CENTRALE LYON - Doctorat Modélisation prédictive de matériaux polymères recyclés par inférence statistique et apprentissage machine hybride.

Contexte

Le projet MIAM, soutenu par l’Institut Carnot Ingé[nierie@Lyon](mailto:nierie@Lyon), propose une thèse de doctorat de 36 mois au sein du Laboratoire de Tribologie et Dynamique des Systèmes (LTDS UMR CNRS 5513, Ecole Centrale de Lyon, Ecully, France). Ce travail de recherche s’inscrit dans une collaboration étroite entre les équipes DySCo du LTDS et les laboratoires partenaires comme le LAMCOS (INSA de Lyon) et du Centre Technique Industriel (CTI) de la Plasturgie et des Composites français (IPC). L’objectif scientifique est de lever les verrous liés à la variabilité des matières plastiques recyclées en développant des stratégies d’apprentissage machine et d’inférence statistique capables de garantir une qualité de 1 production stable malgré l’hétérogénéité des gisements de matériaux.

Le cœur des travaux portera sur le développement d’une structure d’apprentissage originale permettant de fusionner des données expérimentales réelles avec des données synthétiques issues de simulations numériques. Le candidat devra concevoir des modèles prédictifs robustes, souvent qualifiés de jumeaux numériques, pour assurer un pilotage des procédés en temps réel. Cette approche vise à réduire drastiquement les délais de mise en œuvre de nouveaux matériaux innovants tout en maintenant une fidélité physique stricte, assurant ainsi que les modèles ne soient pas de simples corrélations statistiques mais reflètent la réalité mécanique.

Cas d’étude

Le cas d’application principal retenu pour cette recherche est le développement d’un capteur virtuel appliqué à la rhéologie au sein des lignes de transformation de l’IPC. En instrumentant les étapes de mélange et d’injection, le doctorant cherchera à prédire les propriétés finales de la matière, telles que la viscosité et le comportement des granulés, en fonction des réglages machines. Ce cas offre un terrain d’étude idéal pour tester la résilience des algorithmes face à des conditions de production changeantes.