Missions

Au sein du laboratoire ICMN, une unité mixte de recherche Université d’Orléans - CNRS, située sur le campus CNRS d'Orléans, le candidat aura pour mission de mener des travaux portant sur la caractérisation multi-échelle de suies. La production des suies sera assurée par le laboratoire partenaire du projet ( ICARE-CNRS Orleans). La caractérisation sera effectuée au moyen de plusieurs techniques expérimentales complémentaires (microscopie électronique en transmission (TEM), diffusion des rayons X aux petits angles (SAXS) au laboratoire ICMN, sur synchrotron (UMR7374) et sur la plateforme de MACLE (Microscopies, imAgeries et ressourCes anaLytiquEs). Les images et les données SAXS seront exploitées en développant des méthodes d’analyse d’image et d’Intelligence Artificielle adaptées à l’étude microstructurale des particules primaires et leur organisation 3D au sein des agrégats. Les relations qui pourront être établies entre les paramètres de synthèse en réacteur et les caractéristiques des suies formées seront utiles pour valider des modèles cinétiques permettant de prévoir la formation des CNP pour les applications industrielles et de sécurité.

Activités

A partir de CNP produites par le laboratoire partenaire en tubes à chocs dans des conditions thermodynamiques couvrant une large gamme de température et de pression et en explorant divers combustibles et mélanges et d’oxygène, plusieurs méthodes avancées de caractérisation seront utilisées par le candidat afin d’étudier les différents niveaux d’organisation des CNP, depuis la structure interne des particules primaires jusqu’aux caractéristiques des agrégats (morphologie, taille et dimension fractale) : expériences SAXS à haut flux et microfaisceaux à l’ICMN combinées avec des mesures SAXS, spectroscopie Raman, TEM/STEM sur ICMN CM20 et TEM/STEM sur la plateforme MACLE CVL. Le candidat sera amené également à participer à des campagnes expérimentales sur synchrotron (SOLEIL).
L’accès à la morphologie complexe des agrégats 3D et à la structure interne des particules primaires nécessiteront le développement de la modélisation des profils SAXS et l’analyse numérique des images MET. En outre, afin d’étudier l’influence des différents paramètres (T, P, Carburant, taux O2) une méthode d’apprentissage par Deep Learning sera développée pour accéder plus rapidement aux caractéristiques de la morphologie 3D des CNP. La méthode commencera par simuler numériquement des morphologie fractale 3D de CNP (Algorithme Monte Carlo) afin de générer les images MET correspondantes, et fournir une collection d’images pour une analyse automatique ultérieure des images TEM expérimentales.

Compétences

• Être titulaire d’un diplôme d'ingénieur ou un master ou une thèse de doctorat en science des matériaux, physique.
• Avoir des connaissances en sciences des matériaux, dans les méthodes caractérisation des matériaux à l’échelle nanoscopique.
• Avoir des connaissances en machine Learning, en méthodes numériques et en algorithmes de simulations physiques.
• Avoir des connaissances des principaux langages de programmation (C++, Python, ...) dans un contexte de Traitement d’images.
• Être capable de s’exprimer en anglais, à l'écrit comme à l'oral.
• Être capable de travailler en équipe.
• Avoir un esprit d'analyse et de synthèse, d'une bonne aptitude à la restitution d'information et à la communication.

Contexte de travail

Le projet de recherche est mené dans le cadre d'un projet collaboratif entre l’ICMN, unité mixte de recherche du CNRS et de l'Université d'Orléans et le laboratoire ICARE, unité propre du CNRS à Orléans. Ces deux laboratoires sont situés à proximité l’un de l’autre sur le campus CNRS d’Orléans. Les CNP de suies seront produites par les chercheurs de l'équipe "Dynamique et cinétique des systèmes énergétiques" du laboratoire ICARE , internationalement reconnus pour leurs études expérimentales et de modélisation sur la cinétique chimique, y compris des nanoparticules de carbone, et la propagation des flammes. Les activités de l’ICMN concernent l’étude des matériaux nanostructures et des milieux confinés, où la grande proportion d’interface et la quantité finie de matière sont à l’origine de propriétés remarquables, l’ICMN est notamment reconnu pour son expertise sur le développement et la caractérisation des matériaux carbonés pour des applications ciblées.
Le candidat sera basé à l’ICMN. Dans le cadre de ses activités, le candidat recruté aura pour interlocuteurs à l’ICMN, des chercheurs numériciens et spécialistes de l’apprentissage par machine Learning et des expérimentateurs spécialistes de la structure des carbones.

Contraintes et risques

Déplacement pour les campagnes expérimentales sur synchrotron SOLEIL.