Transfert de modèles cinétiques d'hydroprocessing de charges fossiles à descharges NTE par transfert learning
Auteur / Autrice : | Youba Abed |
Direction : | Julien Jacques |
Type : | Projet de thèse |
Discipline(s) : | Mathématiques |
Date : | Inscription en doctorat le 20/11/2023 |
Etablissement(s) : | Lyon 2 |
Ecole(s) doctorale(s) : | InfoMaths - Informatique et Mathématiques de Lyon |
Partenaire(s) de recherche : | Laboratoire : ERIC |
Mots clés
Résumé
IFPEN a l'ambition de devenir un acteur incontournable de la triple transition énergétique, écologique et numérique en proposant des solutions technologiques différenciantes en réponse aux défis sociétaux et industriels de l'énergie et du climat. Parmi les technologies ciblées, citons les procédés de production de biocarburants, de bioproduits et de recyclage des plastiques pour lesquels les efforts de recherche et de développement doivent être intensifiés. Cette intensification passe, entre autres, par la mise en place de nouvelles démarches méthodologiques couplant « data science et expérimentation » pour aller plus vite et réduire les coûts de R&I. Les domaines NTE (biocarburants, pyrolysats de plastiques, pyrolysats de pneus ) sont encore jeunes et la quantité de données accessibles est faible, ce qui explique le besoin de transférer les connaissances des domaines matures vers ce nouveau domaine. En particulier, un des métiers d'IFPEN est de concevoir des catalyseurs pour la production de carburants renouvelables, propres et bases de pétrochimie. A la mise sur le marché d'un nouveau catalyseur, il faut disposer d'un modèle pour prédire ses performances et convaincre les clients. Le modèle est entrainé sur des points expérimentaux acquis en conditions de laboratoire, en nombre réduit (< 100 points). Plus tard, les suivis des performances industrielles (> 10 000 points) peuvent être utilisés pour améliorer le modèle initial. L'objectif de la thèse est de proposer une méthodologie de développement de modèles d'hydroprocessing sur des charges type NTE. La méthodologie s'appuiera sur une approche de type Data Science : Transfer Learning. Il s'agit de développer les modèles sur ces nouvelles charges avec un nombre minimal de points grâce à l'utilisation des données et modèles développés sur les charges fossiles via un transfert d'informations (« model/domain adaptation »). La méthodologie pourra être adaptée à tout type de charges liquides relativement proches des charges fossiles.