Conception d’alliages d’aluminium liquide par apprentissage automatique pour l’optimisation des microst

Sujet de thèse :
Contexte :
Le sujet s’inscrit dans le cadre du projet LUMEN, qui vise à développer de nouveaux alliages d’aluminium en s’appuyant sur la connaissance de la structure liquide afin de créer des microstructures innovantes adaptées aux éléments issus du recyclage de l’aluminium. L’objectif est d’explorer l’ajout d’éléments de transition et de leurs éventuels adjuvants dans les alliages d’aluminium afin d’optimiser leurs microstructures. Des calculs de dynamique moléculaire ab initio montrent que ces modifications sont liées à une structuration du liquide présentant une forte symétrie pentagonale. Par ailleurs, l’intensification du recyclage de l’aluminium entraîne une augmentation inévitable des impuretés, parmi lesquelles des éléments de transition comme le fer (Fe), au-delà des teneurs usuelles, formant des précipités qui altèrent les propriétés mécaniques. Toutefois, certaines impuretés pourraient devenir des éléments bénéfiques : déterminer dans quelles conditions constitue l’un des objectifs de la recherche. Les alliages développés pour la fabrication additive montrent que l’ajout d’éléments à diffusion lente améliore les propriétés en sursaturant la matrice lors de la solidification et en ralentissant la précipitation à l’état solide. Les innovations incluent le déploiement de la métallurgie combinatoire sur des systèmes multi-composants, la modélisation multi-échelle intégrant de nouveaux modèles physiques, ainsi que l’utilisation d’outils d’intelligence artificielle pour le passage à l’échelle entre modèles. L’identification de nouveaux produits tolérants aux impuretés issues du recyclage rendra l’industrie de l’aluminium plus résiliente face à l’intensification du recyclage.
Méthodologie :
La modélisation atomique par dynamique moléculaire utilise des potentiels interatomiques issus de l’apprentissage automatique afin de comprendre l’influence des éléments d’alliage sur la structure du liquide et le comportement des interfaces solide/liquide. Les résultats des simulations seront essentiels pour la modélisation phase-field visant à prédire la dynamique des microstructures de solidification, en tenant compte de l’anisotropie de l’énergie de surface et de la cinétique d’attachement. Le lien entre les différentes échelles est assuré par de nouveaux outils fondés sur l’apprentissage automatique basé sur des graphes, permettant de transférer les lois constitutives de l’échelle atomique vers les échelles phase-field et microstructurales. Les résultats expérimentaux serviront à valider la modélisation, avec un intérêt particulier pour les alliages ternaires comprenant les éléments Al, Cr, Fe et Ti.
Profil du/de la candidat(e) :
Nous recherchons des candidat(e)s très motivé(e)s, titulaires d’un Master en physique (ou équivalent), ayant une expérience préalable en simulations numériques et un fort intérêt pour l’informatique et l’apprentissage automatique. Les étudiant(e)s disposant d
Voir plus sur le site emploi.cnrs.fr...