Chimie verte et valorisation de la biomasse

Green chemistry and biomass valorization

• Auteur / Autrice : Xin Yu
• Direction : Benjamin Katryniok
• Type : Projet de thèse
• Discipline(s) : Chimie organique, minerale, industrielle
• Date : Inscription en doctorat le 17/03/2025
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de la matière, du rayonnement et de l'environnement
• Partenaire(s) de recherche : Laboratoire : UCCS - Unité de Catalyse et Chimie du Solide

Mots clés

Mots clés libres

Chimie verte

Catalyse hétérogène

Chimie computationnelle

Valorisation de la biomasse et du CO2

Chimie de surface

Apprentissage automatique

Green chemistry

Heterogenous catalysis

Computational chemistry

Biomass and CO2 valorization

Surface chemistry

Machine learning

Résumé

Cette thèse, financée par le CNRS (Centre national de la recherche scientifique), sous la co-tutelle de l'UCCS (Unité de Catalyse et Chimie des Solides, à Lille) et de l'E2P2L (Laboratoire Produits et Procédés Eco-Efficaces, à Shanghai, en Chine), avec la participation de l'UCLA (Université de Californie à Los Angeles, aux États-Unis), repose sur une collaboration internationale et des recherches interdisciplinaires, alliant chimie expérimentale et computationnelle à l'apprentissage automatique. Dans le contexte environnemental actuel et la raréfaction des ressources fossiles, la valorisation de la biomasse et l'élimination du CO2 constituent une alternative prometteuse. Le glycérol est un composé abondant issu des plantes et des déchets verts, et peut être valorisé en produits à haute valeur ajoutée. Dans ce projet, nous cherchons à trouver un procédé original pour réaliser la carboxylation directe du glycérol par le CO2, afin d'obtenir du carbonate de glycérol, un solvant vert d'intérêt pour les industriels. Bien que différents procédés aient déjà été proposés pour obtenir cette molécule, la plupart d'entre eux font appel à des précurseurs halogénures toxiques et empruntent des voies indirectes. Dans le cadre de la catalyse hétérogène, nous prévoyons de développer des outils de calcul, combinant des calculs de théorie de la fonctionnelle de la densité (DFT) et des algorithmes d'apprentissage automatique, pour prédire la réactivité des surfaces en fonction de leur composition chimique, afin de concevoir des catalyseurs solides efficaces pour la carboxylation directe du glycérol. Nos travaux s'appuieront sur des publications récentes démontrant l'activité prometteuse du CeO₂, dopé avec certains métaux spécifiques, pour la carbonylation du glycérol par le CO₂. Dans un premier temps, le mécanisme réactionnel précis sera élucidé, grâce à une recherche synergique entre expérimentateurs et théoriciens, en accordant une attention particulière à l'effet de la couverture de CO₂ à la surface. Une base de données corrélant la nature et le ratio de plusieurs dopants avec l'activité de surface sera ensuite élaborée, afin de concevoir un modèle prédictif d'apprentissage automatique efficace. Enfin, ce modèle numérique sera utilisé pour cribler les propriétés catalytiques d'un grand nombre de compositions de surface, les plus prometteuses étant finalement validées par l'expérience.

This PhD thesis, funded by the CNRS (The French National Center of the Scientific Research), under the joint supervision of UCCS (Unit of Catalysis and Chemistry of Solids, in Lille—France) and E2P2L (Eco-Efficient Products and Processes Lab, in Shanghai—China) labs, with the participation of UCLA (University of California, Los Angeles, in the USA), is based on an international collaboration and interdisciplinary research, bringing together experimental and computational chemistry with machine learning. In the current environmental context and the shortness of fossil resources, biomass valorization and CO2 disposal are a promising alternative. Glycerol is an abundant compound stemming from plants and green waste, and can be upgraded into high value-added products. In this project, we aim at finding an original process to achieve the direct carboxylation of glycerol through CO2, to obtain glycerol carbonate, a green solvent of interest for industrials. While different processes have already been proposed to achieve this molecule, most of them involve toxic halide precursors and proceed through indirect routes. Here, in the framework of heterogeneous catalysis, we plan to develop computational tools, joining density functional theory (DFT) calculations and machine learning algorithms, to predict the reactivity of surfaces according to their chemical compositions, in order to design efficient solid catalysts for the direct carboxylation of glycerol. Our work will be based on recent publications demonstrating the promising activity of CeO2, doped with some specific metals, for the carbonylation of glycerol with CO2. At the first stage of the project, the precise reaction mechanism will be elucidated, under a synergic investigation between experimentalists and theoreticians, with a special care on the effect of CO2 coverage at the surface. Then a database correlating the nature and the ratio of several dopants with the surface activity will be elaborated, in order to fit an efficient machine learning predictive model. Finally, this numerical model will be used to screen the catalytic properties of a wide number of surface compositions, the most promising ones being ultimately validated by experiment.