Offre de thèse sur le développement de nouvelles stratégies d'optimisation des modèles prédictifs therm

Sujet de thèse :
Les modèles thermodynamiques prédictifs développés par la méthode CALPHAD [LFS2007] jouent un rôle stratégique dans le développement de nouveaux matériaux en permettant d’anticiper le comportement des systèmes avant de réaliser des expériences coûteuses et chronophages pour :
a) être ensuite extrapolés et décrire des paysages thermodynamiques de matériaux plus complexes,
b) anticiper des comportements extrêmes ou des environnements hostiles (haute température, atmosphères réactives, etc.) et prévenir la formation de phases secondaires nocives,
c) servir à relier les propriétés énergétiques aux propriétés en service selon une approche intégrative.
La qualité et la fiabilité de ces modèles conditionnent la possibilité d’un design plus rationnel, rapide et innovant (donc compétitif) des matériaux de demain. Or, tous les modèles actuels sont remis en question par la communauté pour leur lourdeur et leur imprécision, malgré le coût élevé des logiciels qui les produisent. En conséquence, les spécialistes des matériaux s’appuient encore sur leur propre expertise pour mener une revue critique préliminaire des différentes données, incertitudes, sélection du modèle, nombre de paramètres à régler et pondérations à attribuer, tout en devant initialiser les paramètres du modèle pour commencer le processus d’ajustement. À l''heure de l'automatisation et du criblage à grande échelle, il est crucial de remplacer ces étapes délicates et chronophages par un outil numérique fiable, autonome et rapide, qui pourra ensuite être intégré dans les chaînes d'exploration.

Nous proposons de développer un outil fiable pour optimiser les modèles thermodynamiques (enthalpies libres) uniquement à partir de données expérimentales fournies par des utilisateurs industriels et universitaires. L’objectif est de leur fournir des modèles fiables, soigneusement validés, propriétaires et modulaires, aussi simples que possible, afin qu’ils puissent élaborer leur stratégie en toute tranquillité d’esprit, comme évaluer de nouvelles conditions de procédé ou optimiser les plages de fabrication sans s’exposer à des extrapolations trop incertaines. Cela sera réalisé en définissant de nouveaux modèles (variables, contraintes, fonctions objectif) pour l’estimation des paramètres dédiée à ce cadre thermodynamique, en comblant le fossé entre les données expérimentales spécifiques disponibles dans ce contexte et le cadre moderne de programmation non linéaire (comme les inégalités matricielles linéaires [NP2023]). Les modèles seront également adaptés pour être optimisés à l’aide d’approches d’optimisation modernes, comme Newton régularisé cubique [M2023], nécessitant par exemple le calcul ou l’approximation de matrices hessiennes.

LFS2007] Hans Lukas, Suzana G. Fries et Bo Sundman, Computational thermodynamics: the CALPHAD method, Cambridge University Press, 2011. (doi :10.1017/CBO9780511804137);

[M2023] Mishchenko, Konstantin,
Voir plus sur le site emploi.cnrs.fr...