Etude de la fragilisation et de la fatigue thermique d'aciers inoxydables
Afin d’étudier le comportement des matériaux nucléaires sous sollicitations dynamiques, le CEA Valduc souhaite se doter d’un nouveau moyen intégré en boîte à gants. Dans cet objectif, une collaboration avec le CEA GRAMAT et un industriel spécialiste du domaine a été mise en place. Lors des expériences conduites avec ce moyen, certains constituants sont soumis à des températures très élevées se présence d'hydrogène gazeux pendant des temps très brefs.
Dans un premier temps, différentes nuances d'aciers austénitiques ont été testées dans ces conditions pénalisantes et un prototype a été commandé et réceptionné sur le site de l'industriel.
L'étude comporte trois objectifs. Le premier réside dans l'acquisition de nouvelles données expérimentales mécaniques et microstructurales à l'échelle micrométrique à partir des lots d'aciers précédemment exposés, tandis que le second concerne l'analyse microstructurale de la fatigue thermique. Enfin, le troisième et dernier objectif est l'intégration de ces nouvelles données dans un outil numérique de simulation d'évolution microstructurale visant à reproduire l'effet global du vieillissement, en cycle thermique et de pression en couplant par exemple des codes de type CALPHAD et l'utilisation de codes multiphysiques de type COMSOL.
Les travaux se dérouleront suivant les trois volets menés en parallèle. Il sera également demandé au(à la) post-doctorant(e) en charge de cette étude de :
- participer à la mise en place et au suivi de collaborations avec des acteurs reconnus dans les domaines de la fragilisation, de la fatigue thermique et de l'analyse microstructurale,
- synthétiser et publier, dans la mesure du possible, les résultats obtenus sous formes de différents documents et de publications dans des journaux internationaux ou communications en congrès
Prototypage et caractérisation électrochimique de batteries tout-solide
Titulaire d’un doctorat en électrochimie, science des matériaux, chimie ou génie des procédés, le/la post-doctorant(e) contribuera, en étroite collaboration avec les partenaires du projet, au développement de procédés de fabrication et au prototypage de cellules de batteries tout-solide de 4? génération (Li/NMC riche en Ni) et de 5? génération (Li/Soufre).
Les travaux porteront sur la mise en forme des électrodes et l’assemblage de cellules tout-solide, en s’appuyant sur des procédés tels que l’enduction, l’extrusion, ainsi que des voies alternatives incluant l’impression 3D. Les procédés seront optimisés afin de réaliser des cellules prototypes (pile bouton et format sachet souple), de capacité allant jusqu’à 1 Ah, intégrant des interfaces optimisées. Ces cellules seront ensuite testées électrochimiquement afin d’évaluer leurs performances (capacité spécifique, efficacité coulombique, stabilité au cyclage).
La majorité des travaux expérimentaux sera réalisée en environnement contrôlé (salle anhydre), avec des étapes régulières de caractérisation des électrodes et des cellules développées. Les missions principales seront :
- Contribuer à la définition des plans d’essais à partir des données internes et de l’état de l’art,
- Développer et optimiser les procédés de fabrication d’électrodes et de cellules tout-solide,
- Réaliser et tester des cellules prototypes Gen4b et Gen5,
- Evaluer les performances électrochimiques et analyser les résultats obtenus,
- Mettre en forme et présenter les résultats de manière claire et synthétique,
- Proposer des axes d’amélioration, contribuer au bon fonctionnement du laboratoire, respecter les règles de sécurité et de qualité,
- Valoriser les travaux de recherche par des publications, communications scientifiques et dépôts de brevets.
Interactions Spin-Réseau dans les Simulations ab initio assistées par Apprentissage Automatique
Le domaine scientifique abordé par ce projet postdoctoral se situe à l’intersection de la dynamique moléculaire ab initio, de l’apprentissage automatique et de la caractérisation thermodynamique des matériaux soumis à des conditions extrêmes. Les simulations AIMD traditionnelles constituent un outil puissant pour étudier les propriétés dépendantes de la température et de la pression à partir des premiers principes, mais leur coût computationnel élevé en limite l’utilisation à grande échelle.
En développant et en appliquant des techniques d’échantillonnage assistées par apprentissage automatique (MLACS), ce projet postdoctoral vise à réduire drastiquement la charge de calcul tout en conservant la précision ab initio. Cela permet une exploration efficace des diagrammes de phases et des énergies libres, y compris dans des conditions de pression et de température extrêmes. Cette recherche vise à contribuer à la compréhension et à la modélisation des matériaux, tout en offrant à la communauté scientifique des outils de rupture.
Etude de la THERmodiffusion des Petits Polarons dans UO2
Le sujet est publié sur le site recrutement de CEA à l'adresse suivante :
https://www.emploi.cea.fr/offre-de-emploi/emploi-post-doctorat-etude-en-ab-initio-de-la-thermodiffusion-des-petits-polarons-dans-UO2-h-f_36670.aspx
Impact de la microstructure dans le dioxyde d’uranium sur de l’endommagement balistique et électronique
Lors de l'irradiation en réacteur, les pastilles de combustible subissent des modifications microstructurales. Au-delà de 40 GWd/tU, une structure High Burnup Structure (HBS) apparaît en périphérie, où les grains initiaux (~10 µm) se subdivisent en sous-grains (~0.2 µm). Près du centre, sous haute température, des sous-grains faiblement désorientés se forment. Ces évolutions résultent de la perte d'énergie des produits de fission, générant des défauts tels que dislocations et cavités. Pour étudier l'effet de la taille des grains sur ces dommages, des échantillons de UO2 nanostructurés seront synthétisés au JRC-K par frittage flash. Des irradiations ioniques seront menées à JANNuS-Saclay et GSI, suivies de caractérisations (Raman, MET, MEB-EBSD, DRX). Le postdoctorat se déroulera au JRC-K, CEA Saclay et CEA Cadarache sous encadrement spécialisé.
Développement de cellules Potassium-ion performantes et respectueuses de l'environnement
Les batteries Lithium-ion constituent un système de référence en termes de densité d’énergie et de durée de vie au point de devenir une technologie clé de la transition énergétique notamment en alimentant les voitures électriques. Cependant, cette technologie repose sur une utilisation importante d’éléments peu abondants et sur des procédés de fabrication énergivores.
Dans cette optique, notre équipe développe de nouvelles batteries Potassium-ion présentant des performances élevées et n’utilisant que des éléments abondants et des procédés de fabrication respectueux de l’environnement.
Pour ce projet ambitieux et innovant, le CEA-LITEN (acteur majeur européen dans le domaine de la recherche pour l'énergie) recrute un chercheur post doctoral en chimie des matériaux. L’offre s’adresse à un jeune chercheur talentueux possédant un excellent niveau scientifique et un gout prononcé pour la dissémination de ses résultats au travers de brevets et de publications scientifiques.
Calcul de la conductivité thermique du combustible UO2 et l’influence des défauts d’irradiation
L’étude du comportement sous irradiation du combustible nucléaire fait l’objet de simulations dont les résultats dépendent étroitement de ses propriétés thermiques et de leurs évolutions avec la température et l’irradiation. La conductivité thermique de l’oxyde 100% dense peut à présent être obtenue par dynamique moléculaire à l’échelle du monocristal, en calculant les constantes de forces d’ordre 2, 3 et 4[1], mais l’effet de défauts comme les défauts induits par l’irradiation (boucle d’irradiation, amas de lacunes) voire même des joints de grains (céramique avant irradiation) restent difficiles à évaluer de façon couplée.
L’ambition de ce travail est d’inclure des défauts dans des supercellules et de calculer leur effet sur les constantes de force. En fonction de la taille des défauts considérés nous utiliserons soit la DFT soit un potentiel empirique ou numérique pour effectuer la dynamique moléculaire. AlmaBTE permet de calculer la diffusion des phonons par des défauts ponctuels [2] et le calcul de la diffusion des phonons par les dislocations et leur transmission à une interface ont aussi été récemment implémentés. Ainsi, le chaînage calculs atomistiques / AlmaBTE permettra de déterminer l’effet de la miscrostructure polycristalline et des défauts d’irradiation sur la conductivité thermique. A l’issue de ce post-doc, les propriétés obtenues seront utilisées dans les outils de simulation existants afin d’estimer la conductivité d’un élément de volume (effet additionnel de la microstructure notamment du réseau poreux, méthode FFT), donnée qui sera enfin intégrée dans la simulation du comportement de l’élément combustible sous-irradiation.
Le travail s’effectuera au sein du Département d’Études des Combustibles du CEA, dans un environnement scientifique caractérisé par une grande expertise sur la modélisation des matériaux, en collaboration étroite avec d’autres équipes du CEA à Grenoble et en région parisienne expertes des calculs atomistiques. Les résultats
Dispositifs photoniques IV-IV à déformation pilotable : application à l’émission et la détection de lumière
La déformation de la maille cristalline d’un semi-conducteur est un outil très puissant permettant de contrôler de nombreuses propriétés telles que sa longueur d’onde d’émission, sa mobilité … Un enjeu de premier plan est de pouvoir générer cette déformation dans des gammes importantes (multi%), et de manière réversible et contrôlée. L’amplification locale de la déformation est une technique récente permettant d’accumuler localement dans une constriction micronique, telle qu’un micropont, des quantités significatives de déformation (jusqu’à 4.9% pour Ge [1]). Cette approche a été mise en œuvre dans des architectures de microlasers en GeSn ainsi fortement déformés au sein du laboratoire SiNaPS [2]. Ces structures ne permettent cependant pas aujourd’hui de moduler sur demande la déformation et la longueur d’onde d’émission imposées au sein d’un même composant, celle-ci étant gelée par « design ». L’objectif de ce post doctorat de 18 mois est donc de réaliser des dispositifs photoniques de la famille des MOEMs (microsystèmes opto-électro mécaniques) permettant de combiner l’amplification locale de la déformation dans le semi-conducteur, à une fonction d’actionnement via un stimulus externe, pour aller vers 1-une microsource laser accordable large bande en longueur d’onde et 2-de nouveaux types de photodétecteurs, le tout en technologie IV-IV (Si, Ge, et Ge1-xSnx). Le ou la candidat(e) mènera plusieurs tâches:
a-la simulation du fonctionnement mécanique des composants en utilisant des logiciels de type FEM, et le calcul des états électroniques du semiconducteur déformé
b-sur la base des résultats obtenus en a, la réalisation des composants en salle blanche (PTA: lithographie, gravure sèche, métallisation, bonding)
c-la caractérisation optique et matériau des composants fabriqués (microRaman, PL, photocourant, MEB…) à l’IRIG-PHELIQS et au LETI.
[1] A. Gassenq et al, Appl. Phys. Lett.108, 241902 (2016)
[2] J. Chrétien et al, ACS Photonics 6, 10, 2462–2469 (2019)
Application de l’intelligence artificielle à l’identification d’objets dans des images de microscopie électronique en Transmission (TEM)
La caractérisation d’objets de taille nanométrique par microscopie électronique à transmission (MET) est essentielle pour évaluer le comportement mécanique des matériaux de structure des réacteurs nucléaires ou dans le domaine de la nanotechnologie. Ces objets, visibles par contraste de phase (nanobulles) ou contraste de diffraction (boucles de dislocation ou précipités cohérents), sont des candidats de choix à l'automatisation. L'analyse manuelle de ces micrographies est souvent chronophage et non reproductible. Dans ce projet, l'objectif est de développer des outils informatiques en Python basés sur des techniques d'apprentissage automatique pour traiter des images de MET. Pour cela, le travail se décompose en plusieurs tâches:
- Recueil d’une base de données conséquente, indispensable au succès de toute approche de ce type. Dans ce projet, quatre microscopistes sont impliqués et enrichiront en permanence la base de données avec des images contenant des caractéristiques facilement reconnaissables.
- Débruitage des images et recherche des contours des objects (défauts) à la fois grâce à des logiciels en libre accès existants et à des descripteurs développés en interne. Une région d'intérêt (ROI) représentative sera générée sur les images.
- Conception de l'architecture du réseau de neurones de type CNN et apprentissage du modèle: Une identification collective sera effectuée sur l'ensemble des images afin d'identifier certaines régions (ou objets) d’intérêt (ROI). Chaque ROI est ensuite superposé à l’image initiale et est transmise au réseau de neurones pour établir des identifications particulières. Par ailleurs, les avancées récentes en matière de segmentation d'images seront intégrées au processus.
- Appréciation de la performance du modèle
Le processus sera appliqué à des défauts nanométriques formés dans des matériaux nucléaires (alliages à haute entropie sans Co, UO2) ainsi qu’à des précipités dans des matériaux d'intérêt technologique (Cr dans Cu).
Distribution des energies d’hydrolyse dans des verres modèles par simulation moléculaire et Machine Learning
L'objectif de ce projet est de développer un outil basé sur la modélisation moléculaire combinée à des techniques de Machine Learning pour estimer rapidement des distributions d'énergie d'hydrolyse et de reformation des liaisons chimiques à la surface de verres alumino silicates (SiO2+Al2O3+CaO+Na2O).
La première étape consistera à valider les champs de force classiques utilisés pour préparer des systèmes SiO2-Al2O3-Na2O-CaO hydratés par comparaison avec des calculs ab initio. La métadynamique sera utilisée pour comparer les mécanismes élémentaires.
L'étape suivante consistera à effectuer des calculs avec les champs de force classiques et la méthode dite "Potential Mean Force" pour estimer les distributions d'énergies d'hydrolyse et de reformation des liaisons chimiques sur de larges statistiques. Puis, grâce aux approches de Machine Learning et aux descripteurs structuraux, nous essaierons de corréler les caractéristiques des environnements locaux et ces énergies d'hydrolyse et de reformation des liaisons. Des méthodes comme le "Kernel Ridge Regression", le "Random Forrest", ou le "Dense Neural Network" seront comparées.
Au final, un outil générique sera disponible pour prédire rapidement les distributions des énergies d'hydrolyse et de reformation des liaisons pour une composition donnée de verre.