Corrélation entre descripteurs de l'architecture poreuse des supports de catalyseurs et leurs propriétés de transport : apport de l'analyse de données
Direction Physique et Analyse

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.

Corrélation entre descripteurs de l’architecture poreuse des supports de catalyseurs et leurs propriétés de transport : apport de l’analyse de données

Comprendre comment la structure d'un support catalytique détermine ses propriétés de diffusion est crucial pour améliorer l'efficacité globale des procédés catalytiques hétérogènes. L’architecture poreuse des supports de catalyseur, notamment ceux à base d’alumine, est complexe et de multiples grandeurs sont utilisées pour la décrire. Ces grandeurs, que l’on appelle propriétés texturales, sont mesurées par diverses techniques analytiques comme la physisorption d’azote, la porosimétrie au mercure ou encore la microscopie électronique à balayage.

Dans les réactions catalytiques hétérogènes, il existe par ailleurs un compromis entre une surface spécifique élevée (favorisée par des pores fins) permettant un dépôt optimal de la phase active et une efficacité de diffusion accrue (requérant des pores plus larges). Au cours des années de nombreuses données de caractérisations texturales et de mesures de diffusion de molécules modèles ont été récoltées sur des supports de catalyseurs très variés. Il semble donc pertinent d’utiliser des méthodes développées en science des données pour faire émerger les corrélations parfois complexes entre porosité et diffusion.

Description du stage

Concrètement l’étudiant disposera de données numériques et graphiques issues de l’analyse des propriétés texturales d’une cinquantaine de supports de catalyseurs pour lesquelles des mesures de diffusion de molécules modèles auront été réalisées par RMN- PFG (résonance magnétique nucléaire à gradient de champs pulsé). Les méthodes de science des données utilisées seront des méthodes d’apprentissage automatique et de deep learning adaptées à des données multimodales. Des autoencodeurs pourront notamment être employés afin d’extraire, à partir des données graphiques ou des séries expérimentales, une représentation compacte dans un espace latent.

Cette représentation pourra être concaténée aux descripteurs scalaires issus des caractérisations texturales pour développer des modèles prédictifs à double entrée, capables de relier simultanément les informations globales et détaillées sur l’architecture poreuse aux propriétés de diffusion mesurées par RMN PFG.

Plusieurs architectures de fusion pourront être comparées, telles que des réseaux à deux branches ou des modèles neuronaux combinant variables scalaires et représentations latentes. Compte tenu du nombre limité de supports disponibles et de la variabilité des mesures, une attention particulière pourra être portée à la quantification de l’incertitude des prédictions, à l’aide de méthodes telles que le Monte Carlo dropout, les ensembles de réseaux ou les approches bayésiennes.

L’objectif sera finalement d’identifier les descripteurs les plus pertinents, de prédire les propriétés de transport et d’évaluer la robustesse et la fiabilité des modèles développés.

Profil recherché :

Compétences en sciences des données / Hybride physique-chimie / Notions concernant les matériaux poreux

Lieu : IFP Energies nouvelles (Direction physique et analyse), Autoroute A7, Rd point de l’échangeur de Solaize, BP3, 69360 SOLAIZE

Candidature : CV et lettre de motivation à envoyer aux deux encadrants du stage