Conception numérique axée sur l'analyse de microstructure multi-échelles de matériaux

Analysis-Driven Design of Digital Multi-scale Microstructures of Materials

• Auteur / Autrice : Adam Hammoumi
• Direction : Maxime Moreaud, Michaela Klotz, Elsa Jolimaitre
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et des images
• Date : Soutenance le 16/11/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IFP Energies Nouvelles
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Hugues Talbot
• Jury : Examinateurs / Examinatrices : Jesús Angulo López, Benoît Coasne, Johan Debayle, Mélaz Tayakout, Julien Moriceau, Thibaud Chevalier
• Jury : Rapporteurs / Rapporteuses : Jesús Angulo López, Benoît Coasne

Mots clés

Mots clés contrôlés

Apprentissage automatique

Analyse multiéchelle

Corrélation d'images numériques

Microstructure (physique)

Jumeaux numériques

Géométrie stochastique

Mots clés libres

Géométrie stochastique

Jumeaux numériques

Multi-Échelles

Apprentissage automatique

Stochastic geometry

Machine learning

Digital twins

Multi-Scale

Résumé

La demande globale d'énergie augmente rapidement dans le monde entier. La catalyse hétérogène est à l'origine de la plupart des principes de la chimie verte : procédés d'économie d'énergie, efficacité de l'atome, procédés de nettoyage, etc. La catalyse en général, et la catalyse hétérogène, est très vite devenue un outil essentiel pour le développement de la chimie industrielle. Actuellement, 85 % des procédés industriels utilisés dans le monde sont catalytiques. Dans ce contexte, de nombreux efforts sont déployés pour optimiser les catalyseurs hétérogènes afin de répondre à la demande croissante d'énergie tout en réduisant l'impact environnemental des carburants. Pour ces raisons, et bien d'autres, la conception de nouveaux matériaux catalytiques est aujourd'hui un sujet de grande importance. L'approche actuelle concernant la conception de catalyseurs tend vers une élaboration contrôlée de matériaux dont la texture est maîtrisée, ordonnée et hiérarchisée de l'échelle nanométrique à l'échelle micrométrique. Ces catalyseurs devront être plus actifs, stables (efficacité énergétique), et plus sélectifs (économie d'atomes, moins de rejets). Dans ce cadre, ce travail de recherche se concentre sur la création de jumeaux numériques de microstructures visant in-fine le rétro-design de matériaux poreux pour des propriétés d'usage optimales. Les applications concernent les supports de catalyse et les matériaux de construction, avec une priorité donnée à l'amélioration des propriétés multi-physiques en considérant les propriétés texturales de ces matériaux. La contribution de cette thèse est un nouveau cadre numérique permettant la modélisation et la caractérisation de ces matériaux. Cette nouvelle approche s'appuie sur des modèles aléatoires pour représenter des microstructures réalistes multi-échelles et complexes. Pour extraire les propriétés texturales de ces microstructures, deux méthodes numériques ont été développées dans un premier temps. La première nous permet de caractériser le réseau de porosité d'une microstructure et de calculer sa distribution de taille de pore, et la seconde nous permet de calculer la tortuosité géométrique de ces matériaux avec une approche rapide de recherche sur graphe. Sur le même sujet, notre contribution majeure est un modèle morphologique qui simule de manière originale la physisorption par gaz au moyen de la morphologie mathématique et des opérateurs de percolation. La physisorption par gaz est l'une des techniques expérimentales les plus utilisées pour la caractérisation des propriétés texturales des matériaux poreux. Le modèle a été validé sur des matériaux réels conçus pour cette thèse. L'apprentissage profond a également été largement exploré. Tout d'abord, une nouvelle approche s'appuyant sur les réseaux de neurones convolutifs a été proposée. Cette dernière propose une solution pour améliorer la qualité de l'apprentissage lorsque les données d'entraînement en entrée sont peu nombreuses. Une deuxième contribution nous a permis de stocker les informations morphologiques du modèle précédent dans un volume 3D, et de capturer les informations inter-coupes dans des coupes 2D. L'ensemble du processus a transformé le problème initial en un problème d'apprentissage profond, ce qui a considérablement réduit le temps de calcul du modèle de physisorption par gaz.

The global demand for energy is increasing rapidly around the world. Heterogeneous catalysis is behind most of the principles of green chemistry: energy saving processes, atom efficiency, cleaning processes, etc. Catalysis in general, and heterogeneous catalysis, has very quickly become an essential tool for the development of industrial chemistry. Currently, 85 % of the industrial processes used throughout the world are catalytic. In this context, many efforts are being made to optimize heterogeneous catalysts to meet the increasing demand for energy while reducing the environmental impact of fuels. For these reasons, and many others, the design of new catalytic materials today is a hot topic. The current approach regarding the design of catalysts tends towards a controlled elaboration of materials whose texture will be controlled, ordered, and hierarchically structured from the nanometer to the micrometer scale. These catalysts will have to be more active, and stable (energy efficiency), and more selective (saving atoms, less rejects). Within this framework, this research work focuses on the creation of numerical twins of microstructures aiming in-fine the retro-design of porous materials for optimal usage properties. The applications concern catalysis supports and construction materials, with priority given to the improvement of multi-physical properties considering textural properties of these materials. The contribution of this thesis is a new numerical framework allowing the modeling and characterization of these materials. This new approach builds upon random models to represent realistic multi-scale and complex microstructures. To extract the textural properties of these microstructures, two numerical methods have been developed in a first step. The first one allows us to characterize the porosity network of a microstructure and to compute its pore size distribution, and the second one allows us to compute the geometrical tortuosity of these materials with a fast graph search approach. Regarding the same topic, our major contribution is a morphological model that simulates in an original way gas physisorption by means of mathematical morphology and percolation operators. Gas physisorption is one of the most used experimental techniques for the characterization of the textural properties of porous materials. The model has been validated on real materials designed for this thesis. Deep learning has also been widely explored. First, a new approach building upon convolutional neural networks has been proposed. The latter proposes a solution to improve the learning quality when there is little input training data. A second contribution allowed us to store the morphological information of the previous model in a 3D volume, and to capture inter-slice information into 2D slices. The overall process transformed the initial problem into a deep learning problem, which considerably reduced the computation time of the gas physisorption model.