Description

  Sujet de thèse

Les bétons biosourcés associent un liant minéral à des granulats végétaux tels que la chènevotte de chanvre, les anas de lin ou les particules de bois. Ils sont de plus en plus reconnus comme des matériaux stratégiques pour la décarbonation du secteur du bâtiment. Leur capacité naturelle de régulation hygrothermique, leur faible énergie grise et leur aptitude à stocker du carbone biogénique répondent directement aux objectifs de la RE2020 et de la Stratégie Nationale Bas-Carbone. Malgré un intérêt scientifique et industriel croissant, un verrou majeur subsiste : le séchage post-fabrication est lent, énergivore et mal maîtrisé.

Les granulats végétaux, fortement poreux et hydrophiles, interagissent de manière complexe avec le liant au cours de l’hydratation. Les conditions ambiantes de séchage (température, humidité relative, durée et ventilation) influencent directement la cinétique d’hydratation du liant et la microstructure du composite, et gouvernent par conséquent les propriétés hygrothermiques finales du matériau durci [1,2]. Cette dépendance a été partiellement documentée dans la littérature [3–5], mais les données existantes demeurent dispersées, obtenues selon des protocoles hétérogènes et rarement compilées dans un cadre unifié. À notre connaissance, il n’existe aujourd’hui aucune approche systématique et prédictive reliant les conditions de séchage, la formulation et les performances hygrothermiques mesurées. Le projet BBC-DROP s’attaque directement à ce manque et vise à développer une approche d’optimisation assistée par IA des protocoles de séchage des bétons biosourcés. Il combine trois leviers

méthodologiques : (i) la modélisation prédictive par des modèles d’IA, (ii) l’optimisation multi-objectif et (iii) le développement et la validation expérimentale.

BBC-DROP est structuré autour de quatre axes complémentaires et progressifs, tous réalisables dans le cadre d’une thèse de 3 ans (voir Fig.1).

Axe 1 : Constitution de la base de données et enrichissement expérimental

La première étape de cet axe consiste en une revue systématique et critique de la littérature sur les propriétés des bétons biosourcés. La revue se concentre sur l’influence de la formulation et des conditions de séchage sur les performances mécaniques et hygrothermiques. Les données extraites des publications couvrent la masse volumique, la résistance à la compression, la porosité, la conductivité thermique, la chaleur spécifique, la perméabilité à la vapeur, les isothermes de sorption et l’absorption capillaire. Elles sont structurées et harmonisées dans une base de données centralisée, qui constitue le fondement principal pour l’entraînement des modèles IA. Dans un second temps, des campagnes expérimentales ciblées sont menées au CEREMA sous la supervision de l’équipe encadrante, spécialiste dans le comportement des matériaux biosourcés. Ces campagnes ciblent spécifiquement les configurations sous-représentées ou absentes dans la littérature. Des éprouvettes de bétons de chanvre et de lin sont soumises à des protocoles de séchage contrôlés en enceintes climatiques. Les conditions varient en température (20°C à 60°C), humidité relative (30 % à 80 %) et durée (7 à 90 jours). La base est ainsi enrichie avec des données originales de haute qualité couvrant un domaine large et représentatif.

Axe 2 : Modélisation prédictive basée sur l’IA

Des modèles d’apprentissage automatique sont entraînés sur la base consolidée pour prédire les propriétés hygrothermiques. Les entrées sont les paramètres de formulation (propriétés de granulats végétaux, propriétés de liants, propriétés de mélange) et les conditions de séchage (Température, Humidité relative, durée de ventilation). Les sorties sont les propriétés mécaniques et hygrothermiques résultantes (Résistance à la compression, conductivité thermique, perméabilité à la vapeur, porosité…). Les algorithmes envisagés incluent les réseaux de neurones, le gradient boosting ou encore des modèles couplés. L’utilisation des techniques de Transfer Learning est aussi envisageable à cette étape du projet afin de pallier le potentiel manque de data. Une attention particulière est portée à l’interprétabilité des modèles via les valeurs SHAP et les analyses de sensibilité. Ces outils identifient les variables les plus influentes et apportent un éclairage physique sur les tendances observées.

Axe 3 : Optimisation multi-objectif

Les modèles IA validés servent de fonctions-objectif dans un cadre d’optimisation multi-objectif en utilisant l’algorithme NSGA-II. Pour un ensemble donné de cibles de propriétés mécaniques et hygrothermiques, l’algorithme identifie les combinaisons optimales de protocole de séchage et de formulation. Le résultat est un ensemble de fronts de Pareto reliant conditions de séchage, formulation et performances. Ces cartographies sont directement utilisables comme outils d’aide à la décision dans le cadre des travaux menés par les équipes du CEREMA sur les bétons biosourcés.

Axe 4 : Validation expérimentale des configurations optimisées (CEREMA Strasbourg).

Les configurations identifiées comme optimales à l’issue de l’Axe 3 sont fabriquées, séchées selon les protocoles optimaux et caractérisées au sein CEREMA Strasbourg. Une campagne expérimentale visant à caractériser ces bétons, fabriqués et séchés en conditions contrôlées, est envisagée au cours de cette phase du projet. Après séchage, la caractérisation des bétons fabriqués porte sur propriétés mécaniques et hygrothermiques ainsi que microstructurales. Les résultats obtenus à l’issue de la campagne de caractérisation seront ensuite confrontés aux prédictions des modèles et aux cibles de performances initialement définies. Cette étape vise donc à évaluer la fiabilité et la capacité de généralisation de la démarche d’optimisation développée. La boucle de fermeture entre optimisation numérique et confirmation expérimentale est un élément clé et distinctif du projet BBC-DROP.

 

Programme de travail

Le programme de travail de BBC-DROP se déroule sur 36 mois et s’organise en six lots progressifs et interdépendants.

Votre Recrutement

Ses Modalités : sur dossier et entretien

Votre candidature devra impérativement comporter :

• Un Curriculum-Vitae détaillé ;
• Une lettre de motivation explicitant ses motivations à poursuivre une thèse de doctorat ;
• Les résultats post-bac et les bulletins de notes correspondants ;
• Les éventuelles lettres de recommandation ;
• Toute autre pièce que vous jugerez utile.

Les candidatures seront traitées selon leur ordre d’arrivée, aussi cette offre de thèse expiréera dès lors qu’un candidat aura été sélectionné.

Organisation

Laboratoires :

• CESI LINEACT Strasbourg : https://lineact.cesi.fr/
• CEREMA Strasbourg : https://www.cerema.fr/fr/cerema/directions/est/site-strasbourg

Date de début :

Octobre 2026

Durée :

36 mois

Encadrement :

Djaoued Beladjine, Dr. HDR, Enseignant-chercheur associé, CESI LINEACT (Directeur de thèse).

Etienne Gourlay, Dr., Chargé de Recherche, CEREMA Strasbourg. (Co-encadrant).

Mazhar Hussain, Dr., Enseignant-Chercheur, CESI LINEACT Strasbourg. (Co-encadrant).

 

Compétences requises

Diplôme de Master en Génie Civil, Science des Matériaux, Physique du bâtiment, Informatique ou domaine connexe. Connaissances en formulation et caractérisation des matériaux de construction, idéalement biosourcés ou cimentaires. Notions en physique du bâtiment et en transferts hygrothermiques. Intérêt pour l'expérimentation, la modélisation numérique, l'analyse de données et l'intelligence artificielle. Compétences en programmation, idéalement en Python ; une expérience en Machine Learning et/ou en optimisation multi-objectif constitue un atout. Capacité à réaliser une synthèse bibliographique, à gérer des données scientifiques, ainsi que d'excellentes capacités de rédaction et de communication en français et en anglais.

Mots clés

Béton biosourcé, Séchage, Propriétés hygrothermiques, Propriétés mécaniques, Machine Learning, Optimisation multi-objectif