Transfert de modèles cinétiques d'hydroprocessing de charges fossiles à descharges NTE par transfert learning

Kinetic modeling transfer from fossil to NET-type feedstocks using transfer 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

Mots clés libres

Apprentissage par trasnfert

Apprentissage automatique

Apprentissage profond

Science des Données

Catalyseur

Chimie

Transfert Learning

Machien Learning

Deep Learning

Data Science

Catalyst

Chemistry

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.

IFPEN aims to become a key player in the triple energy, ecological and digital transition by offering differentiating technological solutions in response to the societal and industrial challenges of energy and climate. Some of the targeted technologies are industrial processes to produce biofuels, bioproducts and the recycling of plastics. Research and development efforts must be intensified for these applications. This intensification involves, among other things, the implementation of new methodological approaches combining data science and experimentation to achieve faster results and reduce R&I costs. New environmental technologies (NET) domains, such as biofuels, plastic and tires recycling, are still young and the amount of accessible data is low, which explains the need to transfer knowledge from mature fields to this new field. One of IFPEN's areas of research is the design of catalysts to produce renewable, clean fuels and petrochemical bases. When a new catalyst is placed on the market, a model is needed to predict its performance and convince to customers. The model is trained on experimental points acquired under laboratory conditions, in small numbers (< 100 points). Later, industrial performances (> 10,000 points) can be used to improve the initial model. The objective of the thesis is to propose a methodology for the development of hydroprocessing models on NET-type feedstocks. The methodology will be based on a Data Science type approach: Transfer Learning. The goal is to develop models on these new feedstocks with a minimum number of points thanks to the use of data and models developed on fossil feedstocks via a transfer of information (model/domain adaptation). The methodology can be adapted to all types of liquid feedstocks relatively close to fossil feadstocks.