Accueil ▪
QUANTASTIC – Mécanique quantique pour la prédiction et intelligence artificielle pour détection et l’atténuation précoce des emballements thermiques
Mis à jour le : 15/09/2025
Nom complet : Mécanique quantique pour la prédiction et intelligence artificielle pour détection et l’atténuation précoce des emballements thermiques
Financeur : ANR
Montant du financement : 286 247 euro
Période de réalisation :
Laboratoire : GREAH
Responsable scientifique : Thanh Phong TRAN
Durée du projet : 48 mois
Descriptif du projet : Le risque d’emballement thermique reste un enjeu majeur dans l’industrie chimique, représentant près de 25 % des accidents. Le projet QUANTASTIC vise à développer des modèles cinétiques multifactoriels pour identifier les risques et optimiser les processus chimiques. Il innovera dans la détection précoce en combinant les signaux de température avec des indicateurs comme la pression, en utilisant l’intelligence artificielle (IA) pour un meilleur suivi. De plus, le projet se concentrera sur l’optimisation des processus exothermiques par des modèles de substitution et des tests en laboratoire, intégrant des agents pour contrôler les emballements thermiques. Les processus de valorisation de la biomasse sont sujets à ces risques, tout comme ceux à base de pétrole. Le furfural, une molécule clé dans les bioraffineries, présente des risques significatifs en raison de ses réactions exothermiques. En se concentrant sur la valorisation du furfural, QUANTASTIC traitera des réactions à haut risque produisant des produits chimiques précieux comme l’acide maléique et le 2-méthyl THF. Les évaluations des risques thermiques reposent souvent sur des modèles simplistes qui ignorent des facteurs critiques comme l’évolution de la pression. QUANTASTIC développera des modèles cinétiques plus précis en tenant compte de ces complexités. Le projet utilisera le calcul quantique pour étudier la stabilité thermique et les voies de décomposition. QUANTASTIC vise à améliorer la détection et le diagnostic grâce à l’IA et à l’apprentissage automatique, permettant des mesures de sécurité plus efficaces et explorant des stratégies d’atténuation innovantes comme les matériaux à changement de phase (PCM).
