Prise en compte des composés traces en Chémoinformatique

Avec la réduction drastique annoncée de la part des ressources énergétiques fossiles dans le mix énergétique européen, il est important de définir de véritables alternatives à la pétrochimie. La transformation de la biomasse lignocellulosique et les différents procédés de synthèse permettent de fournir une grande variété de familles de composés à haute valeur ajoutée. De nombreux fluides (lubrifiants, carburants…) sont employés dans les secteurs de l’énergie, des transports et de l’environnement, pour diverses applications allant de la production d’énergies renouvelables à la mobilité des personnes. 
Quelle que soit l’application considérée, il est primordial que le fluide préserve toutes ses propriétés dans le temps et donc, la stabilité des fluides représente un enjeu majeur. La dégradation thermique ou par oxydation conduit à altérer la qualité du produit pouvant ainsi limiter l’efficacité du système voire dans certains cas conduire à des défaillances. Cette stabilité peut être améliorée ou altérée de manière significative via la présence d’additifs ou d’impuretés. Ces dernières années, nous avons mis en œuvre de nombreuses techniques basées sur l’intelligence artificielle appliquées à des bases de données de chimie (méthodes de Chémoinformatique) pour développer des modèles prédictifs. Nous avons ainsi démontré leur potentiel pour diverses applications dans les domaines de l’énergie, des transports et de l’environnement. La prédiction de propriétés de mélanges, et plus particulièrement le cas des mélanges complexes (carburants, lubrifiants…), requiert encore de nombreux développements, notamment pour la représentation de ces fluides et la prise en compte des composés traces tels que les additifs ou les contaminants. En effet, actuellement ces fluides sont simplifiés, assimilés à des mélanges simples et les composés traces ne sont pas considérés. 
L’enjeu de ce travail de thèse est donc d’améliorer la représentation des fluides complexes pour accroître la robustesse des modèles basés sur l’apprentissage automatique. 

Mots clefs: Chemoinformatiques, Machine Learning, Fluides, Additifs, stabilité à l’oxydation

• Directeur de thèse    Dr Gilles MARCOU, Laboratoire de Chemoinformatique, ORCID: 0000-0003-1676-6708
• Ecole doctorale    ED222, Ecole Doctorale des Sciences Chimiques, Université de Strasbourg. 
• Encadrant IFPEN    Dr Benoît CRETON, benoit.creton@ifpen.fr, ORCID: 0000-0002-3287-877X
• Localisation du doctorant    IFPEN, Rueil-Malmaison, France.
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2024
• Employeur    IFPEN
• Qualifications    Master 2 en Sciences chimiques.
• Connaissances linguistiques    Bonne maîtrise de l’anglais indispensable, français souhaitable. 
• Autres qualifications    Chémoinformatique, Informatique.

Cette offre de thèse est valable sous réserve d’accord de financement.

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