Automatisation intelligente des cycles THErmodynamiques pour une Nouvelle Approche énergétique – ATHENA

Contexte et objectifs :
Les cycles thermodynamiques (cycles électrogènes, de réfrigération, pompes à chaleur) sont essentiels pour la transition énergétique car ils ouvrent des perspectives d’amélioration de l’efficacité énergétique et de décentralisation (adaptation aux sources énergétiques locales). Il n’existe pas de cycle optimal universel ; l’optimalité dépend d’un cahier des charges précis définissant les objectifs à atteindre et les contraintes du problème.

Problématique :
Les approches heuristiques traditionnelles des experts ne permettent pas d’explorer des configurations non-intuitives de procédés qui sont souvent plus performantes que les structures classiques. L’optimisation de superstructure, qui utilise une architecture prédéfinie avec de nombreuses opérations unitaires et chemins possibles, offre une alternative pour identifier les structures non intuitives de procédés. Cependant, cette méthode est limitée par le biais inductif de la superstructure prédéfinie.

Innovation :
L’augmentation des capacités de calcul et les avancées en science des données ont popularisé de nouveaux algorithmes pour la génération automatique de procédés. Les approches génératives, utilisant des algorithmes d’apprentissage profond, peuvent générer de nouvelles structures de procédés, dépassant les techniques d’optimisation conventionnelles.

Objectifs du projet :
Développer des outils performants pour la synthèse de cycles thermodynamiques innovants. Le projet combine une étude méthodologique et une application pratique pour exploiter le potentiel du deep learning dans la synthèse de procédés. En particulier, nous souhaitons, d’une part, développer des bases de connaissances de procédés pour alimenter les méthodes génératives et d’autre part, développer un outil de détermination de la structure optimale de tout type de cycle thermodynamique par optimisation d’une superstructure générée automatiquement par une approche de type deep learning.