Méthodologies En Microscopie Environnementale

• ETEM en milieu humide.

Une première étude a été impulsée sur le vapo-reformage du méthane in situ dans le microscope avec introduction de vapeur d’eau (collaboration avec ATARI). Ce travail se poursuivre par la condensation d’eau (voire l’observation en milieu liquide) grâce à un projet de recherches collaboratif validé dans le cadre de l’AAPG 2020 de l’ANR (PRC ‘WATEM’ : Water in the TEM, coordonné par MEME au sein d’IRCELYON). UN porte-objet dédié est en cours de développement, qui sera appliqué à l’étude des premiers stades d’hydratation d’aérosols de laboratoire et/ou naturels. Ce projet qui prolonge un travail en cours avec le groupe ATARI (thèse de Clément Chatre, 2019-2021) concerne la problématique de formation des nuages et se propose de mieux comprendre l’interaction entre molécules d’eau et particules servant de germe à la condensation.

Illustration de l’analyse de la déliquescence d’aérosols en ESEM in situ. De gauche à droite : évolution de la taille de particules à différents taux d’humidité (Relative Humidity) contrôlée et mesures d’accroissement de rayon équivalent comparées à la prédiction théorique de Köhler (C. CHATRE, thèse en cours, E. EHRET, B. NOZIERE, soumis 2021).

• ‘Tracking’ intelligent de nanoparticules.

En cours de conditionnement ou d’activité des nanocatalyseurs supportées, l’évolution morphologique des nanoparticules (NPs) est un facteur clé de l’efficacité catalytique du système. Grâce au mode environnemental de l’ETEM, le suivi peut être opéré en fonction du temps et des conditions de température, de nature et de pression de gaz. Une méthode de Deep Learning, basée sur des simulations réalistes pour la partie apprentissage, et des réseaux de neurones tels UNET pour le traitement, est mise en œuvre pour une analyse automatique et statistique de séquences dynamiques acquises in situ.

Illustration du tracking de NPs de Pd sur support d’alumine d en cours de calcination in situ à 250°C sous 2 mbar d’oxygène (ETEM, 300 kV). A gauche : dernière image STEM d’une séquence de chauffage durant environ 3h40 (72 images).  A droite : tracé des trajectoires (en rouge) déterminées manuellement (NPs marquées par des croix bleues). Au centre : trajectoires (en jaune) mesurées par une analyse entièrement automatique par Deep Learning ; en rouge : portions de vraies trajectoires non identifiées, en violet : faux positifs (K. FARAZ, T. GRENIER, C. DUCOTTET, T. EPICIER, projet ‘Dionisos’, présenté en congrès, à paraître 2022).

• Tomographie électronique rapide environnementale.

Développement d’acquisitions rapides (quelques minutes à quelques secondes) de séries ‘tiltées’ pour reconstruction tridimensionnelle en tomographie électronique de le suivi de l’évolution morphologique de nano-objets (particules, grains, cristallites) sous conditions environnementales de pression de gaz et de température en ETEM.

Illustration de la tomographie rapide : combustion de suie sur zircone yttriée. Une estimation de l’énergie d’activation du processus a pu être déduite de l’analyse de la diminution du volume de la suie en cours de combustion (tracé d’Arrhenius ln(speed) vs. 1/T à droite), grâce à 35 acquisitions tomographiques en moins de 2 heures entre 400 et 600°C sous 1.7 mbar d’oxygène (T. EPICIER, S. KONETI, L. ROIBAN, H. BANJAK, D. LOPEZ-GONZALEZ, P. VERNOUX, présenté en congrès, en cours de rédaction, 2021 ; projet ANR ‘3DCLEAN’ 15-CE09-0009-01, 2015-2020).