Traitement du signal / Science des données

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...

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.

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.

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.

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.

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.

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

Les technologies du numérique participent de façon croissante à la résolution des problématiques industrielles. IFPEN a engagé une collaboration avec l’Inria. Cinq ans après, bilan d’un partenariat fructueux.

Les travaux de mon HDR visaient à améliorer la performance des catalyseurs par le traitement d’images, en automatisant les analyses et en améliorant la qualité de l’information extraite des données