About this role
Summary: Implement machine learning techniques to develop kinetic models for e-fuel production. Analyze experimental data from catalytic reactors to improve model reliability, reduce experiment costs via active learning, and create predictive models for new catalysts.
### Sujet de stage
Mise en œuvre de techniques de machine learning pour l'élaboration de modèle cinétique pour la production de e-carburants
### Description de l'offre
Missions :
Le Laboratoire Réacteurs et Procédés (LRP) possède une expertise reconnue dans l'évaluation des performances des réacteurs d'hydrogénation catalytique pour la production de différents e-carburants, en particulier pour le secteur de l’aviation.
Ces études se déroulent au travers d'une plateforme expérimentale comportant plusieurs bancs d'essais qui permettent de tester différents designs de réacteurs et différents catalyseurs dans des conditions opératoires variées. Les catalyseurs sont généralement synthétisés et caractérisés par le Laboratoire des Composants pour l'Hydrogène et le Cycle du carbone (LCHC), une autre unité du CEA LITEN. Les données issues de la caractérisation du catalyseur et des essais en réacteur tubulaire (conditions opératoires, intrants et composition en sortie du réacteur) servent à l'élaboration de modèles cinétiques qui permettent de décrire le comportement du catalyseur dans les conditions testées et de nourrir des simulations à plus grande échelle (réacteur, procédés).
Dans ce cadre, vous serez amenés à étudier différentes approches basées sur le machine learning pour l'élaboration de modèles cinétiques. Il peut s'agir de méthodologies purement basées sur les données, mais également de méthodologies hybrides incorporant de l'apprentissage statistique dans un modèle physique ou inversement (Physics Informed Machine Learning). Les principales questions qui vous seront posées lors de ce stage seront les suivantes :
• Est-il possible d'améliorer la fiabilité et la robustesse de nos modèles grâce au machine learning ?
• Le machine learning permet-il d'élaborer des plans d'expériences plus frugaux sans perdre en fiabilité (active learning) ?
• À termes, serait-il possible d'élaborer des modèles prédictifs applicables à de nouveaux catalyseurs ?
### Profil du candidat
Diplôme préparé : Bac +5 – Master 2
Compétences scientifiques : Data science, machine learning, programmation python
Vous êtes reconnu(e) pour votre : rigueur, autonomie, sens de l'initiative, sens de la synthèse
Moyens/Méthodes/Logiciels : python
Commentaires libres : Des connaissances en thermodynamique et chimie organique seraient un plus