Détection Et diagnostiC de L’embAllement theRmique combinant mécanique quANTique et IA (DECLARANT)

Laboratoire GREAH / Université le Havre Normadie; Le Havre; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Un laboratoire de recherche en France recherche un candidat pour une thèse sur le développement de méthodes de détection des risques thermiques liés à la valorisation de la biomasse. Le candidat développera des modèles cinétiques en utilisant l'intelligence artificielle et l'apprentissage machine. Ce poste offre une opportunité d'explorer des innovations scientifiques dans un cadre collaboratif. Date de début prévue : 12-01.

Qualifications

• Compétences en modélisation numérique avancée et en analyse de données.
• Expérience dans des projets de recherche liés à la biomasse ou l'énergie.
• Capacité à travailler en collaboration avec des équipes multidisciplinaires.

Responsabilités

• Développer des modèles cinétiques multifactoriels pour la valorisation de la biomasse.
• Innover dans la détection des risques d’emballement thermique.
• Collaborer avec des institutions de recherche pour le diagnostic des procédés.

Connaissances

Intelligence artificielle

Apprentissage machine

Modélisation cinétique

Analyse de données

Formation

Doctorat en chimie ou domaine connexe

Outils

Réseaux neuronaux

Machines à vecteurs de support

Description du poste

Contexte de recherche

Cette thèse porte sur le développement de méthodes de détection et de diagnostic dans le cadre des risques thermiques associés aux procédés de valorisation de la biomasse. Cette valorisation se développe rapidement et présente des défis similaires, voire supérieurs, à ceux des procédés à base de pétrole, notamment en ce qui concerne les risques d’emballement thermique. Les modèles traditionnels d’évaluation des risques thermiques ne tiennent pas compte des effets de pression ou d’environnements d’exploitation complexes et reposent sur des approches basées sur une compréhension approfondie des équations différentielles non linéaires. La complexité numérique et la sensibilité aux incertitudes des paramètres rendent tout changement dans les conditions de réaction coûteux à mettre à jour. Il est nécessaire de développer de nouveaux modèles cinétiques intégrant l’évolution de la pression et la composition des phases gazeuse et liquide.

Ces modèles ne permettent pas de prédire correctement les phénomènes d’emballement thermique dans différentes conditions opératoires. Dans cette thèse, le problème sera traité en reprenant des modèles cinétiques multifactoriels et, grâce à l’intelligence artificielle et à l’apprentissage machine, des algorithmes de détection et de diagnostic seront développés pour optimiser et contrôler les processus exothermiques, entraînés sur le jumeau numérique de l’expérience fourni par les modèles cinétiques. Les travaux s’appuieront sur les connaissances existantes en intégrant l’évaluation des risques dans la conception des procédés afin d’améliorer sécurité et efficacité, et évalueront l’hydrogénation et l’oxydation du furfural.

Objectifs

1. développer des modèles cinétiques multifactoriels;
2. d’innover dans la détection et le diagnostic d’alerte précoce en couplant le signal de température avec la pression et/ou la composition de la phase gazeuse à l’aide d’une intelligence artificielle entraînée sur le jumeau numérique.

Cette approche permettra d’intensifier les processus de valorisation de la biomasse sensibles à l’emballement thermique et facilitera le développement de nouveaux procédés sûrs et efficaces.

Programme et déroulement prévu

Divers critères d’emballement ont été établis pour évaluer l’état de sécurité des réacteurs: divergence, adiabatique et température cible. Ces critères doivent être robustes, faciles à mettre en œuvre et éviter les fausses alertes. Bien que l’effet de pression et la mesure en ligne de la composition de la phase gaz-euse ne soient généralement pas inclus dans les critères d’emballement, ils jouent un rôle essentiel dans la réduction des risques. En collaboration avec LSPC, INSA Rouen et LCH, CNRS-ÉNS Lyon, des modèles cinétiques multifactoriels incluant différents modes thermiques, des matériaux à changement de phase (PCM), la pression et la composition de la phase gazeuse seront développés pour être exploités dans le cadre du diagnostic.

2. Développement des méthodes de détection et de diagnostic afin d’optimiser et de contrôler les processus exothermiques.

Pour développer ces méthodes, les techniques d’IA et de ML seront explorées comme alternative améliorée; des réseaux neuronaux, machines à vecteurs de support et autres outils pourront être utilisés. Le projet vise à:

• Au niveau de la détection, utiliser des techniques de regroupement pour diviser l’espace d’état en régions étiquetées normale, acceptable et critique selon des paramètres clés (ex. température et pression).
• Au niveau du diagnostic, séparer les causes profondes de l’emballement thermique sur la base de l’historique des paramètres clés.

Starting date

12-01

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

ANR, région