Prédiction de la stabilité à l’oxydation de fluides par apprentissage machine

Dans les domaines d’innovation d’IFPEN, de nombreux fluides sont employés pour diverses applications allant de la production d’énergies renouvelables à la mobilité durable. Ces fluides sont bien souvent des mélanges complexes et la chimie de leurs composants (hydrocarbures, alcools, esters, etc.) varie en fonction de l’application ciblée : combustion, refroidissement, lubrification, isolation électrique... Quelle que soit cette application, il est primordial que les produits en question préservent dans le temps toutes leurs propriétés, d’où l’enjeu majeur de leur stabilité. A cet égard, la dégradation par oxydation est l’un des phénomènes susceptibles d’altérer la qualité de certains fluides et donc de limiter l’efficacité du système qui les emploie, voire de mener à des défaillances.

Dans ce contexte, un projet de recherche, lancé en collaboration avec l’université de Lille, héberge un travail doctoral^a centré sur la problématique de la réactivité des fluides. Il a pour but d’identifier les caractéristiques physiques et chimiques clés quant à prédire leur stabilité à l’oxydation. Pour y parvenir, l’originalité de ce travail est d’utiliser une approche basée sur l’établissement de modèles globaux (figure) qui confrontent et combinent deux approches d’apprentissage machine supervisé déjà employées séparément avec succès à IFPEN :
  

• la chémoinformatique et principalement le développement de modèles QSPR (Quantitative Structure Property Relationship). Ces modèles multivariés fournissent des valeurs de propriétés avec pour données d’entrée la structure et la composition moléculaires des fluides [1] ;
    
• la chimiométrie et plus particulièrement le développement de modèles basés sur la spectroscopie moyen infrarouge (MIR) ou proche infrarouge (PIR). Ces modèles multivariés, le plus souvent développés sur « composantes » (PCA^b, PLS^c), relient des propriétés d’intérêt aux bandes vibrationnelles caractéristiques des fluides analysés [2].

En exploitant les informations extraites de ces deux types de représentation, de nouveaux modèles pourront être construits. Capables de décrire et prédire efficacement la stabilité des fluides, ils contribueront alors :
  

• au développement de nouvelles formulations pour tenir compte des futures contraintes liées à de nouveaux usages, et même à l’identification de nouvelles filières produits, dans le cadre de la transition énergétique ;
     
• à la prédiction de leur réactivité dans les conditions opératoires réelles, en vue de proposer des solutions d’amélioration.

Ces modèles ont vocation à être ensuite implémentés dans des outils de simulation numérique, comme par exemple l’outil ReFGen^d, logiciel d’estimation de propriétés thermodynamiques pour les applications « Transports ».

     
a- Titre de la thèse : « Recherche de descripteurs pour la compréhension et la prédiction de la stabilité à l’oxydation de fluides par apprentissage machine », réalisée par Adrian Venegas Reynoso
b- Analyse en composantes principales
c- Méthode des « moindres carrés partiels »
d- Representative Fuel Generator
   

Références :

1. Creton B., Chemoinformatics at IFP Energies nouvelles: Applications in the Fields of Energy, Transport, and Environment. Molecular Informatics 2017;36(10).
   >> https://doi.org/10.1002/minf.201700028 
       
2. Guillemant J, Albrieux F, Lacoue-Nègre M, Pereira de Oliveira L, Joly J-F, Duponchel L., Chemometric Exploration of APPI(+)-FT-ICR MS Data Sets for a Comprehensive Study of Aromatic Sulfur Compounds in Gas Oils. Analytical Chemistry 2019;91(18):11785–93.
   >> https://doi.org/10.1021/acs.analchem.9b02409
      

Contacts scientifiques : lucia.giarracca@ifpen.fr ; benoit.creton@ifpen.fr ; marion.lacoue-negre@ifpen.fr

>> NUMÉRO 48 DE SCIENCE@IFPEN