Les offres d’emploi de l’unité de recherche

Le candidat ou la candidate recruté·e participera aux travaux de recherche menés autour des procédés de fabrication additive métallique et tout particulièrement l’étude des relations microstructures/propriétés/paramètres du process, sur des matériaux conventionnels ou spécifiquement développés. Il ou elle s’impliquera tout particulièrement dans la mise en œuvre et l’évolution de la plateforme LPBF en collaboration étroite avec l’ingénieur de recherche en charge de la plateforme. Il ou elle s’impliquera également dans la caractérisation des matériaux précurseurs et la métallurgie/physique des poudres.
Le poste nécessite de solides connaissances en sciences des matériaux (une compétence sur les alliages de titane sera particulièrement appréciée) et en techniques de caractérisations microstructurales et mécaniques (essais mécaniques statiques, fatigue, amortissement).

En vertu de leur capacité de concentration d’énergie mécanique liées à une forte compression locale du volume, les attentes des matériaux auxétiques (caractérisés par un ou plusieurs coefficients de Poisson négatifs) à absorber des chocs à faible vitesse sont grandes. Le coefficient de Poisson est souvent considéré comme une métrique du comportement mécanique ; il conditionne fortement la capacité de déformation volumique dans le cas anisotrope tout en limitant fortement l’énergie de cisaillement, et donc la rupture ou l’endommagement local de la structure pour ce dernier mode de déformation. La concentration de matière induite par la compression volumique de matériaux auxétique leur permet de mieux résister aux contraintes internes générées lors d’un choc, et donc de préserver l’intégrité de la structure.

The Postdoc researcher will focus on scientific question (Q3) and related research task (T3), dedicated to coupling of micromechanical simulations with machine learning. The postdoc researcher will run micromechanical simulations using experimental data gathered within the course of the project. This includes in particular 3D high-resolution electron backscatter diffraction and Xray tomography data. The postdoc will then propose a machine learning based strategy to propose and simulate new microstructures with targeted improved mechanical performance.

Les prothèses médicales métalliques peuvent être élaborée avec une enveloppe afin d’empêcher tout développement biologique au sein de sa structure « lattice » interne. Un dépôt de nanoparticules de ZnO aux propriétés antibactériennes peut être ajouté sur l’enveloppe . L’objectif de cette thèse est d’utiliser un traitement de grenaillage ultrasonique (SMAT) dans le but d’optimiser les prothèses tant d’un point de vue de la tenue mécanique (fatigue cyclique) que de la maitrise de la chimie de surface (intégration biologique, dépôt ZnO). Le choix des paramètres de grenaillage ainsi que la conception de la chambre de traitement seront étudiés puis évalués par des caractérisations de surface et des gradients de microstructure.

La thèse portera sur les évolutions microstructurales et la formation des microtextures au cours du chauffage rapide et de la trempe. L’acier étudié aura une microstructure initiale composée de martensite revenue contenant des carbures alliés et de l’austénite résiduelle. Au chauffage, on étudiera les interactions entre les carbures en cours de dissolution, la transformation austénitique, la redistribution des éléments d’alliage au sein de la microstructure, et la croissance des grains d’austénite. A la fin du chauffage, ces phénomènes seront avancés en surface mais plus partiels en profondeur à cause du cycle thermique local. Il faudra connaître la microstructure à cet instant et en chaque point du profil pour comprendre la formation des microstructures et des microtextures lors de la trempe.

The project aims to develop a generative AI model—especially using GANs—to create realistic atomic-scale defect structures in materials, particularly at interfaces like grain boundaries. Using atomistic simulations (mainly on aluminum), the goal is to generate reliable data for training. This data will help predict Nye dislocation density fields, bridging atomic and continuum scales through a physics-informed deep learning approach. The PhD is hosted at LEM3 and offers access to high-performance computing facilities.

This doctoral project explores how the chemistry of A and M elements and crystalline defects affect hydrogen storage in MAX phases and their 2D derivatives, MXenes. MAX phases are layered carbides/nitrides (Mₙ₊₁AXₙ) with both metallic and ceramic properties. MXenes, formed by etching the A layer, offer high surface area and tunable chemistry, making them promising for hydrogen storage. The project focuses on selected MAX phases (e.g., Ti₃AlC₂, V₂AlC) and MXenes (e.g., Ti₃C₂, V₂C), chosen for their relevance and ease of synthesis. Experimental work will include hydrogen uptake measurements and microstructural analysis before and after hydrogenation. Simultaneously, ab initio simulations (using VASP) will calculate hydrogen insertion and migration energies in both pristine and defected structures. The combination of experiments and simulations enables a comprehensive understanding of storage mechanisms. A machine learning potential may also be developed to simulate complex systems like Mg-MAX interfaces. The project is interdisciplinary, requiring expertise in both lab work and computational modeling. It aims to equip the doctoral researcher with valuable skills for academic or industrial careers.