Les performances d'un support de catalyseur – alumine ou zéolithe – se jouent à l'échelle de sa microstructure poreuse : porosité, surface spécifique et connectivité du réseau solide qui gouvernent l'accès des réactifs aux sites actifs. Concevoir un support optimal revient donc à résoudre un problème inverse, c’est-à-dire à identifier la microstructure, puis les paramètres de fabrication, qui satisfont un cahier des charges de propriétés.
Or le problème en question se heurte au fait que plusieurs microstructures très différentes peuvent présenter les mêmes propriétés macroscopiques, et que les méthodes d'optimisation classiques, coûteuses en calcul, n'en exploreront qu'une fraction.
Habituellement, un modèle géométrique part de paramètres de fabrication pour simuler une microstructure, puis calcule les propriétés qui en résultent : c'est la boucle directe. Pour résoudre le problème inverse – remonter de propriétés cibles à une microstructure, puis à ses paramètres de fabrication – des chercheurs d'IFPEN ont complété cette boucle directe par une boucle inverse [1], fondée sur un modèle de diffusion guidé, la famille d'IA à l'œuvre dans les générateurs d'images (Figure 1). Entraîné sur 30 000 microstructures virtuelles issues d'un modèle géométrique aléatoire (processus de COX1), le réseau de neurones « débruite » progressivement une image de bruit aléatoire jusqu'à obtenir une microstructure conforme aux propriétés cibles, Les propriétés cibles guident le réseau de neurones à chaque étape, comme un filtre qui oriente la transformation du bruit en une microstructure (Figure 2).
Le point de départ étant tiré au hasard à chaque exécution du calcul, chaque appel au modèle entraîné produit une microstructure différente mais valide, car dotée des mêmes propriétés cibles, ce qui reflète notre réalité physique.
A partir d’une microstructure satisfaisante, un second réseau de neurones convolutif2 (dédié à l'analyse d'images) déduit ensuite les quatre paramètres d'agrégation3 du modèle géométrique, directement reliés aux paramètres de fabrication.
Sur près de 3 000 microstructures test, ces paramètres ont été retrouvés avec un coefficient de détermination R² moyen de 0,85 (une valeur de 1 correspondant à une prédiction parfaite). La validation « aller-retour »4 confirme la cohérence physique des propriétés obtenues, le tout grâce à un calcul réalisé en quelques secondes contre plusieurs heures avec les méthodes classiques.
Les prochaines étapes du travail porteront sur la génération 3D de microstructures, l'ajout d’autres descripteurs du transport de masse (tortuosité, physisorption) et la validation sur des matériaux réels caractérisés expérimentalement.
1 Méthode probabiliste pour la génération de microstructures permettant de simuler des assemblages de grains polycristallins en 2D ou 3D, à partir de germes placés aléatoirement qui croissent ensuite en cercles réguliers pour définir les frontières des grains.
2 Architecture de deep learning spécialisée dans le traitement des données structurées sous forme de matrice
3 Modèle stochastique piloté par quatre paramètres : AggVv (fraction volumique d'agrégats), AggIn (fraction intra-agrégats), AggOut (fraction extra-agrégats), AggR (rayon moyen des agrégats).
4 Resynthèse d'une microstructure à partir des paramètres prédits
Références :
[1] J. Peyrelon, A. Pirayre, L. Sorbier, M. Moreaud, A. Hammoumi, Guided Diffusion Model for Microstructure Generation Design, communication à congrès, 2026 (DOI à venir).
Contacts scientifiques : Julien Peyrelon