Le dépistage par IA pour rendre les carburants de transport plus verts
Les scientifiques de KAUST utilisent des modèles d’intelligence artificielle et d’apprentissage automatique pour concevoir des carburants plus efficaces avec moins d’émissions de dioxyde de carbone. Crédit : Shutterstock
Une approche de conception de mélange inverse basée sur l’apprentissage automatique peut apprendre aux ordinateurs à créer des mélanges à partir d’un ensemble de propriétés cibles. Développé par KAUST, cela pourrait aider à trouver des carburants de transport performants qui brûlent efficacement tout en libérant peu de dioxyde de carbone (CO2) dans l’atmosphère.
Les émissions de gaz à effet de serre sont les principaux contributeurs à la hausse des températures mondiales. Une grande proportion de CO2 les émissions proviennent de la combustion d’hydrocarbures, tels que l’essence, qui alimentent la plupart des moteurs automobiles. Une solution prometteuse à ces problèmes environnementaux consiste à concevoir des carburants de transport qui offrent une efficacité accrue et des émissions de carbone réduites.
Il existe plusieurs méthodes développées pour le criblage du carburant, mais elles ne sont généralement validées que sur des mélanges plus petits, ou nécessitent un prétraitement supplémentaire, ce qui rend ces configurations inadaptées à la conception de carburant inverse. « Le principal goulot d’étranglement est le criblage de mélanges complexes contenant des centaines de composants pour prédire les effets synergiques et antagonistes des espèces sur les propriétés du mélange résultant », explique le premier auteur Nursulu Kuzhagaliyeva, titulaire d’un doctorat. étudiant dans le groupe de recherche de Mani Sarathy.
Kuzhagaliyeva, Sarathy et leurs collègues ont construit un modèle d’apprentissage en profondeur – comprenant plusieurs réseaux plus petits dédiés à des tâches spécifiques – pour filtrer efficacement les carburants. « Ce problème convenait parfaitement à l’apprentissage en profondeur qui permet de capturer les interactions non linéaires entre les espèces », explique Kuzhagaliyeva. Dans l’approche de conception inverse, les chercheurs ont d’abord défini les propriétés liées à la combustion, telles que la qualité d’allumage du carburant et la propension à la formation de suie, puis ont déterminé les carburants potentiels en fonction de ces propriétés.
Les données expérimentales accessibles au public sont rares. Par conséquent, les chercheurs ont construit une vaste base de données en utilisant des mesures expérimentales de la littérature pour former le modèle. La base de données comprenait différents types de composés purs, des mélanges de carburant de substitution et des mélanges complexes, comme l’essence.
Il n’y avait pas de modèle adaptable à la conception de carburant inverse, les chercheurs ont donc dû intégrer des représentations vectorielles dans le modèle, explique Kuzhagaliyeva. Inspirés par les techniques de traitement de texte qui relient les mots aux phrases à l’aide de vecteurs cachés, ils ont introduit un opérateur de mélange qui relie directement les représentations cachées de composés purs et de mélanges par des combinaisons linéaires. Ils ont également ajouté des algorithmes de recherche pour détecter les mélanges de carburant qui correspondent aux propriétés prédéfinies dans un espace chimique.
Le modèle a prédit avec précision la qualité d’allumage du carburant et la propension à la formation de suie de diverses molécules et mélanges. Elle a également identifié plusieurs mélanges de carburants répondant aux critères prédéfinis.
L’équipe améliore maintenant la précision du modèle en étendant la base de données de propriétés à d’autres critères, tels que la volatilité, la viscosité et la formation de polluants. L’outil est perfectionné pour formuler des carburants électroniques à essence et des carburants synthétiques pour l’aviation. « Nous développons également une plate-forme basée sur le cloud pour permettre à d’autres d’utiliser l’outil », explique Kuzhagaliyeva.
