Méthodes d'apprentissage automatique pour l'aide à la formulation : Carburants Alternatifs pour l'Aéronautique

Machine learning methods to aid in the formulation : Alternative Fuels for Aviation

• Auteur / Autrice : Diego Saldana Miranda
• Direction : Pascal Mougin, Benoît Creton, Laurie Starck
• Type : Thèse de doctorat
• Discipline(s) : Chimie Théorique et Modélisation
• Date : Soutenance en 2013
• Etablissement(s) : Paris 6

Mots clés

Mots clés contrôlés

Apprentissage automatique

Aéronautique

Biocarburants

Résumé

Les carburants alternatifs et les biocarburants représentent une réponse viable et intéressante aux problèmes liés à l’utilisation des carburants conventionnels pour le transport. Un aspect nouveau des carburants alternatifs est le fait que la gamme des composés chimiques est importante en raison de la diversité de leurs origines. Cet aspect ouvre la possibilité de créer des « carburants personnalisés », dont les compositions chimiques sont ajustées aux spécifications des carburants conventionnels. Dans ce contexte, il est intéressant de développer des méthodes prédictives nous permettant d’estimer les propriétés physico-chimiques d’un carburant en se basant seulement sur sa composition chimique et les structures de ses composants. Dans cette thèse, nous avons évalué l’application des méthodes d’apprentissage automatique à l’estimation de propriétés telles que le point d’éclair, enthalpie de combustion, point de fusion, indice de cétane, masse volumique et viscosité d'hydrocarbures et composés oxygénés présent dans les biocarburants. Dans la première étape, des modèles d’apprentissage automatique des propriétés des corps purs ont été développés. Dans la deuxième étape nous avons traité les mélanges, deux approches ont été développées : (1) l’application directe des méthodes d’apprentissage automatique aux données des mélanges ; (2) combiner les prédictions des modèles développés pour les corps purs avec des règles de mélange. Il a été constaté que les méthodes d’apprentissage automatique, en particulier les machines à vecteur de support, représentent une voie efficace pour la mise en place de modèles précis et robustes. D'autre part, en absence de données suffisamment nombreuses ou représentatives, l’utilisation de règles de mélange en combinaison avec l’apprentissage automatique pour décrire les propriétés corps purs est une option viable. De façon générale, un nombre de méthodes prédictives de propriétés, précises, robustes et rapides ont été développées dans le but de guider la formulation des carburants alternatifs.

Alternative fuels and biofuels are a viable and attractive answer to problems associated to the current widespread use of conventional fuels in vehicles. One interesting aspect of alternative fuels is that the range of possible chemical compounds is large due to their diverse biological origins. This aspect opens up the possibility of creating “designer fuels”, whose chemical compositions are tailored to the specifications of the fuel being replaced. In this regard, it would be interesting to develop accurate predictive methods capable of instantaneously estimating a fuel’s physico-chemical properties based solely on its chemical composition and structures of its components. In this PhD work, we have investigated the application of machine learning methods to estimate properties such as flash point, enthalpy of combustion, melting point, cetane number, density and viscosity for families of compounds and mixtures similar to those found in biofuels: hydrocarbons and oxygenated compounds. During the first part of this work, machine learning models of pure compound properties were developed. During the second part mixtures have been examinated, two types of approaches were investigated: (1) the direct application of machine learning methods to mixture property data; (2) the use of the previously developed pure compound property models in combination with theoretically based mixing rules. It was found that machine learning methods, especially support vector machine methods, were an effective way of creating accurate and robust models. It was further found that, in the absence of sufficiently large or representative datasets, the use of mixing rules in combination with machine learning is a viable option. Overall, a number of accurate, robust and fast property estimation methods have been developed as a means to guide the formulation of alternative fuels.