Détection Et diagnostiC de L’embAllement theRmique combinant mécanique quANTique et IA (DECLARANT)

Contexte de recherche

Cette thèse porte sur le développement de méthodes de détection et de diagnostic dans le cadre des risques thermiques associés aux procédés de valorisation de la biomasse^1,2. Cette valorisation se développe rapidement depuis plusieurs années et présente des défis similaires, voire supérieurs, à ceux des procédés à base de pétrole³, notamment en ce qui concerne les risques d’emballement thermique. Les méthodes traditionnelles d’évaluation des risques thermiques, telles que les modèles cinétiques d'ordre zéro dans des conditions conservatrices, ne tiennent pas compte des effets de pression ou des environnements d’exploitation complexes⁴. De plus, elles reposent sur des approches basées sur une compréhension approfondie des équations différentielles non linéaires (ou variationnelles) régissant le comportement du processus. La complexité numérique associée à la sensibilité aux incertitudes des paramètres est considérable. Ainsi, tout changement dans les conditions de réaction nécessite des mises à jour complètes. La prise en compte de l’effet de pression et de la composition des phases gazeuse et liquide porterait cette complexité numérique à un niveau encore plus élevé.

Ces modèles ne permettent donc pas de prédire correctement les phénomènes d’emballement thermique dans différentes conditions opératoires. Il est devenu nécessaire de développer de nouveaux modèles cinétiques dans différents modes thermiques et intégrant l’évolution de la pression et la composition de la phase gazeuse. Dans cette thèse DECLARANT, ce problème sera tout d’abord traité en reprenant des modèles cinétiques multifactoriels. Puis, tirant parti de l’intelligence artificielle (IA) et de l’apprentissage machine (ML), des algorithmes de détection et de diagnostic seront développés afin d’optimiser et de contrôler les processus exothermiques. Ces algorithmes seront entraînés sur le jumeau numérique de l’expérience fourni par les modèles cinétiques. Les travaux de cette thèse s’appuieront sur les connaissances existantes en intégrant l’évaluation des risques dans la conception des procédés afin d’améliorer simultanément la sécurité et l’efficacité. Ils évalueront en particulier l’hydrogénation et l’oxydation du furfural, des procédés connus pour leur forte exothermie et leur potentiel de réactions secondaires dangereuses, telles que la production de gaz ou d’intermédiaires instables.

Objectifs

Les objectifs sont de i) développer des modèles cinétiques multifactoriels; ii) d’innover dans la détection et le diagnostic d’alerte précoce en couplant le signal de température avec la pression et/ou la composition de la phase gazeuse à l’aide d'une intelligence artificielle entraînée sur le jumeau numérique; Cette approche permettra d’intensifier les processus de valorisation de la biomasse qui sont sensibles à l’emballement thermique en raison de leur forte exothermie. Cela facilitera le développement de nouveaux processus sûrs et efficaces qui sont essentiels pour la transition vers des matières premières chimiques plus durables.

Cette thèse s’inscrit dans le cadre du projet AAPG ANR 2025 «QUANTum mechAnicS for prediction and arTificial Intelligence for early thermal runaway deteCtion and mitigation» (QUANTASTIC), en collaboration entre trois établissements : Laboratoire de Chimie (LCH-UMR 5182) CNRS-École Normale Supérieure de Lyon, Université Lyon 1; Laboratoire de Sécurité des Procédés Chimiques (LSPC-UR 4707) INSA-Université de Rouen; et GREAH (EA 3220), Université Le Havre Normandie.

Programme et déroulement prévu

1. L’étape de modélisation et simulations de modèles cinétiques en mode normal et dégradé à partir de données expérimentales

Divers critères d’emballement ont été établis pour évaluer l’état de sécurité des réacteurs au cours des dernières décennies⁵. Ces critères incluent le critère de divergence, le critère adiabatique et le critère de température cible, utilisés pour distinguer les états d’emballement des états non-emballés. Ces critères doivent être robustes, faciles à mettre en œuvre et éviter les fausses alertes. Bien que l’effet de pression et la mesure en ligne de la composition de la phase gazeuse ne soient généralement pas inclus dans les critères d'emballement thermique, nous pensons qu’ils jouent un rôle essentiel dans la réduction des risques d'emballement thermique. En collaboration avec LSPC, INSA de Rouen et LCH, CNRS-École Normale Supérieure de Lyon, des modèles cinétiques multifactoriels, c’est-à-dire incluant différents modes thermiques, la présence de matériaux à changement de phase (PCM), la pression et la composition de la phase gazeuse seront développés pour être ensuite exploitées dans le cadre du diagnostic.

2. L’étape de développement des méthodes de la détection et du diagnostic afin d’optimiser et de contrôler les processus exothermiques

Pour développer des méthodes de la détection et du diagnostic, nous explorerons les méthodes d’IA et de ML^6,7 comme une alternative améliorée aux approches conventionnelles basées sur la connaissance et les techniques algébriques pour la détection et le diagnostic des emballements thermiques. Actuellement, les techniques de calcul symbolique permettent de partitionner l’espace des paramètres, en distinguant les états nominaux et non nominaux du système⁸. Ces techniques fournissent également des critères exacts pour la détection et le diagnostic de défauts multiples à l’aide de mesures du système⁹. Bien que certaines études prennent en compte le bruit des mesures et les incertitudes des paramètres, les approches exactes ne permettent pas une exploration complète des plages de valeurs des défauts ou la prise en compte de tous les scénarios possibles de défauts multiples^8,10. Ce projet consiste à développer et améliorer des modèles de substitution tels que les réseaux neuronaux artificiels, les machines à vecteurs de support ou d'autres outils d'apprentissage automatique. En particulier, il vise

- Au niveau de la détection à utiliser des techniques de regroupement¹¹ ou d’autres approches pour diviser l’espace d’état en différentes régions. Chaque région sera étiquetée comme normale, acceptable et critique, en fonction de paramètres clés, par exemple la température et la pression.

- Au niveau du diagnostic à séparer les causes profondes de l’emballement thermique sur la base de l’historique des paramètres clés.

Le GREAH, Groupe de Recherche en Électrotechnique et Automatique du Havre, a été créé en 1999 en fusionnant les laboratoires LEPII (Laboratoire d’Électronique de Puissance et d’Informatique Industrielle) et LACOS (Laboratoire d’Automatique et COmmande des Systèmes). Il constitue l’équipe de recherche EA 3239 de l’Université Le Havre Normandie et accueille des enseignants-chercheurs des 61ème et 63ème sections du CNU.
En 2013, le GREAH a déménagé dans des nouveaux locaux sur le site universitaire de Bellot-Frissard du Havre offrant de meilleures conditions de travail et le rapprochant du Pôle Ingénieur et Logistique PIL de l’Institut Supérieur d’Études Logistiques ISEL de l’Université Le Havre Normandie avec qui il collabore.

Le GREAH évolue dans un environnement local et régional très favorable et très dynamique avec lequel il interagit activement. Ses activités de recherche se sont ainsi fortement ancrées et développées en s’enrichissant des possibilités offertes par l’environnement socio-économique proche. Ces activités s’articulent autour de quatre thèmes : Maitrise des Énergies Renouvelables et des systèmes de Stockage (MERS), Systèmes Électrotechniques et Actionneurs (SEA), Sûreté de Fonctionnement des Systèmes (SFS) et Robotique Mobile et Manipulation (R2M),

qui se positionnent de manière stratégique dans les réseaux régionaux.

Candidat·e issu·e d’un profil en automatique ou en mathématiques (niveau M2 ou équivalent). Une connaissance des méthodes de diagnostic et le l’IA sera appréciée ainsi qu’une bonne pratique de la programmation.