ENACT - Modélisation moléculaire assistée par l'IA du transfert de chaleur dans des nanofluides durables // ENACT - AI-Enhanced Molecular Modeling of Heat Transfer in Sustainable Nanofluids

Les fluides caloporteurs (Heat Transfer Fluids, HTFs) sont utilisés pour transporter l'énergie thermique dans de nombreuses applications industrielles et technologiques, allant des systèmes de réfrigération aux centrales solaires.1 Cependant, les limites chimiques et physiques des fluides conventionnels, tels que l'eau, l'éthylène glycol et leurs mélanges, restreignent leurs performances, leur fiabilité et leur durabilité. Depuis les années 1990, les nanofluides (liquides contenant des nanoparticules dispersées) sont apparus comme une alternative prometteuse grâce à leurs propriétés thermiques améliorées.2 Parmi eux, les solvants eutectiques profonds (DES) suscitent un intérêt croissant,3 en raison de leur faible coût et de leur impact environnemental réduit,4 notamment les DES naturels composés d'accepteurs (HBA) et de donneurs (HBD) de liaisons hydrogène dérivés de métabolites primaires.5 L'incorporation de nanoparticules peut améliorer la conductivité thermique et les capacités de transfert de chaleur, tandis que les DES offrent une grande flexibilité pour ajuster viscosité, stabilité et interactions interfaciales. Une compréhension moléculaire des interactions nanoparticules–HBA:HBD est essentielle, et des simulations préliminaires montrent que la solvatation et la stabilité des nanoparticules dépendent fortement des interactions intermoléculaires et de l'organisation à l'interface DES–particule.6
La communauté DES a souligné la nécessité de champs de force capables de reproduire leur comportement fortement non idéal.7 Dans ce projet, les équipes du LEMTA et du LPCT développeront des modèles d'interaction spécifiques aux nanofluides à base de DES, assistés par intelligence artificielle. Les paramètres d'interaction seront appris par apprentissage supervisé à partir d'énergies et de forces ab initio.8,9 Bien que des architectures récentes, comme MACE, aient montré des résultats prometteurs pour les sels fondus,10,11 une méthodologie adaptée aux liaisons hydrogène dépendantes de l'environnement, essentielles dans les DES, reste à développer. Le projet combinera apprentissage automatique et données expérimentales. Des descripteurs chimiquement et structurellement pertinents, complétés par des représentations des réseaux de liaisons hydrogène, permettront d'obtenir des modèles robustes et interprétables, en s'appuyant sur des avancées récentes au LEMTA.12 Cette approche permettra des simulations moléculaires proches des méthodes ab initio tout en couvrant les échelles nécessaires pour étudier le transport thermique. Des résultats préliminaires du projet IRP LPCT–ICCOM guideront la sélection des descripteurs cibles.13
Parallèlement, des descripteurs structuraux caractériseront l'organisation complexe des DES, souvent constituées de microdomaines nanométriques reflétant l'hétérogénéité de composition et de réseau de liaisons hydrogène.14 En complément d'approches géométriques classiques telles que l'analyse de Voronoï,15 des représentations en graphe des réseaux de liaisons hydrogène permettront d'analyser connectivité, agrégation et organisation collective des molécules, y compris près des surfaces de nanoparticules.16
L'étude portera sur des DES à base de chlorure de choline combinés avec glycérol, urée ou éthylène glycol. Les propriétés ciblées incluront conductivité thermique et capacité calorifique, ainsi que densité et viscosité. Les nanoparticules considérées seront TiO2, Al2O3 et oxyde de graphène, choisies pour inertie chimique, stabilité thermique et bonne dispersion.2
En combinant apprentissage des paramètres, développement de descripteurs et validation expérimentale, ce projet s'inscrit dans les objectifs du programme ENACT en matière de découverte scientifique assistée par intelligence artificielle et vise à fournir des principes de conception pour de nouveaux fluides caloporteurs performants et durables à base de DES.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Heat transfer fluids (HTFs) are used to transport thermal energy in industrial and technological applications, from refrigeration systems to solar power plants.1 However, the chemical and physical limitations of conventional fluids (e.g., water, ethylene glycol, and their mixtures) constrain performance, reliability, and durability. Since the 1990s, nanofluids, liquids containing dispersed nanoscale particles, have emerged as a promising alternative, showing improved thermal properties.3 Among them, deep eutectic solvents (DESs) are attracting growing interest,3 due to their low cost and reduced environmental impact,4 particularly natural DESs,5 composed of hydrogen bond acceptors (HBA) and donors (HBD) derived from primary metabolites. Nanoparticle incorporation can further enhance thermal conductivity and heat transfer, while DESs offer wide tunability of viscosity, stability, and interfacial interactions. In these systems, molecular-level understanding of how HBA:HBD combinations affect solvent–nanoparticle interactions is essential. Preliminary simulations indicate that nanoparticle solvation and stability depend strongly on intermolecular forces and structuring at the DES-particle interface.6
In recent years, the DES community has emphasized the need for accurate force fields (FFs) capable of reproducing their strongly non-ideal behavior.7 In this project, we will combine expertise from the LEMTA and LPCT teams to develop AI-enhanced, system-specific interaction models for DES-based nanofluids. Moving beyond fixed empirical FFs, interaction parameters will be learned using supervised machine-learning (ML) approaches trained on ab initio energies and forces.8,9 Although recent work based on the state-of-the-art MACE architecture10 has shown promising results for molten salts,11 a methodology explicitly designed to treat environmentally dependent hydrogen bonds, key to thermal transport in DESs, is still lacking. This project will address this gap by developing a consistent strategy for combining ML-trained interaction parameters with experimental data. Chemically and structurally meaningful descriptors, complemented by hydrogen-bond network representations, will ensure robustness and interpretability, building on recent advances at LEMTA.12 This approach will enable molecular dynamics simulations that retain ab initio accuracy while reaching the time and length scales required to analyze thermal transport. Preliminary results from the IRP project between LPCT and ICCOM (Italy), extending first-principles force-field development to DESs,13 will guide the selection of target descriptors.
In parallel, we will develop structural descriptors to capture the complex organization of DESs, which often exhibit nanoscale microdomains that reflect spatial heterogeneity in composition and hydrogen-bond structure.14 These features, commonly studied using geometric approaches (e.g., Voronoi analysis),15 will be complemented by graph-based representations of hydrogen-bond networks, where molecules are nodes and hydrogen bonds form dynamic weighted edges.16 This framework will capture connectivity, clustering, and collective organization in DESs and near the nanoparticle surfaces.
We will focus on choline chloride–based DESs combined with glycerol, urea, or ethylene glycol. Target properties include thermal conductivity and heat capacity, with density and viscosity also accurately reproduced. Experimental data for these systems are widely available.3 The most common nanoparticles (TiO2, Al2O3, and graphene oxide) will be considered due to their chemical inertness, thermal stability, and good dispersion without excessive viscosity increases.2
By integrating parameter training, descriptor development, and experimental validation, this project matches the goals of the ENACT program in AI-based scientific discovery and will provide practical guidelines for designing high-performance and sustainable DES-based heat transfer fluids.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Programmes ministériels spécifiques

Université de Lorraine

606 C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE

Nous recherchons un(e) doctorant(e) hautement qualifié(e), disposant d'un excellent parcours académique, notamment au niveau du master. Les candidats retenus devront être titulaires d'un master en chimie ou en physique et posséder des connaissances en simulations de dynamique moléculaire ainsi qu'en calculs de chimie quantique. Une familiarité avec la programmation scientifique (Fortran, Python) serait fortement appréciée. Une bonne maîtrise de l'anglais, à l'écrit comme à l'oral, est indispensable.
We seek a highly qualified PhD candidate with an excellent academic record, particularly demonstrated by outstanding grades at the master's level. Successful candidates must hold a master's in chemistry/physics and possess knowledge of molecular dynamics simulations and of quantum chemistry calculations. Familiarity with computing programming (Fortran, python) would be strongly appreciated. Proficiency in English, both written and oral, is compulsory.