Zoom sur...

Recherche fondamentale
Actualités 24 mars 2021

Les « Floating Car Data » au service de la qualité de l’air

Des équipes IFPEN ont mis au point un outil qui permet, grâce aux données remontées depuis des véhicules connectés (« Floating Car Data » ou FCD), d’évaluer la pollution émise par des comportements de conduite caractéristiques et in fine de cartographier avec précision les émissions polluantes des véhicules sur différents segments routiers d’un territoire. 

Numéro 45 de Science@ifpen - Numéro spécial Science des données
Brèves

Segmentation sémantique par apprentissage profond en sciences des matériaux

La segmentation sémantique réalisée sur des images de microscopie est une opération de traitement effectuée en vue de quantifier la porosité d’un matériau et son hétérogénéité. Elle vise à affecter une classe d’appartenance (niveau d’hétérogénéité de la porosité) à chaque pixel de l’image. Cependant elle est très difficile sur certains matériaux (comme les alumines employées pour la catalyse), voire impossible par une approche classique de traitement d’image, car les différences de porosité sont caractérisées par des contrastes faibles et des variations de texture complexes. Un moyen de dépasser cette limitation est d’aborder par apprentissage profond la segmentation sémantique, en recourant à un réseau de neurones convolutifs.
Numéro 45 de Science@ifpen - Numéro spécial Science des données
Brèves

Accélération de calculs de cinétique chimique par méthodes d’apprentissage

L’utilisation de méthodes d’apprentissage pour accélérer les calculs de cinétique chimique est une approche qui a récemment gagné en popularité. C’est le cas notamment pour la simulation des écoulements réactifs...
Numéro 45 de Science@ifpen - Numéro spécial Science des données
Brèves

Des « flashs » plus rapides grâce à l’apprentissage profond

Un grand nombre de simulateurs, qu’ils portent sur le dimensionnement des procédés réactionnels, sur l’évolution des réservoirs pétroliers ou de celle des dispositifs de combustion, nécessitent d’accéder à des propriétés thermodynamiques. Pour fournir ces propriétés, IFPEN a développé une bibliothèque de modules de calculs, nommée « Carnot », du nom du célèbre thermodynamicien français. Or ces calculs, en particulier ceux concernant l’équilibre entre phases (aussi appelés « flash »), sont généralement très consommateurs en ressource de calcul du fait de la complexité des systèmes considérés, et représentent dans de nombreux cas la partie la plus chronophage de la simulation.
Numéro 45 de Science@ifpen - Numéro spécial Science des données
Brèves

Conception numérique axée sur l’analyse de microstructures multi-échelles de matériaux poreux

La conception de matériaux poreux performants est un enjeu majeur pour l’efficience énergétique des procédés industriels : en catalyse, biocatalyse ou encore pour les opérations de séparation et de purification. Pour de telles applications, ces matériaux tirent leurs propriétés d’intérêt de leur microstructure particulière, comportant une grande quantité d’espaces vides organisés et connectés à l’échelle du nanomètre. IFPEN et Saint Gobain Research Provence (SGRP) se sont associés afin de se doter d’un outil facilitant à terme la mise au point de matériaux poreux optimisés en fonction d’usages donnés.
Brèves

Digital Rock Physics à IFPEN

La caractérisation des réservoirs géologiques, thème historique de l’exploitation pétrolière, est aujourd’hui un socle d’intérêt pour des domaines applicatifs variés tels que le stockage de CO2 ou d’hydrogène, ou encore la géothermie. Ces dernières années, l’utilisation conjointe de l’imagerie 3D par microtomographie (ou micro-CT) et de techniques de simulation avancées a permis l’émergence d’une approche digitale du calcul des propriétés pétrophysiques de roches de réservoir (Digital Rock Physics). Ceci représente un vrai complément voire, dans certains cas, une alternative aux mesures traditionnelles en laboratoire.
Numéro 45 de Science@ifpen - Numéro spécial Science des données
Brèves

Interprétation d’images géologiques assistée par Intelligence Artificielle

Au cours de la dernière décennie, l’apprentissage profond (deep learning) appliqué à l’analyse d’images a connu un réel essor et une extension dans de nombreux domaines. Cependant, son potentiel reste encore sous-exploité en géologie, bien que cette discipline implique beaucoup d’interprétation visuelle. Pour contribuer à la transformation numérique des industries liées au sous-sol, les chercheurs IFPEN ont mis en œuvre l'apprentissage profond dans trois « contextes métier », impliquant chacun un type différent d’images géologiques.
Page individuelle

Ani ANCIAUX SEDRAKIAN

Ingénieur de recherche / Chef de projet
Postes à pourvoir actuellement dans le groupe: Sujet du post-doc : Mise en œuvre d’un logiciel coupleur pour des problèmes multi-physiques Elle a obtenu sa thèse de doctorat en informatique à l
Science@ifpen n° 44
Brèves

Le système 48 volts : hybride léger à fort potentiel

L’électrification du groupe motopropulseur des véhicules est une des clés de la mobilité durable et l’hybridation avec des moteurs thermiques est de plus en plus répandue. Dans ce contexte, l’hybridation légère « à 48 volts » est une option à faible coût, flexible et simple à intégrer, avec des contraintes de sécurité allégées et des performances remarquables.
Numéro 43 de Science@IFPEN
Brèves

Optimisation d’un micro-organisme d’intérêt pour la bioproduction d’isopropanol et de n-butanol

La substitution de bioprocédés aux procédés pétrochimiques requiert la mise en oeuvre de biocatalyseurs (ou micro-organismes) pour produire des molécules, avec un moindre impact environnemental. L’un de ces microorganismes, Clostridium beijerinckii DSM 6423
Numéro 42 de Science@IFPEN
Brèves

Spectrométrie et chimiométrie au service des procédés

La baisse de la qualité des pétroles bruts combinée au durcissement des normes environnementales conduit les raffineurs à modifier leurs procédés pour répondre à la demande croissante en coupes