Offres d’emplois et de stages // Jobs and internships offers
Les propositions de recrutements et de stages au CIRIMAT sont reportées ci-dessous.
Job opportunities in the laboratory are listed below
Please, visit this page regularly.
Les propositions de recrutements et de stages au CIRIMAT sont reportées ci-dessous.
Job opportunities in the laboratory are listed below
Please, visit this page regularly.
English below
Réduire les émissions polluantes est un enjeu majeur pour le domaine de l’aéronautique et encourage le développement d’alliages toujours plus performants et légers ainsi que le développement de nouveaux procédés de fabrication. Dans ce contexte, les alliages de titane sont souvent privilégiés en raison de leurs propriétés mécaniques spécifiques et leur bonne compatibilité électrochimique et thermique avec les matériaux composites utilisés dans les dernières générations d’avions. Pour soutenir leur développement, la fabrication additive, et en particulier le procédé Laser Powder Bed Fusion (L-PBF), est une opportunité pour optimiser l’utilisation de ces alliages, en produisant des pièces proches des dimensions finales tout en réduisant notablement les pertes matière.
Le procédé L-PBF induit toutefois des microstructures difficiles à prédire en raison de la complexité des chemins thermiques et des conditions sévères de chauffage et de refroidissement. L’alliage de titane Ti-6Al-4V (Ti-64), alliage le plus utilisé dans l’aéronautique, présente ainsi des grains β orientés et une martensite α’ aciculaire, offrant un excellent potentiel d’optimisation via des traitements thermiques post fabrication adaptés. Pour améliorer la ductilité tout en préservant les performances mécaniques, ces traitements visent à contrôler la décomposition de la martensite α’ en des produits de transformations fonction des conditions de traitement thermique. De plus, les pièces de fabrication additive sont souvent fines, avec des importants rapports surface/volume, ce qui augmente potentiellement les effets d’environnement sur leur microstructure et propriétés mécaniques. En particulier, le risque de fragilisation par l’oxygène est accru.
Le projet de recherche, mené dans le cadre d’une collaboration entre la société Safran Additive Manufacturing Campus (SAMC), société du groupe SAFRAN et le laboratoire CIRIMAT vise à comprendre la formation des microstructures en surface et en proche sous-surface à l’état brut de fabrication, ainsi que leur évolution lors de post traitements thermiques, tout en vérifiant que les interactions avec l’environnement ne modifient pas ces microstructures. Cet objectif nécessite d’étudier les mécanismes à l’origine des microstructures héritées des transformations de phases dans l’intervalle de solidification et à l’état solide. Une attention particulière sera également portée sur l’impact de la géométrie des pièces, ce qui suppose de s’intéresser aux conditions thermiques et mécaniques locales.
Pour répondre à la problématique, le projet s’articulera autour des axes suivants :
1. Établir un état de l’art complet sur l’éventail des microstructures obtenues par L-PBF et par les différents post-traitements thermiques, en intégrant l’effet de la géométrie des pièces (épaisseur, orientation, zones massives ou minces) et celui de l’environnement externe (essentiellement oxygène, carbone et azote).
2. Comprendre l’origine des microstructures en menant une campagne de caractérisation microstructurale et chimique à différentes échelles (MEB-EDS, microsonde de Castaing, voire MET-EDS) des zones claires et sombres révélées par attaque chimique. Au travers de ces analyses, il s’agira d’extraire des expérimentations la composition chimique locale des phases et les grandeurs microstructurales pertinentes (taille, orientation, fraction volumique des phases) nécessaire à la compréhension des mécanismes mis en jeu.
3. Comprendre la réponse de l’attaque chimique en développant une approche basée sur la fabrication de microstructures modèles, obtenues dans des conditions de traitement thermique contrôlées, afin de corréler les contrastes révélés à la microstructure et de clairement dissocier les contrastes (type zone blanche) dus à la diffusion de l’oxygène de ceux dues à la microstructure (phases et densité d’interfaces).
Des recommandations sur la/les méthode(s) industrielle(s) d’identification des zones d’alpha case et de diffusion de l’oxygène constitueront la conclusion logique de ce projet.
Début du post-doc : Dès que possible.
Date limite de candidature : 31 janvier 2026.
Localisation : CIRIMAT, Toulouse.
Durée du post-doc : 12 mois.
Poste en CDD INPT, salaire mensuel brut : 2890 € – 3100 € selon expérience.
Formation requise : thèse en sciences des matériaux.
Contact : envoyer un CV et une lettre de motivation (éventuellement une lettre de recommandation) à Moukrane Dehmas (moukrane.dehmas@toulouse-inp.fr), Daniel Monceau (daniel.monceau@toulouse-inp.fr), Sandra Andrieu (sandra.andrieu@safrangroup.com)
Reducing pollutant emissions is a major challenge for the aeronautics sector and drives the development of increasingly high‑performance and lightweight alloys, as well as new manufacturing processes. In this context, titanium alloys are often preferred due to their high specific mechanical properties and their good electrochemical and thermal compatibility with the composite materials used in the latest generations of aircraft. To support their development, additive manufacturing, and in particular the Laser Powder Bed Fusion (L-PBF) process, represents an opportunity to optimize the use of these alloys by producing near‑net‑shape parts while significantly reducing material waste.
However, the L-PDF process induces microstructures that are difficult to predict due to the complexity of thermal paths and the severe heating and cooling conditions involved. The titanium alloy Ti‑6Al‑4V (Ti‑64), the most widely used alloy in the aeronautics industry, typically exhibits oriented β grains and an acicular α′ martensitic microstructure when processed by L-PBF. This microstructure offers significant potential for optimization through appropriate post‑manufacturing heat treatments. To improve ductility while maintaining mechanical performance, these treatments aim to control the decomposition of α′ martensite into transformation products that depend on the heat‑treatment conditions.
In addition, additively manufactured parts are often thin and characterized by high surface‑to‑volume ratios, which can significantly enhance environmental effects on their microstructure and mechanical properties. In particular, the risk of oxygen‑induced embrittlement is increased.
The research project, conducted as part of a collaboration between Safran Additive Manufacturing Campus (SAMC), a company of the SAFRAN Group, and the CIRIMAT laboratory, aims to understand the formation of surface and near‑surface microstructures in the as‑built condition, as well as their evolution during post‑heat treatments, while ensuring that interactions with the environment do not alter these microstructures. Achieving this objective requires studying the mechanisms responsible for microstructures inherited from phase transformations occurring both during solidification and in the solid state. Particular attention will also be paid to the impact of part geometry, which implies investigating local thermal and mechanical conditions.
To address these challenges, the project will be structured around the following research axes :
1. Establish a comprehensive state of the art on the range of microstructures obtained by L-PDF and by various post‑heat treatments, integrating the effects of part geometry (thickness, orientation, massive or thin regions) as well as the influence of the external environment (primarily oxygen, carbon, and nitrogen).
2. Understand the origin of the microstructures by conducting a microstructural and chemical characterization campaign at multiple length scales (SEM‑EDS, electron probe microanalysis, and possibly TEM‑EDS) of the light and dark regions revealed by chemical etching. These analyses will be used to extract local phase chemical compositions and relevant microstructural parameters (size, orientation, phase volume fraction) required to understand the underlying mechanisms.
3. Understand the response to chemical etching by developing an approach based on the fabrication of model microstructures obtained under controlled heat‑treatment conditions, in order to correlate the revealed contrasts with the actual microstructure and to clearly distinguish contrasts (such as white‑etching regions) caused by oxygen diffusion from those related to microstructure (phases and interface density).
The formulation of recommendations regarding industrial method(s) for identifying alpha‑case regions and oxygen diffusion zones will constitute the logical conclusion of this project.
Starting date : As soon as possible.
Application deadline : January 31, 2026.
Location : CIRIMAT, Toulouse.
Duration of the post-doc : 12 months.
Position as CDD-INPT, gross monthly salary : 2890 € – 3100 €, depending on experience.
Required training : PhD in material sciences.
Application : all interested persons fulfilling the above listed requirements are invited to send their CV and cover letter outlining your motivation (possibly a recommendation letter) to Moukrane Dehmas (moukrane.dehmas@toulouse-inp.fr), Daniel Monceau (daniel.monceau@toulouse-inp.fr), Sandra Andrieu (sandra.andrieu@safrangroup.com)
English below - Fichier pdf de l’offre
Contexte du projet
Le CIRIMAT est un laboratoire (UMR 5085 CNRS-UT-INPT) qui regroupe les compétences toulousaines dans le domaine de la science et de l’ingénierie des matériaux. Le projet proposé est en lien avec des travaux effectués depuis une dizaine d’années en collaboration entre le CIRIMAT et la société Safran, dans le domaine des dépôts par électrophorèse.
Description du projet
Le dépôt par électrophorèse (EPD) est basé sur la migration de particules chargées dispersées dans une suspension. Celles-ci s’accumulent vers un substrat et finissent par former un revêtement dont l’épaisseur et la densité peuvent être contrôlées. L’électrophorèse est un procédé ultiparamétrique, avec une influence d’ordre un pour un grand nombre de paramètres liés au procédé (champ électrique/courant appliqué ou durée de dépôt) ou à la suspension (mobilité électrophorétique, concentration en particules dans la suspension notamment). Les études paramétriques "classiques" ainsi que par plan d’expérience ont permis de mettre en évidence certaines lois empiriques liant paramètres de dépôt et masse déposée. Nous souhaitons aller plus loin dans l’optimisation des propriétés des dépôts à l’aide de l’utilisation du Machine Learning pour interpréter plus globalement les différents paramètres influents ainsi que les interactions entre paramètres. Par ailleurs nous envisageons d’utiliser l’Active Learning (ou apprentissage actif), cas particulier du Machine Learning dans lequel l’algorithme d’apprentissage va interagir avec le demandeur, dans notre cas l’expérimentateur. Il s’agit d’ajouter/choisir des données pertinentes pour l’efficacité de l’apprentissage. Cette technique est prometteuse pour l’optimisation des matériaux [1] et des dépôts réalisés par EPD [2]. Dans le cadre de ce projet, le stagiaire sera en charge de l’exploitation de la basse de données existante du CIRIMAT, du choix du (ou des) modèle(s) d’IA d’optimisations le(s) plus pertinent(s), et de la description de la méthodologie à mettre en place pour le déploiement de ces outils pour l’EPD.
Profil recherché : Etudiant(e) Master 2 ou équivalent en mathématiques appliqués, IA, et intéressé(e) par les sciences chimiques/matériaux, rigueur et autonomie, connaissance des outils de machine learning.
Candidature : Lettre de motivation et CV à envoyer à Sandrine Duluard (sandrine.duluard@utoulouse.fr), Florence Ansart (florence.ansart@utoulouse.fr), Céline Merlet (celine.merlet@utoulouse.fr), Pierre-Louis Taberna (pierre-louis.taberna@utoulouse.fr) avant le 31 janvier 2026.
Contrat : Stage M2 ou équivalent, 6 mois
Context of the project
The CIRIMAT is a joint research unit (UMR 5085 CNRS-UT-INPT) gathering skills in Materials Science and Materials Engineering in Toulouse. The proposed project is linked to work carried out over a decade in collaboration between CIRIMAT and Safran company, in the field of electrophoretic deposition.
Project description
Electrophoretic deposition (EPD) is based on the migration of charged particles dispersed in a suspension. These accumulate towards a substrate and eventually form a coating with controllable thickness and density. Electrophoresis is a multiparametric process, with a lot of influencing parameters related either to the process (applied electric field/current or deposition duration) or to the suspension (electrophoretic mobility, particle concentration in the suspension notably). The "classical" parametric studies as well as studies by experimental design allowed to highlight some empirical laws between deposition parameters and deposited mass for several systems. We wish to go further in the optimization of deposit properties using Machine Learning to interpret more globally the different influential parameters as well as the interactions between these parameters. Furthermore, we are considering using Active Learning, a special case of Machine Learning in
which the learning algorithm will interact with the requester, in our case the investigator. The aim is to add/choose relevant data for learning efficiency. This technique is promising for materials [1] and EPD [2] optimization. As part of this project, the intern will determine the most relevant optimization AI model(s) to exploit the CIRIMAT EPD database, and will design active learning tools and the methodology for their deployment for EPD.
Applicant’s profile : Student with a Master’s degree or equivalent in applied mathematics, AI, and interested in chemical/materials sciences. High level of autonomy, scientific rigour, knowledge of machine learning tools.
To apply : Cover letter and CV to send to Sandrine Duluard (sandrine.duluard@utoulouse.fr), Florence Ansart (florence.ansart@utoulouse.fr), Céline Merlet (celine.merlet@utoulouse.fr), Pierre-Louis Taberna (pierre-louis.taberna@utoulouse.fr) before the 31st of January 2025
Contract : M2 internship, 6 months
[1] Benchmarking active learning strategies for materials optimization and discovery Alex Wang, Haotong Liang, Austin McDannald, Ichiro Takeuchi, Aaron Gilad Kusne, Oxford Open Materials Science, Volume 2, Issue 1, 2022, itac006, https://doi.org/10.1093/oxfmat/itac006
[2] Enhancing dynamical system modeling through interpretable machine-learning augmentations : a case study in cathodic electrophoretic deposition, Christian Jacobsen, Jiayuan Dong, Mehdi Khalloufi, Xun Huan, Karthik Duraisamy, Maryam Akram and Wanjiao Liu, Data-Centric Engineering , Volume 6 , 2025 , e4, https://doi.org/10.1017/dce.2024.51