Conception de milieux poreux assistée par machine learning pour l'ingénierie // machine learning assisted design of porous media for engineering

Topic description

Les matériaux poreux sont omniprésents dans les processus d'ingénierie tels qu'en efficacité energétique, procédés industriensl, biomédical, et les sciences de l'environnement. Cependant, la conception de matériaux poreux avec des propriétés de transport adaptées (perméabilité, paramètres de transferts thermiques effectifs, etc.) reste un défi en raison de la séparation entre l'échelle des pores et l'échelle macroscopique d'intérêt. Ceci a conduit au développement de méthodes de changement d'échelles, où les phénomènes de transport à l'échelle du pore sont homogénéisés pour obtenir des modèles de transport macroscopiques avec des paramètres effectifs (modèles d'ordre réduits) [1,2]. Ces approches de changement d'échelles ont montré beaucoups de succès, mais elles sont limitées aux problèmes pour lesquels la physique est déjà connue à l'échelle du pore.

Dans ce projet, le problème inverse est considéré : Étant donné une application nécessitant des propriétés de transport et un comportement macroscopiques spécifiques, est-il possible de prédire les paramètres requis à l'échelle du pore (porosité, géométrie, propriétés physiques) ? Nous proposons de coupler l'utilisation d'approches de changement d'échelles et de machine learning pour traiter ce problème inverse [3, 4, 5].
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Porous materials are ubiquitous in engineering systems such as energy systems, chemical processes, biomedical applications, and environmental sciences to cite a few. However, the design of porous materials with tailored transport properties (permeability, effective heat transfer coefficients, etc) remains a challenge due to the length scale separation between the pore scale and the macroscopic scale of interest. This has led to the development of up-scaling methods, where the pore scale transport phenomena are homogenized to obtain macroscopic transport models with effective parameters (aka reduced ordred models) [1,2]. These up-scaling approaches have been very successful, however they are limited to problems where the physics is already known at the pore scale.

In this project, the inverse problem is considered: Given an application requiring specific macroscopic transport properties and behavior, can we predict the required pore-scale parameters (porosity, geometry, physical properties)? We propose to couple the use of up-scaling and machine learning approaches to deal with this inverse problem [3, 4, 5].
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Contrats ED : Programme blanc GS-SIS