Objectif du stage : L'objectif principal du stage sera de poursuivre et d'étendre cette approche afin de prédire, en complément du gonflement, les propriétés mécaniques des aciers austénitiques irradiés et de développer une description plus robuste de leur évolution sous irradiation. Une première étape consistera à enrichir la base de données existante avec des résultats de caractérisation mécanique disponibles dans la littérature et dans les bases expérimentales du CEA. Selon les données disponibles, différentes propriétés pourront être considérées : limite d'élasticité, résistance maximale, allongement à rupture, dureté, etc. À partir de cette base expérimentale enrichie, différentes stratégies de machine learning seront développées, avec notamment l’exploration d’une approche de Physics-Guided Machine Learning (PGML) visant à intégrer les connaissances disponibles sur le comportement des matériaux sous irradiation. Le modèle pourra s’appuyer sur des lois décrivant la dépendance du gonflement et des propriétés mécaniques à la dose et à la température, afin d’identifier des paramètres interprétables tels que la dose d’incubation, la vitesse de gonflement ou l’amplitude du durcissement. L’utilisation de Physics-Informed Neural Networks (PINN), une approche particulière du PGML dans laquelle des contraintes physiques sont directement introduites dans l’apprentissage du réseau, pourra également être étudiée. Environnement de travail et méthodes à mettre en œuvre : Au sein du Service d'Études des Matériaux Irradiés (SEMI), vous intégrerez le Laboratoire de Microscopie et d'Études de l'Endommagement (LM2E), dédié à la caractérisation et à l'étude de l'évolution de la microstructure des matériaux soumis à irradiation, en lien avec leur propriétés mécaniques. Le laboratoire étudie ainsi les mécanismes de fragilisation, notamment la corrosion, afin d’optimiser les modèles prédictifs de comportement des matériaux en réacteur. Les analyses réalisées couvrent des échelles allant du millimètre à l’échelle atomique, à l'aide de différents microscopes de dernière génération et le développement d’outils de traitement de données.