Informations générales
Référence : UMR5253-MARDOU-006
Nombre de Postes : 1
Lieu de travail : MONTPELLIER
Date de publication : lundi 9 janvier 2023
Type de contrat : CDD Scientifique
Durée du contrat : 24 mois
Date d'embauche prévue : 15 février 2023
Quotité de travail : Temps complet
Rémunération : à partir de 2830€ brut mensuel, ajustable selon expérience".
Niveau d'études souhaité : Bac+5
Expérience souhaitée : 1 à 4 années
Missions
- Collaboration active avec les membres du RS2E (réseau "Stockage électrochimique de l'énergie") et en particulier les membres du consortium BATMAN
- Coordination locale du projet (réunions, encadrement de stagiaires et doctorants ...)
- Mise en place d'une stratégie computationnelle efficace pour l'exploitation des outils de l'intelligence artificielle
Activités
Calculs DFT et DM (AIMD et MD classique) sur les electrolytes liquides pour batteries Na-ion et sur les interfaces électrode/électrolytes
Mise en place d'une base de données pour l'intelligence artificielle
Rédaction de rapports et articles.
Compétences
Doctorat en chimie physique théorique.
Méthodes atomistiques (DFT, MD ...)
Matière condensée (codes périodiques)
Programmation python
Contexte de travail
Ce projet s'inscrit dans le cadre du réseau collaboratif (RS2E ; stockage électrochimique de l'énergie) et sera financé par l'ANR via le PEPR Batteries
Contraintes et risques
Aucun risque particulier identifié en dehors de risques liés au travail sur ordinateur
Informations complémentaires
Au cours de la dernière décennie, de nombreux efforts ont été consacrés au développement d'électrolytes pour les batteries sodium-ion à haute puissance. La stratégie principale consiste à partir d'électrolytes performants issus de batteries Li-ion, et à trouver les meilleurs additifs (et les concentrations nécessaires) pour contrôler la formation de la SEI à la surface de l'anode. Cette approche implique de nombreuses étapes d'essais et d'erreurs, qui pourraient être évitées grâce à l'utilisation de l'Intelligence Artificielle. En effet, le problème d'optimisation est largement multidimensionnel car il existe de nombreuses combinaisons différentes d'additifs disponibles, et le classement des performances dépend également de plusieurs critères (rétention de capacité après un nombre arbitraire de cycles, résistance des cellules au cyclage, etc.). Dans ce projet nous allons donc rassembler les données existantes (plusieurs dixièmes de systèmes ont par exemple été systématiquement testés) et nos résultats pour mettre en place une stratégie d'optimisation. Bien qu'il soit difficile de rationaliser les résultats sur la base de concepts physiques, il est probable que la réactivité redox des additifs jouera un rôle important. Nous complèterons donc la base de données expérimentale par des calculs de descripteurs basés sur la structure électronique, tels que les positions HOMO/LUMO, le nombre de solvatation, l'énergie libre de solvatation, etc. Les calculs seront effectués en couplant les approches DFT et la Molecular-DFT développée dans ce projet par nos partenaires.
On en parle sur Twitter !