Développement d'une méthode d'apprentissage profond (deep learning) appliquée au recyclage des matériaux - Solaize (69) ou Rueil-Malmaison (92) 

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique durable ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Développement d’une méthode d’apprentissage profond (deep learning) appliquée au recyclage des matériaux

IFPEN développe des procédés innovants et éco-efficients pour la production d’énergie, par exemple, la production de carburants et d’intermédiaires chimiques. Ces procédés mettent en œuvre un volume important de matériaux à base de métaux (catalyseurs hétérogènes).  

Dans le contexte actuel de transition énergétique, il est nécessaire d’économiser les ressources en métaux, de rentabiliser leur utilisation et de limiter la production de déchets. Le recyclage des catalyseurs via leur régénération, répond à alors cette attente d’économie circulaire.     

Description du projet

Il s'agit de mettre au point une méthodologie d'analyses de données pour prédire le potentiel de régénération des catalyseurs usés, à partir de leurs seules caractérisations physico-chimiques (DRX, isotherme d’adsorption d’azote, etc.).  

Le stagiaire explorera des méthodes de fusion de données hétérogènes pour intégrer les différentes données d'entrée. Il mettra ensuite en œuvre des approches de deep learning afin de prédire l’activité des catalyseurs après régénération.  

Le stagiaire sera aussi amené à enrichir le jeu de données via un travail expérimental de caractérisation et de régénération des catalyseurs usés.  

Profil recherché

Ecole d’ingénieur / Master Mathématiques appliquées, Informatique, Science des Matériaux Ex : EPISEN – ISBS / PHELMA / ENSIMAG / Central / Master MVA, etc

• L’étudiant devra montrer une double compétence en science des données ou chimie des matériaux, ou a minima une compétence avérée en science des données et appétence pour la caractérisation des matériaux. 
• Il devra montrer des capacités d’autonomie et de travail en équipe pour être en mesure d’interagir avec ses interlocuteurs multidisciplinaires.

Localisation : De préférence Solaize (69360) mais envisageable à Rueil-Malmaison (92500)