A l'intérieur des matériaux poreux, les phénomènes physico-chimiques tels que le transport de matière, les réactions catalytiques et les effets capillaires sont fortement influencés par la géométrie des réseaux de pores, c’est-à-dire le degré de porosité, la distribution de taille des pores et leur connectivité. Ces caractéristiques sont habituellement obtenues via des modèles macroscopiques appliqués à des résultats expérimentaux de caractérisation. Par ailleurs, une estimation fiable de ces propriétés à une échelle plus fine peut provenir d’approches, dites microscopiques, par mécanique statistique.
IFPEN et Saint Gobain Research Provence ont choisi d’appréhender ce problème de manière différente, en explorant une nouvelle voie numérique. Celle-ci couple directement la modélisation numérique réaliste des microstructures avec la simulation d’un phénomène qui y prend place : la physisorption.
La démarche suivie dans ce travail a reposé sur trois piliers :
- des modèles aléatoires pour représenter de manière réaliste des microstructures complexes ;
- la morphologie mathématique pour reproduire les différents processus physiques de la physisorption [1] ;
- et l’apprentissage profond pour accélérer les résultats de simulation [2].
La nouvelle approche consistant à reproduire artificiellement les phénomènes physiques par des opérateurs de morphologie mathématique ouvre la voie à des simulations de physisorption dont les résultats sont directement comparables à des résultats expérimentaux. Le calcul de ces opérations peut être estimé par apprentissage profond, à l'aide de réseaux de neurones convolutifs, ce qui a pour effet une réduction considérable du temps de calcul.
Cette méthodologie originale a été appliquée avec succès à des structures ordonnées tels que les alumines SBA-15 et KIT-5, conduisant à des isothermes numériques proches des isothermes expérimentales (figure). Des résultats comparables ont été obtenus pour des alumines plus complexes, dotées d’une porosité multi-échelles contrôlée, et qui ont été synthétisées spécialement pour ce travail [3].
Elargir la démarche à d’autres techniques expérimentales de caractérisation de matériaux poreux s’annonce comme la perspective immédiate dans la poursuite de ce travail avec, comme cible ultime, des matériaux innovants directement conçus à partir des propriétés d’usage visées.
Références :
- Hammoumi A., Moreaud M., Jeulin D., Jolimaitre E., Chevalier T., Sorbier L., Klotz M., Novikov A., A novel physisorption model based on mathematical morphology operators preserving exact pore morphology and connectivity, Microporous and Mesoporous Materials, (2022).
>> https://doi.org/10.1016/j.micromeso.2022.111847
- Hammoumi A., Moreaud M., Jolimaitre E., Chevalier T., Klotz M., Novikov A. Accelerating a Morphology-Preserving Adsorption Model by Deep Learning, 2022 IEEE International Conference on Image Processing (ICIP), (2022).
>> https://doi.org/10.1109/ICIP46576.2022.9897406
- Hammoumi A., Analysis-Driven Design of Digital Multi-scale Microstructures of Materials. PhD thesis, Université Paris-Saclay, (2022).
>> https://www.theses.fr/2022UPASG083Contacts scientifiques : adam.hammoumi@ifpen.fr ; Maxime Moreaud