Impression 4D de matériaux composites et fonctionnels : les polymères magnéto-actifsGiancarlo Rizza (LSI) |
Bien que l’impression 3D existe depuis une trentaine d’années, celle-ci se limite essentiellement au prototypage d’objets statiques. Pour réaliser des objets dynamiques, une nouvelle technologie est en train d’émerger : l’impression 4D. Celle-ci permet l’impression de matériaux composites et/ou fonctionnels, qui changent de forme ou de propriétés dans le temps, la quatrième dimension, sous l’effet de leur environnement : la température, le champ magnétique, le champ électrique, la pression, etc… La synergie entre une matrice intelligente et le design 3D de l’objet a ouvert un nouveau champ de recherche avec des applications allant des énergies renouvelables à la nano-médecine, de la robotique et l’électronique souple à la photonique et la plasmonique. Dans le cadre de la thèse de Simone Lantean, et en collaboration avec le Politecnico di Torino, nous travaillons actuellement au développement de nouvelles résines photosensibles contenant des particules magnétiques pour la fabrication de polymères magnéto-actifs. Les particules sont d’abord nanostructurées grâce à l’application d’un champ magnétique (Fig a) et ensuite l’impression est réalisée grâce à la technique du traitement numérique de la lumière (DLP, pour Digital Light Processing) (Fig b), où la résine liquide photosensible est exposée de manière sélective à une source lumineuse (UV ou visible).
L’impression 3D d’objets avec des anisotropies magnétiques, et donc des mouvements programmables, est possible en ajoutant à une imprimante DLP un système pour contrôler le champ magnétique dans les trois directions de l’espace (Fig c). La prochaine étape de notre travail sera de réduire les dimensions de ces objets programmables vers le micromètre (microrobots) et le nanomètre (nanorobots) pour pouvoir explorer des environnements plus petits ou plus dangereux, pour travailler sur des dispositifs de type laboratoire sur puce, ou pour diffuser des traitements médicaux.
Contacts : Giancarlo Rizza (LSI)
Comprendre la digestion humaine des protéines végétales par la combinaison d’approches in vitro, in vivo et in silicoFrançois Boué (LLB) |
L’étude de la digestion humaine, particulièrement complexe, nécessite une démarche multi-échelle et des expérimentations mêlant physico-chimie et biologie. La modélisation et les techniques de l’intelligence artificielle servent alors à mette en rapport les différentes mesures et hypothèses. Cette étude, menée au LLB en collaboration avec Evelyne Luton, de l’INRAE (Institut national de recherche pour l’agriculture, l’alimentation et l’environnement), implique plusieurs laboratoires de l’INRAE, le Service Hospitalier Frédéric Joliot (SHFJ), le synchrotron Soleil (lignes DISCO et SWING) ainsi que l’université de Bangor, UK (Computer Science Department). Au-delà de la composition de la nourriture en nutriments élémentaires, on sait maintenant que la cinétique de sa décomposition a une influence déterminante sur la biodisponibilité et la métabolisation efficace des nutriments. Cette cinétique dépend de mécanismes biochimiques ayant lieu tout au long du tube digestif, et de boucles de régulation impliquant des processus neurologiques complexes (faim/satiété, plaisir, etc.). Notre suivi in vitro s’appuie sur la physique de la matière molle biologique, étudiée au laboratoire et sur les grands instruments, en couplant différentes échelles : grandes échelles (rhéologie), échelles intermédiaires (microscopies) et nanométriques (mesures de diffusion de neutrons ou de rayons X aux petits angles SANS-SAXS).
Différentes nourritures sont considérées, comme actuellement les gels de protéines végétales (figue). Il nous faut prendre en compte l’hétérogénéité, spatiale et temporelle, intrinsèque à la digestion, liée à la diffusion-réaction des jus digestifs successifs. Selon la technique, on doit optimiser l’homogénéité, ou bien imager ou scanner l’hétérogénéité. L’imagerie médicale in vivo au SHFJ permet de suivre à l’échelle macroscopique la position d’aliments modèles (pois) dans l’estomac et le haut de l’intestin. Enfin, nous mettons en relation hétérogénéité et différentes échelles par modélisation in silico grâce à des techniques d’apprentissage et d’optimisation stochastiques (traitement des signaux, images et données).
Contact : François Boué (LLB)