1607-3960), Ingénieur de recherche, Département de Thermodynamique et Modélisation moléculaire.
• Ecole doctorale    ED388 Chimie Physique et Chimie Analytique de Paris Centre, ed388.upmc.fr
• Encadrant IFPEN    Dr. Benoît  CRETON (ORCID: 0000-0002-3287-877X), Ingénieur de recherche, Département de Thermodynamique et Modélisation moléculaire.
• Localisation du doctorant    IFP Energies nouvelles, Rueil-Malmaison, France
• Durée et date de début    3 ans, début au cours du premier trimestre 2025
• Employeur    Fives ProSim, Toulouse, France.
• Qualifications    Master en statistiques/sciences des données, en sciences chimiques/physiques ou en génie chimique.
• Connaissances linguistiques   Maîtrise de l'anglais et du français ou forte volonté d'apprendre le français
• Autres qualifications    Thermodynamique, chémoinformatique, apprentissage machine

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