Vers un séchage optimisé des bétons biosourcés pour une meilleure maîtrise de leurs performances mécaniques et hygrothermiques à différentes échelles

Les bétons biosourcés associent un liant minéral à des granulats végétaux tels que la chènevotte de chanvre, les anas de lin ou les particules de bois. Ils sont de plus en plus reconnus comme des matériaux stratégiques pour la décarbonation du secteur du bâtiment. Leur capacité naturelle de régulation hygrothermique, leur faible énergie grise et leur aptitude à stocker du carbone biogénique répondent directement aux objectifs de la RE2020 et de la Stratégie Nationale Bas-Carbone. Malgré un intérêt scientifique et industriel croissant, un verrou majeur subsiste : le séchage post-fabrication est lent, énergivore et mal maîtrisé.

Les granulats végétaux, fortement poreux et hydrophiles, interagissent de manière complexe avec le liant au cours de l’hydratation. Les conditions ambiantes de séchage (température, humidité relative, durée et ventilation) influencent directement la cinétique d’hydratation du liant et la microstructure du composite, et gouvernent par conséquent les propriétés hygrothermiques finales du matériau durci [1,2]. Cette dépendance a été partiellement documentée dans la littérature [3–5], mais les données existantes demeurent dispersées, obtenues selon des protocoles hétérogènes et rarement compilées dans un cadre unifié. À notre connaissance, il n’existe aujourd’hui aucune approche systématique et prédictive reliant les conditions de séchage, la formulation et les performances hygrothermiques mesurées. Le projet BBC-DROP s’attaque directement à ce manque et vise à développer une approche d’optimisation assistée par IA des protocoles de séchage des bétons biosourcés. Il combine trois leviers

méthodologiques : (i) la modélisation prédictive par des modèles d’IA, (ii) l’optimisation multi-objectif et (iii) le développement et la validation expérimentale.

BBC-DROP est structuré autour de quatre axes complémentaires et progressifs, tous réalisables dans le cadre d’une thèse de 3 ans 

CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports.

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et deux domaines applicatifs.

L’équipe 1 ''Apprendre et Innover'' relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation.

L’équipe 2 ''Ingénierie et Outils Numériques'' relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et l’analyse de données de systèmes cyber physiques. Les travaux de recherche portent également sur les outils d’aide à la décision associés et sur l’étude des interactions humains-systèmes notamment à travers les jumeaux numériques couplés à des environnements virtuels ou augmentés.

Compétences recherchées :

Diplôme de Master en Génie Civil, Science des Matériaux, Physique du bâtiment, Informatique ou domaine connexe.

Connaissances en formulation et caractérisation des matériaux de construction, idéalement biosourcés ou cimentaires.

Notions en physique du bâtiment et en transferts hygrothermiques.

Intérêt pour l'expérimentation, la modélisation numérique, l'analyse de données et l'intelligence artificielle.

Compétences en programmation, idéalement en Python ; une expérience en Machine Learning et/ou en optimisation multi-objectif constitue un atout.

Capacité à réaliser une synthèse bibliographique, à gérer des données scientifiques, ainsi que d'excellentes capacités de rédaction et de communication en français et en anglais.