Optimisation des systèmes de protection incendie par machine learning –Application aux systèmes intumescents

Optimization of Fire Protection Systems Using Machine Learning – Application to Intumescent Systems

• Auteur / Autrice : Éric Verret
• Direction : Sophie Duquesne, Anthony Collin
• Type : Projet de thèse
• Discipline(s) : Chimie des materiaux - UMET - MJ
• Date : Inscription en doctorat le 04/10/2021
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : École doctorale Sciences de la matière, du rayonnement et de l'environnement
• Partenaire(s) de recherche : Laboratoire : UMET - Unité Matériaux Et Transformations
• Partenaire(s) de recherche : Equipe de recherche : Ingénierie des Systèmes Polymères

Mots clés

Mots clés libres

Machine learning

Protection au feu

Optimisation Bayesienne

Intumescent

Machine learning

Fire protection

Bayesian Optimization

Intumescent

Résumé

Le développement de nouveaux matériaux nécessite une approche expérimentale conséquente ce qui représente un frein important. Grâce à l'intelligence artificielle, ce domaine de la science des matériaux voit une accélération des innovations puisqu'il devient possible de réaliser des millions de combinaisons virtuelles. L'objectif de ce travail de thèse est de développer des solutions innovantes d'IA permettant de développer un matériau optimal répondant à des critères définis. L'objet d'étude de ce travail concerne les systèmes intumescents qui représentent une classe important de matériaux permettant de développer une protection au feu de différents substrats y compris le bois. Le développement de systèmes de protection du bois est crucial et représente une préoccupation majeure des scientifiques travaillant dans le domaine de l'ignifugation actuellement du fait de l'utilisation croissante de ce matériaux dans les structures des bâtiments y compris pour des immeubles de plusieurs étages. Ce phénomène s'explique par le fait que le bois est un matériau bas-carbone qui permet de réduire l'emprunte environnemental des bâtiments et contribue ainsi à la transition écologique.

The development of new materials requires a large amount of experiments representing a major issue to innovate. This is particularly true for complex material formulations such as flame retarded materials that could contain a number of ingredients. Moreover, the behaviour of materials in case of fire varies depending on the considered scenario leading to complicate the problem. In the field of materials, as in a number of other fields, artificial intelligence has permit an acceleration of innovations since with such an approach, millions of virtual combinations are becoming possible. In this context, the objective of this PhD project is to develop innovative AI solutions (machine learning) allowing the development of optimal material meeting defined criteria. Fire retarded materials and in particular intumescence systems has been chosen as case study for this work. Intumescent systems represent an important class of materials allowing to develop fire protection of various substrates including wood. The development of wood protection systems is crucial and represents a major concern of scientists working in the field of fireproofing today due to the increasing use of this material in building structures including multi-storey buildings. This phenomenon is explained by the fact that wood is a low-carbon material which reduces the environmental footprint of buildings and thus contributes to the ecological transition.