Vers une modélisation à toutes les échelles

Modéliser les solides poreux, c’est à la fois prédire de manière théorique leurs propriétés physico-chimiques, les comprendre et construire de nouvelles structures.

En rassemblant une communauté de modélisateurs d’Île-de-France, avec des spécialités différentes, Respore met en commun leur savoir-faire pour comprendre et prédire les propriétés des matrices poreuses. Cela permettra de guider le développement de nouvelles architectures et procédés, via la combinaison de techniques de modélisation existantes et le développement de nouvelles approches.

Pour que la modélisation soit optimale, il faut combiner des approches à différentes échelles, du microscopique au macroscopique. Chaque modélisation spécifique à une échelle de temps et d’espace restreinte permet uniquement de comprendre l’impact d’un phénomène à cette échelle sur certaines propriétés.

Mais la modélisation multi-échelle  doit aussi tenir compte de la complexité du système réel dans son environnement (sollicitations thermiques, chimiques, mécaniques, etc) : au sein des pores (interactions espèces hôte-matrice, fluides confinés, diffusion, propriétés électroniques), aux interfaces (rôle prépondérant dans les matériaux composites) ou à longue distance. Il est nécessaire de combiner des propriétés électroniques, photophysiques et photochimiques, mécaniques et thermodynamiques. Et ceci à la fois sur des phases pures mais également sur des systèmes hétérogènes : interfaces solide/fluide, matériaux hétérogènes/composites (structures cristallines ou amorphes et multivariées/multifonctionnelles).

Développer une  base de données numérique de matériaux réels ou hypothétiques sera également un atout de taille. Ce « génome des matériaux » permettra d’identifier rapidement les structures aux propriétés désirées parmi un grand nombre de candidates.

Une première approche consiste à développer, valider, et utiliser des descripteurs simples présentant de bonnes corrélations avec les propriétés physiques, chimiques, texturales… désirées. Une autre approche, purement combinatoire, basée sur le criblage, pourra également être complétée par des méthodes d’apprentissages automatiques (machine learning) ou d’apprentissages profonds (deep learning). Ces méthodes ne nécessitent pas la définition préalable de descripteurs adéquats et exploitent l’intégralité des données brutes produites par les méthodes computationnelles.