La production durable de molécules nécessaires à notre économie (comme les hydrocarbures) a été identifiée par l’IEA comme clef pour décarboner nos émissions dans le scénario Net Zéro en 2050.
Parmi ces composés, les carburants solaires sont obtenus à partir d’énergie solaire, d’eau et de CO2.
Actuellement, ces technologies sont peu matures (TRL 1 à 4 typiquement), et les développements se situent surtout au niveau du composant. L’enjeu est d’accélérer le déploiement de ces nouvelles
technologies en évaluant leur comportement au sein d’une chaîne complète de conversion et en environnement réel simulé.
Pour ce faire, nous proposons de développer une instrumentation multi-composants et l’architecture numérique associée, pour l’étude de chaînes de conversion depuis la collecte des photons jusqu’aux
molécules d’intérêt. Cette instrumentation, unique en son genre, sera développée à partir d’un banc existant.

L’instrumentation sera composée de trois émulateurs couplés, pour recréer des conditions représentatives d’un environnement réel, ainsi que de capteurs physiques, chimiques, et d’une structure de pilotage et de collecte des données. A terme, cet ensemble sera une plateforme instrumentale permettant de recueillir le comportement de composants intégrés en système, d’en extraire des méta-modèles, et de créer ainsi une bibliothèque de nouveaux concepts pour les carburants solaires.

Missions principales :

Le travail s’articulera en trois phases :

 Conception du pilotage et des émulateurs (solaire, électrique, gaz) et définition de la nature, structure des données et gamme des paramètres explorés, avec la méthodologie de collecte associée. Identification de scénarios d’émulation ;

 Intégration de l'instrumentation au sein du banc existant, validation de la fonctionnalité des éléments ;

 Qualification de la chaîne de mesure via un plan d’expériences menées avec des composants de référence définis par les experts de l’équipe, et premières analyses des données (variabilité, bruits ou perturbations). Cette validation est cruciale pour pouvoir ultérieurement mettre en oeuvre des méthodes d’apprentissage statistique.