Développement de nouvelles méthodes spectrométriques pour la caractérisation de minerais uranifères
Le sujet du post-doctorat vise à développer de nouvelles méthodes d’analyse de spectres X/gamma pour la caractérisation de minerais uranifères, permettant d’exploiter les résultats de mesure obtenus dans le cadre des activités de prospection minière de l’industrie nucléaire. Le sujet se développera autour de deux axes majeurs. Le premier axe concernera le traitement de spectres gamma complexes, obtenus à l’aide de détecteurs moyennement résolus (de type NaI ou LaBr3) et visera à étudier la possibilité d’analyser des régions complexes du spectre par des méthodes de déconvolution par inférence bayésienne non paramétrique, en s’appuyant notamment sur le code SINBAD, initialement développé par le LIST pour le traitement des spectres HP-Ge. Le deuxième axe de recherche visera à obtenir une information spectrométrique à partir de spectres faiblement résolus acquis à l’aide de détecteurs NaI. Pour ces derniers, une approche traditionnelle basée sur l’analyse des pics photoélectriques n’est pas envisageable. Le problème sera posé ici sous la forme d’un problème inverse mettant en œuvre une modélisation de la réponse du détecteur et une reconstruction, selon une approche analogue à la tomographie. Les performances de différentes méthodes de reconstruction seront étudiées (reconstruction EM, bayésienne non paramétrique…).
Planification de consommation de ressources dans le cadre d’un éco-quartier
Les pratiques de production et de consommation d’énergie sont en pleine mutation. La naissance des éco-quartiers est ainsi une réalité qui s’inscrit dans la continuité de ces changements. Il s’agit de regrouper au sein d’un même territoire différentes entités consommatrices ou productrices d’énergie et de gérer à un niveau local les ressources énergétiques.
Parallèlement à ces évolutions, les foyers, les commerces et même les bureaux sont de plus en plus équipés de capteurs et d’appareils intelligents et communicants qui peuvent être contrôlés à distance. Il est donc envisageable de piloter ces appareils en tenant compte de plusieurs facteurs : le coût financier ou environnemental de l’énergie consommée, le respect du confort souhaité par les habitants et l’objectif visé par les administrateurs de l’éco-quartier.
De nombreux algorithmes ont été développés dans le but de planifier et de contrôler des appareils plus ou moins autonomes alors que les systèmes experts ont souvent été écartés, du fait de leur manque d’expressivité dans ce domaine.
Dans ce contexte il s’agit de vérifier si des systèmes experts flous permettent de planifier l’usage des appareils consommateurs d’une ressource d’énergie.
Allocation distribuée de ressources par les systèmes multi-agents. Application aux réseaux de chaleur
Les réseaux de chaleur en France alimentent plus d’un million de logements et délivrent une quantité de chaleur égale à environ 5% de la chaleur consommée par le secteur résidentiel et tertiaire. De ce fait, ils représentent un potentiel important pour l’introduction massive d’énergies renouvelables et de récupération. Cependant, les réseaux de chaleur sont des systèmes complexes qui doivent gérer un grand nombre de consommateurs et de producteurs d’énergie, répartis dans un environnement géographique étendu et fortement ramifié. Dans le cadre d’une collaboration entre le CEA-LIST et le CEA-LITEN, le projet SIGMA vise à une gestion dynamique et optimisée des réseaux de chaleur. Nous proposons une approche pluridisciplinaire, qui intègre à la fois la gestion avancée du réseau par les Systèmes Multi-Agents (SMA), la prise en compte des contraintes spatiales par des Systèmes d’Information Géographique (SIG) et la modélisation physique simplifiée du transport et de la valorisation de la chaleur.
Il s’agit de concevoir des mécanismes d’allocation dynamique de ressources de chaleur qui intègrent les descriptions en provenance du SIG et les prédictions de consommation, production et pertes calculées grâce aux modèles physiques. On prendra ainsi en compte plusieurs caractéristiques du réseau : le caractère continu et dynamique de la ressource ; des sources avec des comportements, des capacités et des coûts de production différents ; la dépendance de la consommation/production à des aspects externes (météo, prix de l’énergie) ; les caractéristiques internes du réseau (pertes, capacité de stockage). Le couplage avec le SIG permettra la mise en place de mécanismes d’auto-configuration de la gestion des différents réseaux et niveaux de granularité obtenus par réduction du SIG original. Le SMA devra établir de manière dynamique le lien entre les modèles simplifiés adaptés et le niveau de granularité souhaité et créer les agents nécessaires pour représenter le système.
Détection frugale non supervisée d'anomalies de signal
Notre laboratoire, situé à Digiteo au CEA Saclay, recherche un candidat postdoc pour travailler sur la détection d'anomalies dans les processus de manufacturing, pour une durée de 18 mois à partir de février 2022. Ce travail s'inscrit dans le projet HIASCI (Hybridation des IA et de la Simulation pour le Contrôle Industriel), un projet CEA LIST sous forme de collaboration interne qui vise à développer une plateforme de méthodes et outils d'IA pour les applications en manufacturing, du contrôle qualité au monitoring de procédé. La contribution de notre laboratoire dans HIASCI consiste à développer des méthodes efficaces pour la détection d'anomalies dans des signaux acoustiques ou vibratoires, opérant sur peu de données d'apprentissage. Dans ce contexte, la détection des anomalies du signal revient à extraire des données les informations relatives au processus physique de manufacturing, qui est en général trop complexe pour pouvoir être parfaitement compris. En outre, les données réelles d'état anormaux sont relativement rares et souvent coûteuses à collecter. Pour ces raisons, nous privilégions une approche fondée sur les données, dans le cadre d'un apprentissage frugal (few-shot learning).
Capteurs de gaz à base de nanoparticules de diamant et de matériaux nanoporeux dopés de molécules-sondes
Il s’agit de réaliser des capteurs à ondes acoustiques de surface (SAW) sensibles et sélectifs pour détecter de très faibles concentrations de composés gazeux (< 100 ppb). La stratégie pour accroître la sensibilité de la couche guidante repose sur l’utilisation, comme couche guidante, de nanoparticules de diamant chimiquement modifiées et déposées en multi-couches sur un film piézoélectrique. Pour obtenir une grande sélectivité, ces capteurs seront couplés à des filtres spécifiques placés en amont, constitués de matériaux poreux dopés de molécules sondes aptes à capter les interférents gazeux.
Le projet comporte quatre volets : 1) synthèse et greffage des nanoparticules de diamant, 2) étude des molécules sondes et dopage des matrices nanoporeuses, 3) étude du piégeage des polluants-cibles et des interférents potentiels, 4) métrologie et calibration.
Le travail sera réalisé dans le laboratoire « Capteurs Diamant » et dans le laboratoire Francis Perrin situés tous deux au centre d’études de Saclay.
Machine learning et simulateur pour l'estimation d'état d'un processus dynamique
Le but est de décrire au mieux l’état réel d'un procédé d'extraction liquide-liquide sur la base des données enregistrées. Or, ces dernières sont, par nature, entachées d’incertitudes et sous l’influence de variables exogènes qui ne sont pas enregistrées ni intégrées dans le jumeau numérique. Il est donc nécessaire de travailler le recollement des données entre la réalité et le simulé par PAREX+, simulateur dédié à ce type de procédé. Le code PAREX+ sera utilisé pour constituer une base conséquente de simulations : à chaque essai de paramètres opératoires (pavage de l’espace) sera associée la réponse dynamique du système. Le réseau de neurones convolutionnel (CNN) cherchera à résoudre le problème inverse : apprendre sur l’ensemble des réponses dynamiques les jeux de paramètres opérationnels possibles. Un enrichissement progressif de la base de données sera effectué dans les zones où le CNN ne sera pas assez performant. Une fois calibré, le CNN sera confronté aux données réelles et modifié pour tenir compte des imperfections des données. La finalité du CNN est d’être capable de bien identifier les paramètres du procédé à chaque pas de temps à des fins de contrôle et de diagnostic en temps réel : la dynamique observée est-elle celle attendue ?
Optimisation combinatoire des matériaux de base dans le cadre du design de nouveaux matériaux
Le design de nouveaux matériaux est un domaine qui connait un intérêt croissant, notamment avec l’apparition des procédés de fabrication additive, de dépôt de couches minces, etc. Afin de créer de nouveaux matériaux dans le but de cibler des propriétés intéressantes pour un domaine d’application, il est souvent nécessaire de mélanger plusieurs matières premières.
Une modélisation physico-chimique des réactions qui se produisent lors de ce mélange est souvent très difficile à obtenir, d’autant plus lorsque le nombre de matières premières augmente. Nous souhaitons nous affranchir autant que possible de cette modélisation. A partir de données expérimentales et de connaissances métiers, le but de ce projet est de créer une IA symbolique capable de chercher à tâtons quel est le mélange optimal pour atteindre une ou plusieurs propriétés données. L’idée est d’adapter des méthodes existantes de recherche opérationnelle, comme l’optimisation combinatoire, dans un contexte de connaissances imprécises.
Nous nous intéresserons à différents cas d’usage comme les batteries électriques, les solvants pour cellules photovoltaïques et les matériaux anti-corrosion.
Synthèse et caractérisation de nouveaux matériaux fluorescents nanostructurés pour la détection de composés organiques volatils.
La présence dans les environnements intérieurs de nombreuses substances et agents (géno-)toxiques, infectants ou allergisants à effets pathogènes n’est plus à démontrer. La détection de ces substances dans l’air intérieur est devenue de fait une préoccupation sanitaire majeure pour nos sociétés. Pour répondre à ce besoin et permettre la mise au point de capteurs de « terrain » sensibles et sélectifs, différentes solutions technologiques sont à l’étude. Parmi ces méthodes, celles qui exploitent les phénomènes de fluorescence sont particulièrement intéressantes en raison de leur sensibilité élevée (limite basse de détection) et des possibilités qu’elles offrent de mettre au point des dispositifs bas coût, de faibles dimensions et faiblement consommateur d’énergie.
Le projet proposé s’inscrit dans ce contexte et vise à évaluer les potentialités d’une nouvelle famille de matériaux organiques fluorescents nanostructurés pour la détection de
traces de polluants de l’air intérieur. Le travail proposé sera mené en collaboration avec le Laboratoire de Chimie des Polymères (UMR7610-CNRS/UPMC Paris 6) spécialisé dans la
synthèse d’organogels fonctionnalisés. Il s’agira plus précisément de mettre au point la synthèse de nouveaux polymères supramoléculaires hautement poreux qui serviront soit de support à un matériau fluorescent sensible, soit fonctionnalisés de telle sorte qu’ils puissent assurer directement la reconnaissance et la détection des molécules cibles. Les propriétés physico-chimiques des matériaux ainsi réalisés seront examinées par différentes techniques. Leurs performances en présence des polluants cibles (formaldéhyde, acétaldéhyde) et d’interférents potentiels seront évaluées. Enfin, les matériaux les plus intéressants seront intégrés dans un prototype fonctionnel.