Thèse Modélisation Multi-Échelle Intégrée Caractérisation Expérimentale et Apprentissage Automatique pour la Conception de Matériaux Cimentaires Durables H/F - Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne École doctorale : Sciences pour l'ingénieur Laboratoire de recherche : Mécanique, énergie et électricité Direction de la thèse : Fahmi BEDOUI ORCID 0000000226075209 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-20T23:59:59 Les matériaux cimentaires sont confrontés à de nombreux défis et opportunités, l'un des principaux étant leur impact environnemental. La production de ciment Portland conventionnel est particulièrement énergivore et génère d'importantes émissions de CO, contribuant ainsi au changement climatique. De plus, les matières premières nécessaires, telles que le calcaire et l'argile, sont limitées, et leur extraction a des effets néfastes sur les écosystèmes. Il existe donc un besoin urgent de développer des méthodes de production du ciment plus durables.Actuellement, les matériaux cimentaires supplémentaires (SCM) alternatifs ou les liants à faible impact environnemental en sont principalement au stade de la recherche fondamentale. Ces matériaux peuvent présenter des performances différentes à long terme, susceptibles d'affecter l'intégrité des structures. Par ailleurs, les nouveaux matériaux durables manquent souvent de normes établies et d'une large acceptation industrielle, ce qui freine leur adoption. Néanmoins, certains SCM alternatifs, tels que les sous-produits industriels ou les bioliants, peuvent améliorer la durabilité, la résistance chimique ou les propriétés thermiques, offrant ainsi des bénéfices sur l'ensemble du cycle de vie.

Cependant, l'intégration de ces nouveaux SCM ou liants dans les formulations de béton existantes nécessite une optimisation rigoureuse afin de préserver l'ouvrabilité et les performances mécaniques. Ces démarches impliquent souvent des campagnes expérimentales longues et coûteuses. Comprendre l'influence de la composition chimique sur les performances des matériaux cimentaires exige des modèles capables de décrire les mécanismes physicochimiques essentiels. Or, l'exploration exhaustive de toutes les formulations et paramètres reste irréaliste en raison du coût computationnel élevé et des contraintes expérimentales.

Dans ce contexte, les méthodes d'apprentissage profond offrent une alternative prometteuse en exploitant les données disponibles pour identifier des relations complexes entre structure et propriétés, et en permettant d'extrapoler vers de nouvelles compositions. Ainsi, cette thèse vise à contribuer au développement de matériaux cimentaires durables aux propriétés optimisées, grâce à l'intégration d'approches innovantes basées sur les données, la prédiction et l'optimisation. The PhD project focuses on the design and development of sustainable and resilient cementitious composites through an integrated multiscale modeling, experimental, and machine learning framework.
Cementitious materials encounter numerous challenges and opportunities, with one of the foremost challenges being their environmental impact. The production of conventional Portland cement is notably energy-intensive and results in substantial CO emissions, thereby contributing to climate change. Additionally, the raw materials required, such as limestone and clay, are finite, and their extraction adversely affects ecosystems. Consequently, there is an urgent need to develop alternative and more sustainable methods for cement production. Currently, alternative supplementary cementitious materials (SCMs) or binders with reduced environmental impact are primarily at the stage of fundamental research exploration. These alternative binders or SCMs may exhibit different long-term performance characteristics, potentially affecting structural integrity. New sustainable materials often lack standardized codes and widespread industry acceptance, which impedes their adoption. Alternative SCMs, such as industrial by-products or biobinders, could enhance durability, chemical resistance, or thermal properties, offering lifecycle benefits. However, integrating new SCMs or novel binders with existing concrete mixes requires careful optimization to maintain workability and strength. Such efforts may necessitate extensive experimental work within a timeframe that may not be economically sustainable. Understanding how chemical composition influences the performance of cementitious materials requires modeling frameworks capable of capturing the key physicochemical mechanisms that govern their properties. Yet, the exhaustive exploration of all possible formulations and process parameters is not feasible in practice because of the significant computational burden of simulation-based approaches and the financial and logistical limitations of experimental campaigns. Against this background, deep learning methods provide a powerful alternative by learning from available data, identifying intricate structure-property relationships, and enabling extrapolation toward untested compositions and conditions. Accordingly, the primary objective of this thesis is to contribute to the development of sustainable cementitious materials with tailored properties through the integration of novel data-driven, predictive, and optimization-based methodologies.
Develop multiscale modeling approaches (atomistic, mesoscale, continuum) to understand material behavior and performance.
Perform experimental characterization and mechanical testing to generate and validate high-quality data.
Design and apply interpretable machine learning models to uncover structure-property relationships and enable predictive capabilities.
Integrate modeling, experimental, and data-driven methods to optimize and develop durable, low-impact cementitious composites. The Ph.D. program will be conducted collaboratively between the Université de Technologie de Compiègne in France for its combined machine learning and atomistic modeling approaches and the University of Rhode Island in the United States for experimental validation and enhanced experimental investigation. During the course of this PhD, student will be involved in key aspects that include :
- Multiscale Simulations:
o Atomistic and molecular dynamics (MD) simulations to investigate the structure and properties of cementitious materials
o Mesoscale and continuum modeling (e.g., finite element analysis) to predict macroscopic mechanical behavior, durability, and fracture patterns
o Bridging length scales to provide a predictive framework for material design
- Experimental Characterization:
o Microstructural analysis using techniques such as X-ray diffraction, microscopy, and spectroscopy
o Mechanical testing to validate simulations and provide training data for machine learning models
- Interpretable Machine Learning:
o Developing data-driven models to accelerate material design
o Ensuring models are interpretable to identify key microstructural features controlling performance
o Integrating experimental and simulation data for predictive and robust design strategies
- Interpretable Machine Learning:
o To develop interpretable, data-driven modeling approaches that accelerate the design of cementitious materials with optimized and application-specific properties.
o To identify, through interpretable learning frameworks, the critical microstructural and physicochemical factors that govern material performance and durability.
o To integrate experimental measurements and simulation data into robust predictive models capable of guiding sustainable and reliable materials design.

- Solide formation en génie civil, science des matériaux, génie mécanique, physique, chimie ou domaines connexes
- Une expérience en modélisation numérique, simulations multi-échelles, caractérisation des matériaux et/ou apprentissage automatique est fortement souhaitée
- Intérêt pour les matériaux durables, la recherche interdisciplinaire et la collaboration internationale

• Chimie
• Science des matériaux