Cet axe transverse vise au développement et à l’utilisation d’outils numériques dans l’objectif:

i) de maitriser les procédés d’élaboration,

ii) d’améliorer la compréhension du comportement des matériaux,

iii) de prédire les propriétés de ces matériaux en prenant en compte le caractère multi-échelle des problèmes rencontrés.

Dans cet axe, le développement des méthodes numériques s’appuie sur les différentes études expérimentales conduites dans les 3 axes thématiques permettant ainsi d’une part l’obtention de données pour les modèles et d’autre part la validation des résultats numériques.Un des points clés de cet axe est d’évoluer et de s’adapter à des architectures de matériaux et des sollicitations qui pourront être complexes.

Ainsi la démarche scientifique repose sur:

• la modélisation multi-échelles à travers la mise en place d’approches qui établissent des relations structures/propriétés en assemblant des modèles adaptés aux échelles pertinentes (nano, micro, macro) avec la prise en compte à l’échelle microscopique des phénomènes physiques qui interagissent avec le comportement macroscopique,
• les approches multi-physiques qui couplent des phénomènes physiques ou chimiques de natures différentes : mécanique (solide, fluide), thermique, chimique, électromagnétique… et impliquent des longueurs caractéristiques et/ou des échelles de temps très différentes,
• la simulation des procédés d’élaboration. Cet axe vise enfin à intégrer la transition numérique et a pour objectif de mettre en œuvre de nouvelles approches mathématiques à base d’IA pour les procédés, la caractérisation structurale notamment avec l’idée de créer de nouveaux matériaux et de mettre en œuvre des procédés novateurs pour les synthétiser.

Objectifs principaux

– Interprétation microscopique des observations expérimentales

– Dynamique moléculaire

– Développement d’outils de simulation des procédés d’élaboration pour optimiser les propriétés d’usage

– Modélisation multi-échelles pour prédire et/ou mieux comprendre les phénomènes physiques: établir des relations structures/propriétés en assemblant des modèles adaptés aux échelles pertinentes (nano à macro), modélisation des diagrammes d’équilibres entre phases (CALPHAD, …) > in situ, in silico, …

– Approches multi-physiques du comportement des matériaux dans des conditions d’utilisation données: couplage des phénomènes physiques ou chimiques de natures différentes (mécanique, chimique, électromagnétique, …

– Développer des solutions innovantes d’intelligence artificielle (IA) et de sciences des données; élaboration d’algorithmes d’IA et de méthodologies