Thèse CRISMAT Robocasting IA

Ce projet de thèse explore la fabrication de composites ultra-réfractaires à base de ZrB2, combinant robocasting à haute vitesse et frittage rapide à très haute température. Le système ZrB2-SiC-B4C est étudié pour réduire les températures de frittage tout en optimisant les propriétés mécaniques grâce à des architectures micro/macro-structurées. Le ZrB2-SiC peut être fritté à 2000°C, tandis que le ZrB2-B4C nécessite des températures plus élevées (2200°C) mais avec moins d’additifs (<5%), compatibles avec un frittage ultra-rapide (UHS). Le système ZrB2-SiC-B4C permet de réduire encore la température de frittage tout en conservant des propriétés mécaniques et thermiques optimisées.
L’Axe 1 se concentre sur le robocasting à très haute vitesse pour former des pièces et concevoir des microstructures internes, telles que des structures lattice à matrice ZrB2 chargée en additifs. L’objectif est de maîtriser la distribution des phases et d’optimiser les propriétés mécaniques via des motifs d’additifs orientés par impression.
L’Axe 2 étudie le frittage sans pression à 2200°C, en minimisant le phénomène de coarsening qui limite les performances des matériaux. Cet axe repose sur des études de frittage par dilatométrie haute température et par frittage ultra-rapide en four P-SPS. L’objectif est d’identifier des formulations d’additifs réduisant la température de frittage et maximisant les propriétés mécaniques, notamment via des macro-modèles imprimés.
Enfin, l’Axe 3 de modélisation par IA soutient les deux premiers axes : (1) des modèles de type processus gaussiens pour optimiser les formulations et les comportements rhéologiques, et (2) des approches d’« inverse learning » développées en laboratoire pour extraire les paramètres de frittage à partir de courbes dilatométriques et les intégrer dans des simulations FEM de pièces complexes. D’autres modèles d’IA peuvent également être utilisés pour simuler les structures internes et les motifs architecturés.