Modélisation multiéchelle de la dissolution de UO2 // Multiscale modelling of UO2 dissolution

Modélisation multiéchelle de la dissolution de UO2 // Multiscale modelling of UO2 dissolution

Réf ABG- ADUM-68590 Sujet de Thèse

Université de Montpellier

Lieu de travail BAGNOLS SUR CEZE CEDEX - Occitanie - France

Intitulé du sujet Modélisation multiéchelle de la dissolution de UO2 // Multiscale modelling of UO2 dissolution

Mots clés recyclage, combustible nucléaire usagé, métaux stratégiques, dynamique moléculaire, IA : apprentissage supervisé, deep-learning, recycling, spent nuclear fuel, strategic metals, molecular dynamics, AI: supervised learning, deep learning

Description du sujet

La dissolution de UO₂ en milieu acide nitrique a été étudiée depuis des décennies afin de comprendre, contrôler et optimiser le recyclage du combustible nucléaire usagé. Cependant, les mécanismes réactionnels restent mal compris en raison des limites des méthodes expérimentales, qui reposent souvent sur des observations indirectes et des hypothèses. Bien que les simulations atomistiques fournissent des informations précieuses, la dissolution est un processus physico-chimique complexe nécessitant une modélisation au niveau quantique, les étapes cinétiquement déterminantes impliquant des réactions chimiques de surface.

Les récentes avancées en calcul haute performance (HPC) et l'évolution rapide de l'intelligence artificielle (IA) ont révolutionné les découvertes scientifiques, permettant une puissance de calcul et des capacités prédictives sans précédent. Ainsi, les simulations de dynamique moléculaire ab initio (AIMD) sont désormais capables de décrire des systèmes suffisamment grands pour déterminer des données thermodynamiques macroscopiques. Les techniques pilotées par l'IA, telles que les champs de force par apprentissage automatique (MLFF) et l'apprentissage profond, permettent d'explorer des échelles de temps plus longues, des résolutions plus élevées et des conditions plus réalistes, particulièrement difficiles à atteindre dans la modélisation des systèmes réactifs.

Cette thèse propose une approche de modélisation multiéchelle, combinant l'AIMD pour comprendre les mécanismes de dissolution avec la dynamique moléculaire classique (CMD) utilisant des MLFFs de pointe afin d'explorer des tailles plus grandes et des échelles de temps plus longues. L'AIMD permettra d'identifier le chemin réactionnel le plus probable pour les interactions avec l'acide nitrique ainsi qu'avec les agents métastables générés par la radiolyse. Des méthodes d'échantillonnage améliorées seront utilisées pour accélérer l'exploration et assurer un entraînement fiable du MLFF. Ensuite, la CMD avec MLFF sera utilisée pour étudier l'équilibre solide-liquide, le comportement dynamique du système, les propriétés de transport ionique en solution et la cinétique d'oxydation. Des boîtes de simulation plus grandes permettront également de modéliser des systèmes imparfaits en raison de la présence de défauts de surface, connus pour avoir un impact crucial sur l'évolution du processus de dissolution.

Cette thèse devrait avoir un impact considérable dans le domaine du recyclage, car la dissolution est une étape cruciale pour réaliser des processus de séparation durables de matériaux stratégiques. De plus, ces travaux sur les interfaces solide/liquide à l'échelle nanométrique seront également importants pour le domaine plus large des nanosciences, élargissant ainsi l'impact de ces travaux. Le doctorant sera encouragé à diffuser ses résultats scientifiques par le biais de publications et de présentations lors de conférences nationales et internationales.

Début de la thèse : 01/10/2026

WEB :

Présentation établissement et labo d'accueil

Université de Montpellier

Etablissement délivrant le doctorat

Université de Montpellier

Ecole doctorale

459 Sciences Chimiques Balard

Profil du candidat

Vous êtes un ou une candidate, très motivé, titulaire d'un diplôme de Master en chimie théorique, chimie physique, physique, ou équivalent. Vous avez un fort intérêt pour la programmation (par ex. Python, Fortran, C++) et possédez de bonnes compétences en communication écrite et orale.

You are a highly motivated candidate holding a Master's degree in theoretical chemistry, physical chemistry, physics, or equivalent. You have a strong interest in programming (e.g. Python, Fortran, C++) and possess good written and oral communication skills.