Doctorant (h/f) en conception de cycles thermodynamiques par modèles génératifs

La thèse proposée s’inscrit dans le projet collaborative ANR ATHENA (intelligent Automation of THErmodynamic cycles for a New energy Approach).
Contexte général d’ATHENA : les cycles thermodynamiques (cycles électrogènes, de réfrigération, pompes à chaleur) sont essentiels pour la transition énergétique car ils ouvrent des perspectives d’amélioration de l’efficacité énergétique et de décentralisation (adaptation aux sources énergétiques locales). Il n’existe pas de cycle optimal universel ; l’optimalité dépend d’un cahier des charges précis définissant les objectifs à atteindre et les contraintes du problème.
Problématique : les approches heuristiques traditionnelles des experts ne permettent pas d’explorer des configurations non-intuitives de procédés qui sont souvent plus performantes que les structures classiques. L’optimisation de superstructure, qui utilise une architecture prédéfinie avec de nombreuses opérations unitaires et chemins possibles, offre une alternative pour identifier les structures non intuitives de procédés. Cependant, cette méthode est limitée par le biais inductif de la superstructure prédéfinie.
Innovation : l’augmentation des capacités de calcul et les avancées en science des données ont popularisé de nouveaux algorithmes pour la génération automatique de procédés. Les approches génératives, utilisant des algorithmes d’apprentissage profond, peuvent générer de nouvelles structures de procédés, dépassant les techniques d’optimisation conventionnelles
Objectifs du projet ATHENA : développer des outils performants pour la synthèse de cycles thermodynamiques innovants. Le projet combine une étude méthodologique et une application pratique pour exploiter le potentiel du deep learning dans la synthèse de procédés. En particulier, nous souhaitons, d’une part, développer des bases de connaissances de procédés pour alimenter les méthodes génératives et d’autre part, développer un outil de détermination de la structure optimale de tout type de cycle thermodynamique par optimisation d’une superstructure générée automatiquement par une approche de type deep learning.
Le projet regroupe le LRGP (Laboratoire Réaction et Génie des, CNRS-Université de Lorraine), le LPSM (Laboratoire de Probabilités, Statistique et Modélisation, CNRS-Université de Lorraine), EDF (Electricité de France) et Fives-Prosim.
Ce programme de doctorat porte sur les modèles génératifs dédiés aux cycles énergétiques. Son objectif principal est le développement d'outils systématiques capables de proposer des architectures de procédés pertinentes par rapport à des objectifs donnés (par exemple, énergétiques, environnementaux, économiques) en utilisant des modèles génératifs pour explorer l'espace de recherche de manière large et impartiale.
Les travaux peuvent s'appuyer sur les algorithmes issus des travaux récents de l'équipe d’encadrement en conception de procédés. Plusieurs algorithmes génératifs ont été produits : utilisant des approches évolutives qui construisent des procédés par opérateurs de mutations [1], des techniques de traitement du langage naturel avec des réseaux neuronaux récurrents à mémoire à court terme (LSTM) [2] et des auto-encodeurs variationnels (VAE) pour l'apprentissage de la représentation [3]. Cependant, ces approches restent limitées :
- Domaines d'application restreints (problème de réaction-séparation-recyclage [1]), cascades de séparation membranaire [4] et cycles de CO2 supercritique [2, 4, 5] ;
- Absence de représentation commune pour les schémas de procédé (matrice d'incidence du graphe, langage dédié sur mesure, standard SFILES 2.0)
- Divers environnements de simulation de procédés sur mesure, sans utilisation de logiciels de simulation familiers aux ingénieurs de procédés.
Dans cette thèse, nous avons pour objectif :
- De proposer des modèles génératifs à d'autres types de cycles, à partir des modèles existants. Pour ce faire, nous pourrions utiliser l'apprentissage par transfert pour transposer le modèle de réseau neuronal récurrent (RNN) disponible pour les cycles de puissance au CO2 supercritique à d'autres cycles. Les conditions thermodynamiques étant très différentes selon le domaine des fluides et des températures, ce qui se traduit par une architecture de cycle diversifiée (Brayton, Rankine, etc.), l'apprentissage par transfert pourrait ne pas être suffisant et un réentraînement des modèles sera envisagé.
- Explorer la génération de procédés avec divers objectifs (ajustement des modèles) tels que les indicateurs énergétiques (par exemple, l'efficacité, l'analyse de l'exergie) ou les paramètres affectant les coûts d'investissement (par exemple, le pincement dans les échangeurs de chaleur, les débits de fluide) afin de constituer une base de données riche et diversifiée sur les procédés. L'idée est d'identifier autant de solutions potentielles que possible, qui alimenteront une optimisation de la superstructure (dans un autre lot de travail) qui identifiera ensuite les meilleures solutions de Pareto dans le contexte donné (contraintes, objectifs).
- Utiliser le développement de modèles génératifs de graphes pour comparer d'autres architectures de modèles d'apprentissage et sélectionner celle qui offre la meilleure convergence dans la génération ciblée. D'autres modèles génératifs de graphes provenant de domaines autres que celui des procédés (par exemple dans la conception moléculaire) peuvent être testés, à condition de disposer d'un simulateur capable de calculer les aptitudes. En particulier, le VAE permet une représentation similaire à la recherche de molécules. À ce stade, il n'y a pas d'exploration dans l'espace latent et nous proposons d'effectuer une exploration/optimisation dans l'espace latent afin de produire de nouveaux procédés présentant les propriétés ciblées.
- Il est proposé d'étendre ces travaux afin de comparer plusieurs approches (génératives et conventionnelles) sur des problèmes de synthèse identiques, en termes d'optimalité, de coût et de reproductibilité, en accordant une attention particulière à l'appropriation des méthodes, des outils et des résultats par les ingénieurs de procédés.
Cette recherche sera menée en collaboration avec d'autres personnes travaillant dans le cadre du projet ATHENA. Les modèles génératifs seront guidés par une évaluation de l'adéquation utilisant la communication développée par d'autres partenaires entre les modèles de génération (généralement sous la forme d'un graphe ou d'une chaîne de caractères) et le simulateur de procédés, et accélérés par l'utilisation de métamodèles. L'espace de recherche pourrait également être préconditionné statistiquement à l'aide de techniques Monte-Carlo avancées développées par d'autres partenaires, afin d'identifier les limites de l'espace de faisabilité pour cibler l'effort d'exploration.
Il est également prévu de produire des connaissances tout au long de l'exploration des schémas de procédé (bons ou mauvais), qui seront publiées ouvertement sous la forme de bases de données de schémas de procédé.

Compétences : Des compétences en Machine Learning / Deep Learning sont indispensables, une aisance en programmation, ainsi que des notions en énergétique ou génie des procédés.

Documents de candidature : en plus du CV et d’une lettre de motivation personnelle, il est demandé de fournir des relevés de notes des dernières années d’étude. Des lettres de recommandation peuvent être transmises.

Références :

[1] T. Neveux. “Ab-initio process synthesis using evolutionary programming”. In: Chemical Engineering Science 185 (2018), pp. 209–221. doi: 10.1016/j.ces.2018.04.015.
[2] T. Nabil, M. Noaman, and T. Morosuk. “Data-Driven Structural Synthesis of Supercritical CO2 Power Cycles”. In: Frontiers in Chemical Engineering 5 (2023), p. 1144115. doi: 10.3389/fceng.2023.1144115.
[3] A. Rocha Azevedo, J.- M. Commenge, V. Loubière, T. Neveux, R. Privat, and T. Nabil. “Representation Learning for Flowsheets: Generating Structures for Process Synthesis”. In: ESCAPE34- PSE24 Books of Abstracts. 2024, p. 01. doi: 10.3303/BOA2401.
[4] T. Neveux, B. Addis, C. Castel, V. Piccialli, and E. Favre. “A Comparison of Process Synthesis Approaches for Multistage Separation Processes by Gas Permeation”. In: Computer Aided Chemical Engineering. Vol. 51. Elsevier, 2022, pp. 685–690. doi: 10.1016/B978-0-323-95879-0.50115-6.
[5] A. Rocha Azevedo, T. Nabil, V. Loubière, R. Privat, T. Neveux, and J.- M. Commenge. “ Comparing generative process synthesis approaches with superstructure optimization for the conception of supercritical CO2 Brayton cycles”. In: Computers & Chemical Engineering 201 (2025), p. 109255. doi: 10.1016/j.compchemeng.2025.109255.


Contexte de travail

Le doctorat se déroulera à Nancy dans les locaux du LRGP (Laboratoire Réaction et Génie des Procédés), unité mixte de l'Université de Lorraine et du CNRS, situé sur le campus de l'ENSIC à Nancy (54). La personne recrutée intégrera l’équipe commune de recherche EDF-LRGP ‘MELUSINE’, avec un encadrement par les personnels du LRGP et d’EDF (directeur de thèse : Jean-Marc COMMENGE (LRGP) ; codirecteurs et encadrants : Romain PRIVAT (LRGP), Thibaut NEVEUX (EDF) et Tahar NABIL(EDF)). Le travail sera réalisé en forte collaboration avec les partenaires du projet ATHENA.
Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.


Contraintes et risques

Le travail proposé sera exclusivement numérique et ne présente pas de risques autres que ceux liés à un travail sur écran.