Paramétrage de l'équation d'état PCSAFT par apprentissage machine. PC-SAFT parameterization by Machine Learning.
Physico-chimie et Mécanique appliquées


Type de contrat
Stage
Début
Entre mars et juillet 2022
Durée
5 mois
Région
Ile de France
Indemn / Rém
Oui

ref R175

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

  • l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
  • la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Paramétrage de l'équation d'état PCSAFT par apprentissage machine. PC-SAFT parameterization by Machine Learning.

L’utilisation de la biomasse semble une alternative prometteuse aux hydrocarbures 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 de caractérisation physicochimiques traditionnellement utilisés dans l'industrie pétrochimique ont été historiquement développés pour restituer les propriétés des hydrocarbures. L’adaptation voire 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 (Equation of State), notamment le modèle 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 oeuvre de cette équation nécessite la connaissance de paramètres propres au fluide que l’on souhaite étudier. Des contributions de groupes existent 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.

Ce sujet de stage vient en préambule d’un sujet de thèse déposé dans lequel nous proposons de mettre en oeuvre des méthodes basées sur la science des données pour développer de nouvelles approches pour paramétrer les équations d’état, et ainsi étendre leurs champs d’applications.

La combinaison envisagée entre les méthodes d’apprentissage automatique et les modèles thermodynamiques vise à améliorer les prédictions de chacun de ces modèles pris individuellement.

Durée du stage : 3 à 5 mois
Localisation : IFP Energies nouvelles, 1 et 4 avenue de Bois-Préau, 92852 Rueil-Malmaison.
Rémunération : de 700 à 1000€ selon l’expérience du candidat

Personnes à contacter : Benoît Creton et Jean-Charles de Hemptinne


PC-SAFT parameterization by Machine Learning

The use of biomass appears as a promising alternative for the synthesis of a various families of strong value-added chemicals, which can be used in the manufacture of products. Product issued from the biomass are mainly composed of oxygenated molecules, however models and methods traditionally used in the petrochemical industry have historically been developed to restore properties of hydrocarbons. Adapting existing or designing new manufacturing processes requires methods for rapid and accurate estimation of physicochemical properties of interest in the chemical industry.

Thermodynamic models - equation of state (EoS), in particular the EoS PC-SAFT (for “Perturbed Chain Statistical Associating Fluid Theory”) and its derivatives are widely used to restore properties of fluids for targeted conditions of temperature and pressure. The application of this equation requires knowledge of parameters specific to the studied fluids. Group contributions have been developed to predict some of these parameters, thus highlighting the link between the structure of the considered fluids and values of associated parameters.

This internship subject is as preamble of a PhD subject under evaluation in which we propose to implement methods based on data science to develop new approaches to parameterize EoS, and thus extend their fields of applications. The envisaged combining between machine learning and thermodynamic models aims to improve the predictions of each of these models taken individually.

Internship period: 3-5 months
Location: IFP Energies nouvelles, 1 et 4 avenue de Bois-Préau, 92852 Rueil-Malmaison.
Internship economic compensation: between 700-1000€ depending on candidate’s experience.

Contact persons: Benoît Creton and Jean-Charles de Hemptinne