Optimisation énergétique des électrolyseurs par l’apprentissage automatique : améliorer l’efficacité de la production d’hydrogène

Ce projet de thèse vise à améliorer l'efficacité énergétique des électrolyseurs alcalins utilisés dans la production d'hydrogène, en utilisant des techniques d'apprentissage automatique et d'analyse de données. La production d’hydrogène est cruciale pour la transition énergétique et la réduction de l'empreinte carbone. Cependant, les électrolyseurs actuels présentent une efficacité énergétique limitée, avec des pertes significatives dues à la demande élevée en énergie et à la chaleur générée lors de la réaction électrochimique.
L'objectif principal de cette thèse est d'identifier et d'optimiser les paramètres critiques du processus d'électrolyse pour maximiser la production d'hydrogène tout en minimisant la consommation d'énergie. Cela inclut l'exploration des températures de fonctionnement optimales, l'amélioration de la composition de l'électrolyte, la conception d'électrodes plus efficaces, et la gestion de la surtension. Pour ce faire, des techniques avancées de machine learning, telles que les réseaux de neurones artificiels et les algorithmes génétiques, seront utilisées pour développer des modèles prédictifs précis. Ces modèles aideront à déterminer les paramètres optimaux de fonctionnement, en prenant en compte les interactions complexes entre les différentes variables du processus.
Des algorithmes d'optimisation, basés sur des techniques d'apprentissage profond, seront également développés pour ajuster en temps réel les conditions de fonctionnement des électrolyseurs. La méthodologie de recherche inclut la collecte de données réelles provenant des électrolyseurs, du réseau électrique, et des conditions météorologiques. Ces données seront transformées et modélisées pour faciliter l'exploration et l'analyse, en utilisant des techniques de data science.
Les résultats attendus de cette recherche permettront non seulement d'améliorer l'efficacité énergétique des électrolyseurs, mais aussi de réduire les coûts de production et l'impact environnemental, tout en rendant la production d'hydrogène plus compétitive et durable. Cette thèse contribuera également à l'avancement des connaissances scientifiques et technologiques dans le domaine de l'optimisation énergétique et de l'apprentissage automatique appliqué à la transition énergétique.