Outils statistiques pour interpréter les signaux de décomposition thermique d'échantillons de biomasse : application à la valorisation agronomique des sols

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Outils statistiques pour interpréter les signaux de décomposition thermique d’échantillons de biomasse : application à la valorisation agronomique des sols

L’analyse thermique Rock-Eval® (RE) a montré depuis plusieurs décennies sa capacité d’adaptation à de nombreuses applications en vue de la caractérisation quantitative et qualitative du carbone.

Dans le domaine des sciences du sol, le nombre grandissant de publications de ces dernières années confirme le potentiel de cette méthode rapide et sans pré-traitement pour étudier et suivre l’évolution du carbone du sol.

Récemment, dans le contexte de triple enjeux alimentaire, environnemental et climatique au cœur des stratégies discutées à la commission européenne, l’utilisation de produits dérivés de la biomasse devient une solution d’avenir où la méthode RE prouve aussi sa capacité à caractériser leurs pools de carbone (labile et stable) et à renseigner sur leur intérêt agronomique (amendement ou stockage du carbone).

Le principe de la méthode Rock-Eval® repose sur une première pyrolyse sous gaz inerte (N₂) et une seconde en conditions oxydantes (Air) sous l’action de différents cycles de température (entre 150 et 1000°C approximativement). Les effluents libérés en continu en fonction de la température au cours des 2 étapes sont détectés par : un détecteur FID pour les hydrocarbures (HC), un détecteur IR CO₂ et CO pendant la pyrolyse sous azote et un détecteur IR CO₂ et CO pendant la pyrolyse sous air.

Ainsi sont obtenus cinq profils de signaux analogiques en fonction du temps et de la température, et pouvant être convertis en quantité pour calculer les différents descripteurs RE. Cependant, l’interprétation de ces signaux est à la fois complexe et fastidieuse.

L’objectif du stage est d’apporter des solutions numériques pour faciliter et accélérer l’interprétation des nombreuses données RE temporelles (5 signaux par échantillon). Ces solutions pourront s’appuyer sur des techniques avancées en traitement du signal et en apprentissage statistique (Machine Learning). Il s’agit de créer une base de données RE sur des produits variés dérivés de la biomasse, puis d’extraire de manière automatique les informations pertinentes des signaux RE afin de les associer aux propriétés de ces produits.

Missions :

Pour répondre à l’objectif, ce stage reposera sur les éléments suivants.

• Une base de données de fichiers bruts d’analyse Rock-Eval® (RE) contenant des données temporelles et en température associées à des valeurs d’intensité de différents signaux (FID, CO2 et CO) obtenus pour un grand nombre d’échantillons issus de biomasse.
• Un tableau contenant les paramètres calculés (TOC, MinC, HI, OI, I, R) à partir des différents signaux permettant de proposer un cadre interprétatif des données.
• Pour certains des échantillons, une base de données de paramètres agronomiques (par exemple : ISMO et composition biogéochimique de la matière organique).

A l’aide de techniques de traitement du signal et de Machine Learning, le but est de proposer des algorithmes capables de traiter ces thermogrammes dans leur ensemble (5 par analyse RE) et de les classer par propriétés, par exemple par type d’échantillons, intérêt agronomique (amendement, stockage du carbone), ou pools de carbone (labile et stable).

Connaissances exigées :

• Aisance en mathématiques (analyse réelle et complexe, algèbre linéaire, probabilités).
• Bases solides en traitement du signal et en statistiques, notamment en Machine Learning.
• Fortes compétences en programmation orientée objet (Python ou C++).
• Fort intérêt pour les sciences du sol ou l’agronomie.
• Capacité à s’épanouir dans un contexte de R&D : curiosité, autonomie, prise d’initiatives.

Mots clefs : Traitement du signal, Machine Learning, Rock-Eval, thermogrammes, descripteurs RE.