Ce projet s'appuiera sur des techniques d'apprentissage automatique (ML) et de simulation atomistique de pointe pour accélérer la découverte de matériaux élasto-caloriques, en mettant l'accent sur leur application dans les pompes à chaleur. Une innovation clé sera l'intégration directe de la validation expérimentale, permettant une boucle de rétroaction où les données expérimentales affinent les modèles de calcul, guidant finalement la découverte d'alliages avec une résistance à la fatigue exceptionnelle.
L'étude se concentrera sur l'optimisation des alliages à mémoire de forme (AMF), qui subissent une transition de phase solide-solide entre les phases austénite et martensite. Cette transition peut être exploitée pour le transfert de chaleur avec des rendements théoriques dépassant de loin les solutions conventionnelles à base de réfrigérant. Cependant, une limitation majeure est la courte durée de vie du cycle due à la fatigue du matériau. Pour y remédier, nous développerons des potentiels interatomiques basés sur l'apprentissage automatique, formés à partir de simulations ab initio, afin d'explorer un large espace de composition des alliages Cu-Zn-Al-[Mn,Be]. Les calculs de dynamique moléculaire permettront ensuite d'identifier les compositions présentant une hystérésis de contrainte minimale et un échange thermique élevé, deux critères de conception essentiels pour les applications de pompes à chaleur.
Pour atteindre une précision et une efficacité sans précédent, nous utiliserons des réseaux neuronaux graphiques équivariants (GNN) pour construire un jumeau numérique à l'échelle atomique contenant des centaines de milliers d'atomes explicites. Cela nous permettra de simuler des milliers de cycles de transition de phase pour les compositions les plus prometteuses, révélant les mécanismes de formation de défauts à l'échelle atomique qui conduisent à la défaillance du matériau. Ces informations, jusqu'alors inaccessibles, seront déterminantes pour la conception d'alliages d'une durabilité supérieure.
Enfin, les matériaux candidats les plus prometteurs seront synthétisés et testés expérimentalement, ce qui permettra de valider directement nos prévisions informatiques. Cette approche itérative - combinant ML, simulations atomistiques à grande échelle et validation expérimentale - accélérera la découverte des SMA de la prochaine génération pour les technologies de refroidissement élasto-calorique hautement efficaces et résistantes à la fatigue.
Début de la thèse : 01/10/2025
Funding category: Contrat doctoral
Concours pour un contrat doctoral
Le/la candidat(e) idéal est titulaire d'un master (ou équivalent) en physique, chimie ou science des matériaux. Il/elle doit avoir un bon niveau de programmation, en particulier en Python, et doit avoir une expérience de la simulation atomistique. Expérience de l'apprentissage automatique, des calculs ab initio ou de la métallurgie est fortement appréciée.
#J-18808-Ljbffr
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.