Développement d’un modèle hybride PIML–TL pour la prédiction de la cinétique de production d’ammoniac

Laboratoire Réactions et Génie des Procédés (LRGP) - Site Grandville, Nancy

De nos jours, l’intelligence artificielle a un impact important en Génie des Procédés. Divers algorithmes sont notamment appliqués à la caractérisation en ligne des cristaux, à la prédiction des limites de solubilité, etc. Cependant, l’une des principales limitations à l’utilisation de l’IA dans ce domaine est la nécessité d’un grand volume de données, alors que les données expérimentales disponibles sont souvent limitées. Les modèles hybrides, qui couplent réseaux de neurones et lois physiques ou théories établies, constituent donc une solution prometteuse.

L’apprentissage automatique guidé par la physique (PIML : Physics-Informed Machine Learning) émerge comme une approche capable d’intégrer explicitement les principes physiques dans l’architecture du réseau de neurones, ce qui permet de réduire significativement la quantité de données requise.

L’idée est d’utiliser le PIML pour développer un modèle de substitution d’un système bien maîtrisé, afin de pré-entraîner un réseau de neurones de manière à garantir un réglage approprié des hyperparamètres et une cohérence physique dans son comportement. Ce réseau pré-entraîné sera ensuite utilisé pour prédire le comportement d’un système similaire via une stratégie d’apprentissage par transfert (TL : Transfer Learning). Cette approche sera appliquée à la synthèse de l’ammoniac, considéré comme un vecteur prometteur pour le stockage de l’hydrogène dans le cadre du projet ANR ISARD (ANR-23-CE51-0040). Afin d’abaisser la sévérité des conditions opératoires, différents catalyseurs ont été développés.

L’objectif de ce stage est donc d’entraîner le réseau de neurones avec un catalyseur dont les propriétés sont bien caractérisées, puis d’utiliser l’apprentissage par transfert pour prédire la vitesse de production d’ammoniac avec un autre type de catalyseur avec petite quantité de données.

Etudiant(e)s de niveau Master 2 ou équivalent, avec une spécialisation en Génie des Procédés ou en data sciences. Il/elle devra faire preuve de curiosité et rigueur scientifique, persévérance, prise de recul, sens de l’écoute et travail en équipe.