Thèse Conception de Milieux Poreux Assistée par Machine Learning pour l'Ingénierie H/F

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences
Laboratoire de recherche : EM2C - Energétique Moléculaire et Macroscopique, Combustion
Direction de la thèse : Benedetta FRANZELLI ORCID 0000000285989641
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-21T23:59:59

Les matériaux poreux sont omniprésents dans les processus d'ingénierie tels qu'en efficacité energétique, procédés industriensl, biomédical, et les sciences de l'environnement. Cependant, la conception de matériaux poreux avec des propriétés de transport adaptées (perméabilité, paramètres de transferts thermiques effectifs, etc.) reste un défi en raison de la séparation entre l'échelle des pores et l'échelle macroscopique d'intérêt. Ceci a conduit au développement de méthodes de changement d'échelles, où les phénomènes de transport à l'échelle du pore sont homogénéisés pour obtenir des modèles de transport macroscopiques avec des paramètres effectifs (modèles d'ordre réduits) [1,2]. Ces approches de changement d'échelles ont montré beaucoups de succès, mais elles sont limitées aux problèmes pour lesquels la physique est déjà connue à l'échelle du pore.

Dans ce projet, le problème inverse est considéré : Étant donné une application nécessitant des propriétés de transport et un comportement macroscopiques spécifiques, est-il possible de prédire les paramètres requis à l'échelle du pore (porosité, géométrie, propriétés physiques) ? Nous proposons de coupler l'utilisation d'approches de changement d'échelles et de machine learning pour traiter ce problème inverse [3, 4, 5].

As a first application of the approach, the design of porous matrices for improved mixing in micro-reactors will be considered. Such system is inspited from continuous flow processes whose applications are expanding quickly in various engineering fields [6,7]. A key aspect is the ability to control concentration gradients in order to mix reagents in a controlled and optimized way in reaction chambers.

We have recently shown that the introduction of a heterogeneous porous medium into the mixing chamber can produce mixing layer thicknesses that can vary non-monotonically [2]. Based on an up-scaling methodology, we developed a homogenized model that perfectly reproduces these effects with an effective dispersion coefficient determined from a representative unit cell [1,2].

This suggests that the design of porous media with controlled porosity fields enables the geometry of the mixing layer to be adapted with a hitherto unexplored freedom. Our preliminary work using deep learning approach (ResNet-18 + U-Net architecture) on restricted parameter fields allowed us to correctly predict the required porosity distribution given a known mixing layer geometry. These encouraging results will serve as the basis for this thesis project.

The overarching goal of this thesis project is to formalize an inverse problem approach based on deep learning (DL) to help the design of porous medium with tailored transport properties.
Specifically, the objectives are to
-Expand the existing DL model of mixing layers to account for more parameters (layer geometry, porous structure, chamber input parameters)
-Include non-linear reaction processes in the up-scaling procedure and adapt the DL approach accordingly
-Evaluate the potential of physics-informed neural networks (PINNs) to the problem
-Extend the methodology to engineering processes such as heat exchangers