Context : The Institute FEMTO-ST which is the largest CNRS-labeled lab in engineering in France. European leading experimental facilities are provided partially by CNRS FCLAB (https://www.fclab.fr/).
Working Conditions:
The PhD work will be conducted within the framework of EU Horizon project PEMPIRE (PEM Electrolysis: Pusing towards significant Improvements Reaching Extended Performance and Lifetime). The PhD position is also fully funded by the EU grant.

The PhD work will be conducted by collaborating with world leading electrolyzer component manufactures, as well as electrolyzer stack and system integrators. To support degradation model development, both tailored experimental data and in-field data at different scales will be collected for the model development. The adopted approach will enable progressive model refinement throughout the project duration. The developed degradation models will be used to support the design of accelerated degradation test protocols.

Applicants’ Profile:
Candidates should possess expertise in the characterization, modeling, and analysis of physical devices, preferably electrochemical devices (such as fuel cells, batteries, and electrolyzers). Experience in hydrogen fuel cell or electrolyzer system design, automation, and testing will be a significant advantage. A strong background in data analysis and modeling (e.g. numerical analysis, machine learning techniques) would be appreciated. An ability to work collaboratively in an EU project team setting is essential.

Objectifs

Cette thèse vise à développer une modélisation multiphysique des stacks d’électrolyseurs AEM industriels en s’appuyant sur les bancs d’essai et les données déjà disponibles chez l’entreprise Gen-Hy (essais sur des stacks de plus de 2000hrs de fonctionnement par essai). Des modèles CFD (Computational Fluid Dynamics) et des modèles multi-échelles (cellule / stack) seront construits et validés, puis utilisés pour optimiser la conception des plaques bipolaires et des collecteurs. 

L’objectif est de proposer un stack d’électrolyseurs AEM optimal assurant des domaines de fonctionnement sûrs et efficaces eu égard aux critères de l’industrialisation. Ainsi, ce travail de recherche consistera tout d’abord à caractériser et à quantifier, en régimes stationnaire et dynamique, la distribution des flux liquide–gaz, des champs de pression et de température au sein des plaques bipolaires et des collecteurs, en s’appuyant sur des données expérimentales existantes. 

Sur cette base, un modèle multiphysique couplé, intégrant les phénomènes fluidiques, le transport d’espèces les échanges thermiques ainsi qu’un comportement électrochimique simplifié, sera développé aux échelles cellule et stack, puis calibré et validé expérimentalement. Ce cadre de modélisation servira ensuite à explorer et à proposer des architectures optimales, adaptées à des régimes de fonctionnement exigeants tels que les fortes densités de courant, le fonctionnement à cathode sèche et sous haute pression (30 bars), tout en minimisant les pertes de charge et les risques de déséquilibres hydriques et d’assèchement des membranes. Enfin, l’ensemble de ces travaux débouchera sur la construction d’un prototype d’électrolyseur AEM optimisé.

Objectifs scientifiques 

La thèse vise à développer une chaîne complète PHM pour des stacks AEM, depuis la définition d’indicateurs de santé jusqu’à la prédiction de durée de vie par modèles hybrides physiques–IA : 

1. Définir des indicateurs de santé (HIs) robustes et interprétables à partir de grandeurs mesurées au niveau stack (tension cellule par cellule, pressions, températures, EIS, conductivité), sensibles aux principaux mécanismes de dégradation : perte d’activité électrocatalytique, dégradation de la membrane, corrosion des plaques et collecteurs, contamination par impuretés. 

2. Relier conditions locales et vieillissement : établir des liens entre l’hétérogénéité des écoulements et des conditions locales (température, pression, fraction de gaz, impuretés, tension de cellule, densité de courant), telle qu’inférée à partir des diagnostics avancés (EIS/DRT) et, le cas échéant, de modèles multiphysiques existants, et les trajectoires de vieillissement observées au niveau stack. 

3. Construire des modèles prédictifs de dégradation en combinant des modèles physiques simplifiés (lois de vieillissement paramétrées par l’historique de courant, de température, de pression, etc.) et des modèles d’intelligence artificielle pour séries temporelles (apprentissage automatique et deep learning, par exemple réseaux récurrents ou architectures de type Transformers), afin de prédire l’évolution des indicateurs de santé et des performances. 

4. Proposer des stratégies de diagnostic en ligne et de prognostic (estimation d’état de santé, durée de vie restante) intégrables dans les systèmes de supervision de GEN-HY, en tenant compte des contraintes de capteurs et de calcul.

Profil recherché
• Diplôme d’ingénieur ou Master 2 en automatique ou génie électrique (un profil data science / mathématiques appliquées avec forte motivation pour l’énergie pourra également être considéré).
• Bonne maîtrise des outils d’analyse de données et de modélisation (Python, Matlab ou équivalent) ; une expérience en intelligence artificielle / deep learning est un plus.
• Intérêt marqué pour les systèmes énergétiques, l’hydrogène et les procédés électrochimiques.
• Goût pour le travail à la frontière entre expérimentation, traitement du signal, analyse de données et modélisation/algorithmique.
• Capacité à travailler dans un environnement pluridisciplinaire académique–industriel et à communiquer en français et en anglais (écrit et oral).