Transfer learning pour le développement d'un modèle data-driven pour les traitements des charges NTEs (bio-huile)

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 plus diversifié ;
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.

Transfer learning pour le développement d’un modèle data-driven pour les traitements des charges NTEs (bio-huile)

La triple transition énergétique, écologique et numérique passe, entre autres, par la mise en place de nouvelles démarches méthodologiques couplant « science des données et expérimentation » pour réduire les temps de développement et les coûts de R&I.

Le sujet de stage porte le traitement de charges issues des nouvelles technologies de l’énergie (NTE) (huiles végétales, huile de cuisson usagée, graisses animales, pyrolysats de plastiques, pyrolysats de pneus…), pour lesquelles les besoins d’acquisition de données sont les plus importants et dont les analyses mobilisent d’importantes ressources en interne à IFPEN. Ces domaines sont encore jeunes et la quantité de données accessibles est faible, ce qui explique le besoin de transférer les connaissances des domaines matures vers ce nouveau domaine.

Notre proposition de stage se focalisera sur l’azote qui est une grandeur clé à prédire. La cible est le développement d’un modèle de type data driven avec contraintes physiques. Les données d’entrée seront des données expérimentales et des données simulées via les modèles cinétiques classiques (équations différentielles ordinaires). Le nombre de points disponibles sera élevé et permettra un entrainement du modèle. Le choix du type de modèle sera fonction de sa capacité d’adaptation (par transfer learning) à des charges de type NTE.

Ces travaux pourront donner lieu à une publication et le stage sera potentiellement suivi d’une thèse de doctorat.

Objectifs du stage

Faire une étude bibliographique sur le transfer learning, pour déterminer les méthodologies permettant l’extension de modèles validés sur des charges fossiles aux charges étendues NTE. En particulier, le modèle de transfer learning devra permettre d’introduire de nouvelles variables.
Tester et comparer les modèles de machine learning compatibles avec la technique de transfer learning sélectionnée précédemment, sur le modèle d’hydrotraitement de charges fossiles. Puis mettre en place les procédures de transfert.
Ces travaux pourront s’appuyer sur la librairie Adapt (cf. https://github.com/adapt-python/adapt).