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

IFP Energies nouvelles - Lyon; Solaize; In loco; EUR 11.000 - 17.000; Tempo pieno

Descrizione del lavoro

IFP Energies nouvelles - Lyon, Direction physique et analyse, propose un stage en science des données pour étudier les descripteurs de l’architecture poreuse des supports catalyseurs et leurs propriétés de diffusion, en s’appuyant sur des jeux de données multimodaux.

Le stage implique l’emploi de méthodes d’apprentissage automatique et de deep learning, y compris des autoencodeurs, pour extraire des représentations latentes et développer des modèles prédictifs liant porosité et diffusion mesurée

Competenze

• Compétences en science des données et apprentissage automatique.
• Notions concernant les matériaux poreux et la catalyse.
• Intérêt pour l’analyse multimodale et l’intégration de données.

Mansioni

• Traiter et fusionner des jeux de données texturales et cinétiques.
• Concevoir et tester des modèles prédictifs liant porosité et diffusion.
• Utiliser des autoencodeurs pour extraire des représentations latentes.
• Évaluer l’incertitude des prédictions avec des méthodes bayésiennes et Monte Carlo.],
• CoT_job_summary_short":"COMPANY NAME: IFP Energies nouvelles - LyonKEY POINTS: Stage en science des données, matériaux poreux, RMN PFG"
• job_summary_short":"<p>IFP Energies nouvelles - Lyon, Direction physique et analyse, propose un stage en science des données pour étudier les descripteurs de l’architecture poreuse des supports catalyseurs et leurs propriétés de diffusion, en s’appuyant sur des jeux de données multimodaux.</p><p>Le stage implique l’emploi de méthodes d’apprentissage automatique et de deep learning, y compris des autoencodeurs, pour extraire des représentations latentes et développer des modèles prédictifs reliant porosité et diffusion mesurée par RMN-PFG.</p><p>Une attention sera portée à l’incertitude des prédictions grâce à des approches bayésiennes et à la fusion de descripteurs scalaires et latents, dans un cadre expérimental limité.</p>
• contract_type”:“parttime”,
• location_type":"on site"?,
• location_type":"on site"
• remote_scope”:null,
• perks":[],
• stated_min":null,
• stated_max":null,
• stated_absolute":null,
• salary_estimation_cot":"Stagiaire en science des données à Solaize: rémunération mensuelle indicative selon pratique interne.",

Conoscenze

Science des données

Hybride physique-chimie

Matériaux poreux

Strumenti

RMN PFG

Descrizione del lavoro

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