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 : Thèse de doctorat
• Discipline(s) : Chimie des matériaux
• Date : Soutenance le 17/12/2024
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : UMET - Unité Matériaux Et Transformations - Laboratoire d'énergétique et de mécanique théorique et appliquée (Nancy). Groupe Etude des systèmes et procédés énergétiques - Unité Matériaux et Transformations - UMR 8207 / UMET
• Jury : Président / Présidente : Astrid Jourdan-Marias
• Jury : Examinateurs / Examinatrices : Sophie Duquesne, Anthony Collin, Thomas Rogaume, Toussaint Barboni, Michelle Sergent
• Jury : Rapporteurs / Rapporteuses : Thomas Rogaume, Toussaint Barboni

Mots clés

Mots clés contrôlés

Revêtements protecteurs

Optimisation mathématique

Traitement d'images -- Techniques numériques

Ignifugeants

Apprentissage automatique

Mots clés libres

Optimisation Bayesienne

Machine Learning

Formulation retardatrice de flamme

Polypropylene intumescent

Revêtement intumescent

Segmentation d'image

Bayesian optimization

Machine learning

Flame retardant formulation

Intumescent polypropylene

Intumescent coating

Image segmentation

Résumé

L'optimisation est un élément majeur en science des matériaux et est particulièrement importante dans le développement de formulations complexes, comme par exemple les formulations retardatrices de flamme. Ce travail de thèse se concentre sur le développement d'une méthode d'optimisation active basée sur une technique de machine learning appelée Optimisation Bayésienne (BO). Parmi les différents types de systèmes retardateurs de flamme, les systèmes intumescents suscitent un grand intérêt et ont fait l’objet de cette étude. Nous avons étudié deux systèmes complexes : une formulation intumescente à base de polypropylène (PP) et un revêtement intumescent applicables à des substrats de type bois. Pour le système à base de PP, une approche d’ignifugation en masse i.e. par ajout d’additif a été choisie. L’optimisation a été menée selon deux approches: (a) une approche mono-objective visant à optimiser uniquement le Pouvoir Calorifique Superieur (PCS) obtenue à partir du Bombe calorimètre, et (b) une approche multi-objective visant à optimiser à la fois l'indice limite d'oxygène (LOI) et la teneur en additifs dans la formulation. Dans le cas du revêtement intumescent, plusieurs paramètres incluant la chaleur totale libérée (THR) mesurée par le cône calorimètre en position horizontal, et la vitesse de perte de masse, mesuré en position verticale ont été optimisés. Un test à petite échelle permettant de mesurer le flux de chaleur critique à l'extinction (CFE) a également été utilisé pour mesurer la propagation des flammes. D’autre part, une segmentation d'image basée sur du machine a été appliquée pour évaluer le front de dégradation. Cette étude a permis de démontrer dans les cas d’études, la pertinence de l’OB en science des matériaux

Optimization is a major element in materials science and is particularly important in the development of complex formulations, such as flame-retardant formulations. This PhD thesis focuses on the development of an active optimization method based on a machine learning technique called Bayesian Optimization (BO). Among the different types of flame-retardant systems, intumescent systems are of great interest and were the focus of this study. We studied two complex systems: a polypropylene (PP)-based intumescent formulation and an intumescent coating applicable to wood-type substrates. For the PP-based system, additives were added to the polymer matrix through melt blending. Optimization was carried out using two approaches: (a) a mono-objective approach aiming at optimizing only the higher heating value (HHV) obtained from the Calorimeter Bomb, and (b) a multi-objective approach aiming at optimizing both the limiting oxygen index (LOI) and the additive content in the formulation. In the case of the intumescent coating, several parameters including total heat release (THR) measured by the Calorimeter cCone in the horizontal position, and mass loss rate, measured in the vertical position using a mass Loss Calorimeter were optimized. A small-scale test to measure the Critical heat Flux at Extinction (CFE) was also used to measure flame propagation. In addition, machine-based image segmentation was applied to assess the degradation front. This study demonstrated the relevance of OB in materials science