Doctorant caractérisation de différentes propriétés de fluides de travail pour centrales électr[...]

Doctorant Caractérisation de Différentes Propriétés de Fluides de Travail pour Centrales Électriques et Pompes à Chaleur à l'Aide de Modèles d'Intelligence Artificielle H/F

Résumé du sujet :
Cette thèse vise à déterminer différentes propriétés de fluides de travail pour des centrales thermiques et pompes à chaleur, à l'aide de modèles d'intelligence artificielle (propriétés de transport, stabilité thermique, GWP, et ODP). Les fluides étudiés dans cette thèse sont de deux types : inertes (traditionnels) et réactifs (nouveaux fluides). Les fluides réactifs répondent aux critères de transformation chimique du type A2=2A, lorsqu'ils sont soumis à des variations de température et de pression dans les unités du cycle thermodynamique. Précisément, les fluides réactifs à étudier dans cette thèse ont été préalablement conçus dans le projet ERC-REACHER.

Approche méthodologique :
Le candidat développera et mettra en oeuvre une méthodologie basée sur l'intelligence artificielle (IA) afin de prédire les propriétés thermodynamiques et de transport des fluides de travail de cycles thermodynamiques, principalement des molécules organiques utilisées dans les centrales électriques et les pompes à chaleur. L'approche consistera à concevoir et entraîner plusieurs modèles d'apprentissage supervisé et non supervisé, exploitant des algorithmes avancés d'intelligence artificielle tels que les réseaux neuronaux profonds (DNN), les forêts aléatoires (RF) et les méthodes de gradient boosting (par exemple, XGBoost ou LightGBM). Ces modèles seront calibrés sur des ensembles de données expérimentales et simulées. Le candidat sera amené à intégrer des approches hybrides combinant modèles IA et principes thermodynamiques, afin d'assurer la robustesse et la plausibilité physique des prédictions. Cette approche méthodologique permettra non seulement d'améliorer les capacités de prédiction des propriétés des fluides, mais aussi d'apporter des outils innovants pour la conception et l'optimisation des cycles thermodynamiques. Parmi ces modèles hybrides, une attention particulière sera accordée aux Physically Informed Neural Networks (PINNs).

Compétences requises :
Le/La candidat(e) devra disposer de solides compétences en intelligence artificielle et en programmation (notamment en Python et dans l'utilisation de bibliothèques de deep learning telles que TensorFlow ou PyTorch). Une formation scientifique approfondie, de préférence en génie des procédés, en thermodynamique des fluides, ou dans des disciplines connexes (génie chimique, physique, mécanique des fluides) est vivement souhaitée. Des connaissances en modélisation et simulation des systèmes énergétiques ou des processus industriels constitueront un atout supplémentaire, tout comme une aptitude à travailler à l'interface entre les approches théoriques et les applications pratiques.
Le candidat devra également démontrer :

1. Une capacité d'analyse et de synthèse scientifique,
2. Une curiosité pour les approches interdisciplinaires,
3. Une aptitude à communiquer ses résultats, tant à l'écrit qu'à l'oral, dans un cadre académique ou industriel.

Contexte de la recherche à effectuer :
La thèse se développe dans le contexte du projet de recherche SPARTA, financé dans le programme France 2030, piloté par l'industriel NEEXT Engineering, participé par le laboratoire LRGP et l'industriel EDF Arabelle Solutions. Sur la base des résultats préliminaires obtenus au cours du projet REACHER, le projet SPARTA vise à démontrer jusqu'à TRL6 l'amélioration du rendement de centrales électriques dérivant de l'utilisation de fluides de travail réactifs au lieu qu'inertes.

Contexte de travail :
Le Laboratoire Réactions et Génie des Procédés (UMR 7274) est une unité mixte du CNRS et de l'Université de Lorraine créée le 1er janvier 2010 et basée à Nancy. Son objectif scientifique général concerne l'étude des procédés pris dans leur globalité et leur complexité. Le LRGP développe des connaissances scientifiques et technologiques nécessaires à la conception, l'étude, la conduite et l'optimisation des procédés complexes de transformation physico-chimiques et biologiques, de la matière et de l'énergie. L'unité compte plus de 300 personnes, avec près de 20 chercheurs CNRS, 80 enseignants chercheurs, 45 personnels techniques et administratifs et 180 personnels non permanents (chercheurs sur contrats, 85 doctorants, post-doctorants, masters). #J-18808-Ljbffr