Optimisation de modèles d'apprentissage automatique pour l'hydrogénation sélective du CO2 en mé[...]

Université de Lorraine; Nancy; Sur place; EUR 20 000 - 40 000; Plein temps

Description du poste

Optimisation de modèles d'apprentissage automatique pour l'hydrogénation sélective du CO2 en méthanol catalysée par des composés inter-métalliques

Université de Lorraine

Topic description

L'hydrogénation sélective du CO2 en méthanol permet de convertir le dioxyde de carbone, un gaz à effet de serre majeur, en un produit à forte valeur ajoutée, offrant une alternative durable aux méthodes traditionnelles de synthèse du méthanol qui dépendent des gaz de synthèse et des technologies de reformage. Cependant, le catalyseur industriel utilisé dans le processus actuel (Cu/ZnO/Al2O3) souffre de désactivation et d'une faible sélectivité pour le méthanol dans les conditions d'hydrogénation du CO2. Des études récentes ont démontré que des stratégies d'alliage dans les composés inter-métalliques sp-TM (tels que Cu−Ga, Cu−Zn, Pd−Ga, Pd−In...) [1] peuvent améliorer la performance catalytique. Les méthodes computationnelles peuvent aider à explorer ces catalyseurs comme alternatives aux catalyseurs industriels. Cependant, des verrous tels que le manque d'informations détaillées sur la structure du catalyseur et la complexité de la modélisation limitent les progrès [2].

Les approches d'apprentissage automatique (ML) offrent une opportunité d'accélérer cette exploration. L'objectif principal de cette thèse est d'appliquer et d'adapter des modèles avancés d'apprentissage automatique, notamment les réseaux neuronaux à propagation de messages (MPNN) et les champs de force machine learning (MLFF), pour prédire les propriétés catalytiques clés des systèmes à base de sp-TM. En entraînant ces modèles sur des ensembles de données catalytiques et en intégrant des informations spécifiques à la réaction, nous visons à améliorer leur précision. L'utilisation de techniques d'apprentissage actif permettra de réduire les coûts computationnels en se concentrant sur les données les plus informatives, facilitant ainsi des prédictions plus rapides et plus précises. L'intégration des effets de température dans ces modèles sera également explorée pour rendre les prédictions plus réalistes. Les résultats attendus incluent une réduction de la dépendance aux calculs ab initio coûteux et une avancée dans le domaine de l'apprentissage automatique appliqué à la catalyse, contribuant au développement de matériaux catalytiques plus durables et efficaces.