Transformer-based surrogates for chemical kinetics in reactive flow simulations

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. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; 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 et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Transformer-based surrogates for chemical kinetics in reactive flow simulations

Ce stage s’inscrit à l’interface entre intelligence artificielle scientifique, modélisation de la combustion et simulation numérique.

La simulation des écoulements réactifs nécessite de décrire l’évolution d’un mélange d’espèces chimiques, couplée à celle de la température et de l’écoulement. Les mécanismes cinétiques mettent en jeu des réactions fortement non linéaires et des échelles de temps très différentes. L’intégration des équations associées peut ainsi représenter une part importante du coût de calcul, ce qui motive le développement de modèles de substitution rapides et fiables.

L’objectif du stage sera de développer et d’évaluer un modèle fondé sur une architecture Transformer pour prédire l’évolution de l’état thermochimique d’un mélange sur un pas de temps donné. Les mécanismes d’attention seront étudiés pour représenter les interactions entre espèces chimiques et leurs couplages avec les variables thermodynamiques. Il s’agira de déterminer dans quelles conditions cette approche offre un compromis intéressant entre précision, stabilité et coût de calcul.

Le travail débutera sur des configurations de réacteurs homogènes, sans résolution spatiale, afin d’isoler les difficultés liées à la cinétique chimique. Un premier cas d’étude pourra concerner la combustion d’un mélange hydrogène–air, sur une gamme de températures, de pressions et de compositions initiales.

Les travaux comprendront :

Une étude bibliographique sur les modèles de substitution pour la cinétique chimique, les architectures Transformers et la prise en compte de contraintes physiques dans les modèles d’apprentissage.
La constitution d’une base de données de référence, à partir de simulations réalisées avec Cantera. Une attention particulière sera portée à la diversité des conditions initiales et à la représentation des phases rapides, notamment l’allumage.
Le développement d’un modèle Transformer sous PyTorch, avec une réflexion sur l’encodage des espèces et des variables thermodynamiques. Ses performances seront comparées à celles d’un réseau de neurones entièrement connecté.
L’étude de la cohérence physique et de la stabilité, notamment la positivité des fractions massiques, les bilans de conservation et l’accumulation des erreurs lors de prédictions successives.
L’évaluation du compromis précision–coût, sur des conditions non utilisées pour l’apprentissage, à partir des trajectoires d’espèces, de la température, du délai d’allumage et des temps de calcul.

Selon l’avancement, une validation complémentaire pourra être menée dans une configuration simplifiée d’écoulement réactif, en utilisant le modèle appris pour l’étape d’intégration de la chimie.

Le stage aboutira à un prototype documenté, à un protocole de comparaison reproductible et à une analyse des possibilités et des limites de l’approche.

Profil attendu :

Nous recherchons une personne curieuse, rigoureuse et autonome, intéressée par la confrontation entre modèles d’apprentissage et exigences de la simulation physique.