
Le vingt-septième webinaire de l’association a été animé par Stéphane Gossé de l’Institut des Sciences Appliquées et de la Simulation pour les énergies bas carbone (Université Paris-Saclay, CEA). Ce webinaire porte sur la modélisation thermodynamique de la solubilité de quelques éléments d’alliage dans les caloporteurs métalliques. Liquid metals and their alloys – particularly lead, lead-bismuth…

Le vingt-sixième webinaire de l’association a été présenté par Enrica Epifano (CNRS CIRIMAT, Université Paul Sabatier, Toulouse) et porte sur la modélisation thermodynamique et thermo-cinétique appliquée aux études d’oxydation à haute température. Plusieurs secteurs industriels, tels que les transports, la production des matériaux et la transformation d’énergie, reposent sur des processus à haute température dans…

L’Afthermat a récemment organisé une nouvelle session de formation centrée sur la Diffraction des Rayons X et les affinements par la méthode de Rietveld. Celle-ci s’est déroulé sur le campus de l’ICMPE, à Thiais, du 15 au 17 Janvier 2025. Cette formation avait pour objectif de permettre aux participants de (re)découvrir les concepts fondamentaux de…

Le vingt-cinquième webinaire de l’association a été animé par Mathias Desseaux de l’Université Claude Bernard – Lyon 1 et s’intitule : « Thermodynamique haute température et haute pression du système Mg – Fe. Acquisition de données et modélisation CALPHAD ». Résumé : L’étude expérimentale des systèmes présentant des interactions fortement répulsives, ce qui est le cas pour beaucoup…

Pour conclure une année 2024 riche en webinaires, Frédéric Caupin (Université Claude Bernard Lyon 1 et Institut Universitaire de France) a présenté ses travaux portant sur le polyamorphisme liquide. Quand on évoque un corps pur à l’état fluide, on ne pense en général qu’à deux états distincts : liquide et vapeur, tous les deux reliés…

Guillaume Deffrennes (SIMaP, Grenoble) a animé le vingt-troisième webinaire de l’Afthermat portant sur l’utilisation du machine learning en thermodynamique des matériaux. L’analyse de données thermodynamiques par machine learning ouvre le champ à de nombreuses perspectives. De vastes espaces de conception d’alliages peuvent être finement explorés à l’aide de modèles de substitution qui reproduisent les calculs…