Stage M2 Modélisation du Gonflement des Aciers Austénitiques Irradiés par Machine Learning H/F - CEA

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.


Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.


Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.


Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :


- La conscience des responsabilités

- La coopération

- La curiosité

Objectif du stage :

L'objectif principal du stage sera de poursuivre et d'étendre cette approche afin de prédire, en complément du gonflement, les propriétés mécaniques des aciers austénitiques irradiés et de développer une description plus robuste de leur évolution sous irradiation.

Une première étape consistera à enrichir la base de données existante avec des résultats de caractérisation mécanique disponibles dans la littérature et dans les bases expérimentales du CEA. Selon les données disponibles, différentes propriétés pourront être considérées : limite d'élasticité, résistance maximale, allongement à rupture, dureté, etc.

À partir de cette base expérimentale enrichie, différentes stratégies de machine learning seront développées, avec notamment l'exploration d'une approche de Physics-Guided Machine Learning (PGML) visant à intégrer les connaissances disponibles sur le comportement des matériaux sous irradiation. Le modèle pourra s'appuyer sur des lois décrivant la dépendance du gonflement et des propriétés mécaniques à la dose et à la température, afin d'identifier des paramètres interprétables tels que la dose d'incubation, la vitesse de gonflement ou l'amplitude du durcissement. L'utilisation de Physics-Informed Neural Networks (PINN), une approche particulière du PGML dans laquelle des contraintes physiques sont directement introduites dans l'apprentissage du réseau, pourra également être étudiée.

Environnement de travail et méthodes à mettre en oeuvre :

Au sein du Service d'Études des Matériaux Irradiés (SEMI), vous intégrerez le Laboratoire de Microscopie et d'Études de l'Endommagement (LM2E), dédié à la caractérisation et à l'étude de l'évolution de la microstructure des matériaux soumis à irradiation, en lien avec leur propriétés mécaniques. Le laboratoire étudie ainsi les mécanismes de fragilisation, notamment la corrosion, afin d'optimiser les modèles prédictifs de comportement des matériaux en réacteur. Les analyses réalisées couvrent des échelles allant du millimètre à l'échelle atomique, à l'aide de différents microscopes de dernière génération et le développement d'outils de traitement de données.

Étudiant(e) de Master 2 ou de dernière année d'école d'ingénieur en science des matériaux, physique des matériaux ou domaine proche, avec un intérêt pour la modélisation, l'analyse de données et le machine learning. Des connaissances en Python sont souhaitées.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l'inclusion des travailleurs handicapés.