Réglage de la sélectivité de la synthèse Fischer-Tropsch : aperçu de la modélisation microcinétique et de l'apprentissage automatique

Striving towards a circular economy has led to the re-investigation of many existing processes, with the target of developing more sustainable variants. In our present economy, plastics form an important and omnipresent material affecting our daily lives. They are inexpensive, durable, corrosion resistant, and light weight leading to their use in a wide variety of applications.Within the plastic chemical recycling scheme, Fischer-Tropsch synthesis (FTS) could play a key role as the syngas feedstock that is converted in it, can be generated via the gasification of the considered plastics. This syngas is then chemo-catalytically converted into hydrocarbons such as paraffins and light olefins. Typical FTS catalysts are based on supported cobalt or iron species.Among the mechanistic kinetic models, the comprehensive variant based on the Single Event MicroKinetics (SEMK) concept has been widely applied in the field of oligomerization, autoxidative curing, etc. and has proven to be a versatile tool to simulate Fischer-Tropsch synthesis. However, developing mechanistic models for every chemical engineering challenge is not always feasible due to their complexity and the in-depth knowledge required to build such models.A detailed evaluation on the potential of using machine learning approaches to match the performance of results obtained using the Single-Event MicroKinetic model was carried out. Initially, the focus was on a single dominant output scenario (methane selective catalyst). The current work thus shows that more widely applied techniques in data science can now be applied for systematic analysis and interpretation of kinetic data. Similar analysis using experimental data can also help experimenters in their preliminary analysis, to detect hidden trends in the data, and thus to identify importance features. After gaining confidence on the investigated interpretation techniques, for the FTS reaction with single dominant output, a similar investigation on the potential of iron based catalysts with enhanced light olefin selectivity is carried out next.En vue de promouvoir l’économie circulaire, de nombreux procédés chimiques sont actuellement réexaminés afin de développer des variantes plus durables. Cela a mené à une forte augmentation de production au cours des 60 dernières années, entraînant une production totale de 367 millions de tonnes en 2020.La méthodologie a ensuite été généralisée à l’aide d’apprentissage automatique non supervisé, ce qui a permis de dépasser les trois dimensions et de réduire le besoin d’intervention humaine. L’espace des descripteurs généré à partir de données microcinétiques (catalyseurs virtuels) est exploré en utilisant la méthode systématique du regroupement (clustering) et du classement (labelling) non supervisés. L’espace de la performance du catalyseur est regroupé en clusters et le nombre minimale de clusters est identifié. Chaque catalyseur virtuel (représenté par une certaine combinaison de descripteurs) est identifié du point de vue du cluster auquel il appartient. Il est ainsi possible d’obtenir l’étendue des valeurs des descripteurs dans le cluster ayant le meilleur rendement d’alcènes légers. Il est observé que les valeurs obtenues sont conformes à celles du catalyseur virtuel optimal identifié dans l’inspection visuelle précédente. On peut donc conclure qu’une méthode combinant la microcinétique et l’apprentissage automatique a été présentée pour le développement des catalyseurs et pour l’investigation détaillée de leurs propriétés, tout en diminuant le besoin d’intervention humaine.Finalement, la méthode d’apprentissage automatique a été étendue dans l’intention de pouvoir réaliser des prédictions de plusieurs sélectivités en se concentrant sur la production des alcènes légers à différentes conditions opérationnelles. Afin d’atteindre cet objectif, 4 modèles d’apprentissage automatique alternatifs ont été employés, i.e. la méthode lasso (lasso regression), la méthode des k plus proches voisins (k nearest neighbor regression ou KNN), la méthode de la machine à vecteurs de support (support vector machine regression ou SVR) et le réseau de neurones artificiels (Artificial Neural Network ou ANN). Les capacités de ces techniques sont évaluées par rapport à la reproduction du comportement linéaire de la conversion et la sélectivité en fonction des variables du procédé comme cela a été simulé par le modèle SEMK. Il est constaté que les modèles à base d’un réseau de neurones artificiels correspondent le plus aux résultats de référence du modèle SEMK. Une analyse supplémentaire utilisant la technique d’interprétation de la valeur SHAP a été appliquée aux modèles à base d’un réseau de neurones artificiels ayant la meilleure performance, en vue de mieux expliquer le fonctionnement des modèles.L’ensemble de l’étude a rapporté des connaissances essentielles, telles que les descripteurs de catalyseur optimales : les enthalpies de chimisorption atomique de l’hydrogène (QH ≈ 234 kJ/mol), du carbone (QC ≈ 622 kJ/mol) et de l’oxygène (QO ≈ 575 kJ/mol), pour la conception de catalyseurs ayant une sélectivité en alcènes légers élevée en utilisant un modèle SEMK mécaniste. De plus, l’étendue des conditions opérationnelles menant à la meilleure sélectivité en alcènes légers a été déterminée en adoptant plusieurs stratégies de modélisation (le concept des SEMK et l’apprentissage automatique). Il a été constaté que les effets de la température (580-620K) et la pression (1-2 bar) étaient les plus importants. Ensuite, une investigation est réalisée dans le but d’évaluer à quel point les résultats des modèles d’apprentissage automatique correspondent à ceux du modèle SEMK. Par exemple, une analyse préliminaire a pu être réalisée en utilisant un modèle d’apprentissage automatique pour l’analyse des données obtenues à l’aide d’expérimentation à haut débit. Ensuite, le modèle mécaniste a permis d’acquérir une compréhension chimique approfondi