Sujet Post Doctoral sur le Comportement de Matériaux des Sels Fondus H/F CEA

L'accès à une énergie propre et peu coûteuse semble plus que jamais primordial dans le contexte actuel d'urgence climatique. Plusieurs pistes sont envisagées depuis plusieurs années déjà mais de nombreux verrous technologiques restent à lever pour les concrétiser, tant elles représentent des ruptures technologiques. Que ce soit pour les centrales solaires ou les réacteurs nucléaires de 4ème génération, le milieu sel fondu utilisé comme caloporteur et/ou comme combustible est fortement corrosif rendant le choix des matériaux de structure très complexe.
La plupart des alliages commerciaux, qu'ils soient à base de nickel ou à base de fer, semblent se dégrader très rapidement dans ces milieux fondus. Il est donc nécessaire d'élargir le champs d'expérimentation à des matériaux plus innovants. Cependant, le processus de sélection et d'essai de candidats méconnus mais prometteurs requiert un travail long et fastidieux qui est incompatible avec les enjeux actuels. A travers le projet A-DREAM et plus globalement le programme DIADEME, le CEA et ses partenaires cherchent à développer une approche générique combinant des données empiriques et du machine learning afin d'accélérer la découverte de nouveaux matériaux résistants à la corrosion.
Pour ce faire, la première étape consiste à démontrer l'efficacité de ce genre de réflexion à travers l'étude du comportement d'alliages commerciaux sélectionnés au préalable dans un mélange de sels chlorures fondus. Par la suite, et en étroite collaboration avec d'autres acteurs du programme, des matériaux plus exotiques seront considérés, tels que des alliages haute entropie par exemple.
L'objectif du sujet post doctoral proposé au sein du Service de Corrosion et du Comportement des Matériaux (S2CM) consiste en l'étude intégrale du comportement de divers matériaux. Par intégrale, il est ici entendu depuis la préparation d'éprouvette à la caractérisation des produits de corrosion. Cette thématique revêt un haut caractère expérimental puisque les données récoltées serviront de base pour les partenaires s'occupant de la partie machine learning.