Prédiction de la conductivité thermique de liquides par application de lois de mélange et régression symbolique

IFP Energies nouvelles (IFPEN) est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. 

IFPEN met à disposition de ses chercheurs un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants.

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.

Prédiction de la conductivité thermique de liquides par application de lois de mélange et régression symbolique

La conductivité thermique est une propriété clé pour le dimensionnement de nombreux équipements, comme les échangeurs, qui permettent de transférer de l'énergie thermique d'un fluide caloporteur vers un autre, sans les mélanger. Ces dernières années, nous avons travaillé à l’application d’outils d’apprentissage automatique sur des données issues de la littérature et avons récemment proposé des modèles permettant de prédire la conductivité thermique d’hydrocarbures et d’oxygénés en phase liquide en fonction de la température.[1]

L'objectif du stage proposé est d’étendre l’approche précédente au cas des mélanges. Ainsi, le travail débutera par la mise en place d’une base de données de conductivité thermique pour des mélanges, données qui nous serviront de référence pour le développement d’approches numériques prédictives. Les données de conductivité thermique seront extraites de bases existantes et de la littérature, ces données seront fusionnées, nettoyées et mises en forme.

Deux approches de prédictions seront envisagées pour ce travail :

• La première consistera à utiliser les modèles corps purs développés récemment,¹ pour alimenter des lois de mélanges disponibles dans la littérature.
• La seconde approche sera centrée sur l’utilisation de la régression symbolique (SR) pour identifier, par régression des données de référence, des expressions mathématiques permettant de modélisation au mieux ces données.

Le/la stagiaire sera supervisé(e) par des ingénieurs du département « Thermodynamique et Modélisation moléculaire » d'IFPEN et aura également l'opportunité de travailler avec des équipes de l’Université de Thessalie en Grèce.

Profil attendu :

Niveau du stage : M2

• Discipline : Chémoinformatique
• Compétences : programmation Python, Chimie, anglais

Durée du stage : 6 mois
Période : premier semestre 2025

Informations administratives

Établissement d'accueil : IFPEN
Adresse : 1-4 avenue de Bois Préau - 92500 Rueil-Malmaison
Direction : Physico-chimie et Mécanique appliquées
Responsables du stage : Benoît Creton (R175), Carlos Nieto (R175), Véronique Lachet (R175)

Merci de nous transmettre un CV, une lettre de motivation et les noms et adresses électroniques de deux personnes de référence

[1] R. Moreno, B. Creton, S. Marre, Machine learning based models for accessing thermal conductivity of liquids at different temperature conditions SAR and QSAR in Environmental Research 2023, 34(08), 605-617. DOI: 10.1080/1062936X.2023.2244410

---

Annonces similaires