Optimisation de l’estimation de la masse de matière nucléaire par méthodes statistiques avancées
Afin de se conformer aux normes de sécurité et de sûreté relatives au stockage des déchets nucléaires et aux traités de non-prolifération, les producteurs de déchets contenant de l'uranium ou du plutonium ont souvent besoin de mesurer la quantité de matières nucléaires dans leurs déchets radioactifs. La caractérisation radiologique des matières nucléaires par mesure neutronique passive et active est l'une des activités de recherche historiques du Laboratoire de Mesures Nucléaires (LMN) du CEA/IRESNE de Cadarache.
Les compteurs proportionnels remplis de 3He ou recouverts de bore sont les détecteurs de référence utilisés pour ces techniques qui constituent des outils de référence pour la mesure du plutonium ou de l’uranium. En mesure passive, la coïncidence neutronique permet de discriminer les événements de fission spontanée associés notamment au 240Pu des neutrons issus des réactions (a, n). En mesure active, la technique d’interrogation neutronique active (DDT) fournit des informations sur la quantité d'isotopes fissiles à l'intérieur d'un colis de déchets.
Afin de réduire la sensibilité des techniques de mesures neutroniques aux effets d'atténuation de matrice et de localisation du contaminant, un des objectifs de la thèse est d’étudier le couplage de différents types de mesures, tels que la mesure voie par voie, la tomographie d’émission ou la radiographie RX haute énergie, dans un cadre de méthodes statistiques avancées. La thèse vise également à évaluer l’apport des méthodes statistiques avancées, tels que les algorithmes de régression, les approches bayésiennes (parmi lesquelles le processus gaussien), et les réseaux de neurones, pour réduire l’incertitude associée à la masse du plutonium.
Une attention particulière sera accordée au traitement des hétérogénéités de la matrice et de la distribution du contaminant radioactif. L'influence de ces hétérogénéités peut être particulièrement difficile à quantifier, nécessitant non seulement l'utilisation de méthodes statistiques avancées, mais aussi une étude expérimentale approfondie à l’aide du poste de mesure neutronique SYMETRIC du CEA/IRESNE.
Les travaux de thèse seront réalisés au Laboratoire de Mesures Nucléaires du CEA/IRESNE de Cadarache, qui est un laboratoire métier, expert dans les méthodes non-destructives de caractérisation radiologique, élémentaire et physique d’objets qu’ils soient radioactifs ou non. Il est doté de plateformes technologiques de premier plan, implantés dans l’installation TOTEM (mesures neutroniques et gamma) et l’INB Chicade (plateformes SYMETRIC en mesure neutronique et CINPHONIE pour l’imagerie RX de haute énergie). Enfin, le doctorant évoluera dans un environnement collaboratif où les différentes équipes sont en forte interaction les unes avec les autres.
Vers un detecteur pixel à haute resolution spatiale pour l’identification de particules: contribution de nouveaux détecteurs à la physique
Les expériences de physique des particules sur les futurs collisionneurs linéaires à e-e+ nécessitent des progrès dans la résolution spatiale des détecteurs de vertex (jusqu’au micron), ceci afin de déterminer précisément les vertex primaires et secondaires pour des particules de grande impulsion transverse. Ce type de détecteur est placé près du point d’interaction. Ceci permettra de faire des mesures de précision en particulier pour des particules chargées de faible durée de vie. Nous devons par conséquent développer des matrices comprenant des pixels de dimension inférieure au micron-carré. Les technologies adéquates (DOTPIX, Pixel à Puit/Point quantique) devraient permettre une avance significative en reconstruction de trace et de vertex. Bien que le principe de ces nouveaux dispositifs ait été étudié à l’IRFU (voir référence), ce travail de doctorat devrait se focaliser sur l’étude de dispositifs réels qui devraient alors être fabriqués garce aux nanotechnologies en collaboration avec d’autres Instituts. Cela requiert l’utilisation de codes de simulation et la fabrication de structures de test. Les applications en dehors de la physique se trouvent pour l’essentiel dans l’imagerie X et éventuellement les cameras holographiques dans le visible.
Caractérisation chimique 3D de dispositifs ePCM par tomographie STEM-EDX et intelligence artificielle
Cette thèse s'inscrit dans le contexte du progrès récent de la technologie des mémoires à changement de phase dans les applications embarquées (ePCM). La miniaturisation des ePCM pour des nœuds inférieurs à 18nm pose de nombreux défis non seulement dans la fabrication, mais aussi dans la caractérisation physico-chimique de ces dispositifs. L'objectif du projet est d'étudier les phénomènes de ségrégation chimique et de cristallisation en 3D dans les nouveaux alliages PCM intégrés dans des dispositifs ePCM planaires et verticaux, en utilisant la tomographie électronique en mode STEM-EDX (et 4D-STEM). Compte tenu de l'extrême miniaturisation et de la géométrie complexe des dispositifs, l'accent sera mis sur l'optimisation des conditions expérimentales et sur l'application de techniques de machine learning et d'apprentissage profond pour améliorer la qualité et la fiabilité des résultats 3D obtenus. Une corrélation avec le comportement électrique du dispositif sera effectuée pour mieux comprendre les phénomènes à l'origine des défaillances après endurance et après perte de données à haute température.
Un TEM NeoARM Cold-FEG corrigé par sonde (60kV-200kV) sera utilisé pour l'acquisition des données tomographiques. Il est équipé de deux détecteurs SSD à grand angle solide (JEOL Centurio), d'un filtre en énergie CEOS (CEFID) et d'une caméra à détection directe (Timepix3). Le candidat aura également accès aux codes Python développés en interne ainsi qu'aux ressources informatiques nécessaires pour effectuer l'analyse des données spectrales et tomographiques.
Développement d'un cadre d'analyse basé sur le ML pour la caractérisation rapide des conteneurs de déchets nucléaires par tomographie muonique
Cette thèse de doctorat vise à développer un cadre d'analyse avancé pour l'inspection des conteneurs de déchets nucléaires à l'aide de la tomographie muonique, et plus particulièrement via la méthode par diffusion des muons. La tomographie muonique, qui exploite les muons naturels issus des rayons cosmiques pour scanner des structures denses, s'est avérée précieuse dans des domaines dans lesquels les méthodes d'imagerie traditionnelles sont inefficaces. Le CEA/Irfu, avec son expertise dans les détecteurs de particules, cherche à exploiter l'intelligence artificielle (IA) et le Machine Learning (ML) pour optimiser l'analyse des données des muons, notamment pour réduire les temps d'exposition et améliorer la fiabilité des images.
Le projet consistera à se familiariser avec les principes de la muographie, à simuler les interactions des muons avec les conteneurs de déchets et à développer des techniques de traitement d'images et d'augmentation de données basées sur le ML. Le résultat devrait aboutir à des outils efficaces permettant d'interpréter les muographies (images de tomographie muonique), d’accélérer l’analyse et de classifier de manière fiable le contenu des conteneurs. L'objectif de la thèse est d'améliorer la sécurité et la fiabilité de l'inspection des déchets nucléaires en produisant des muographies plus nettes, plus rapides et plus interprétables grâce à des méthodes d'analyse innovantes.
Suivi en ligne des procédés de bio-production par imagerie holographique 3D
La culture des cellules adhérentes sur microcarriers (MCs) est un moyen prometteur pour différentes applications en bioproduction, comme la fabrication et l'administration de biomédicaments, la médecine régénérative, ou le suivi de la différenciation cellulaire. Cependant, elle pose des défis majeurs pour l’analyse des cellules sans affecter l’intégrité du substrat. L’imagerie holographique sans lentille se présente comme une solution prometteuse, capable de capturer des images de cellules sur un grand champ de vue sans aucune étape biochimique supplémentaire.
Cette thèse propose de développer un système d’imagerie holographique 3D pour le suivi des cellules sur MCs en temps quasi-réel, avec des algorithmes avancés pour la reconstruction et l’analyse d’images. Ce système sera intégré dans des bioréacteurs en ligne, testant sa précision et sa robustesse sur des cultures biologiques variées. L’utilisation de l’apprentissage profond permettra la segmentation et l'analyse des cellules en temps quasi-réel, facilitant ainsi le suivi des dynamiques cellulaires. Ce projet innovant promet d'optimiser les procédés biologiques en offrant une vision non invasive des échantillons multicellulaires en 3D, avec des applications potentielles comme le suivi d’organes-sur-puce et de systèmes cellulaires complexes.
Optimisation par Intelligence Artificielle de la Caractérisation In-Situ des Radionucléides Bêta Purs en Milieux Complexes
Avant, pendant, après… la caractérisation de l’état radiologique est essentielle à toutes les étapes du scénario de démantèlement d’une installation nucléaire. Peut-on intervenir directement sur place ou faut-il prévoir de la téléopération ? La contamination d’une zone a-t-elle été complètement éliminée ? Dans quelle catégorie classer tel ou tel déchet nucléaire afin d’optimiser sa gestion future ?
Les mesures nucléaires non destructives in-situ ont pour objectif d’évaluer en temps réel l’état radiologique des procédés et équipements d’une installation, tout en répondant à des critères d’efficacité, de sûreté, de flexibilité et de fiabilité et en réduisent les coûts grâce à des analyses rapides, précises et non invasives. Si les techniques de caractérisation des émetteurs gamma sont bien maîtrisées, celles des émetteurs bêta purs restent un défi de taille en raison du faible parcours des électrons dans la matière et du bruit gamma ambiant qui rend la détection in-situ particulièrement complexe.
L’intégration d’outils d’intelligence artificielle (IA), tels que le machine learning ou le deep learning, dans ce domaine ouvre de nouvelles perspectives. Ces technologies permettent d’automatiser l’analyse de grandes quantités de données tout en extrayant des informations complexes difficiles à interpréter manuellement, notamment pour déconvoluer des spectres continus de rayonnements bêta. Les premiers résultats obtenus dans le cadre de la thèse de L. Fleres, ont montré que l’IA peut prédire et quantifier efficacement les radionucléides émetteurs bêta présents dans un mélange. Bien que prometteuse, cette approche testée en conditions de laboratoire, doit encore être qualifiée dans des conditions réelles de terrain.
La thèse proposée vise à poursuivre et perfectionner ces développements. Elle consistera à intégrer de nouveaux algorithmes, d’explorer diverses architectures de réseaux neuronaux, et d’enrichir les bases de données d’apprentissage afin d'améliorer les performances des systèmes actuels pour la caractérisation in-situ des émetteurs bêta. Cela inclura des scénarios où le rapport signal/bruit gamma est défavorable, ou encore la détection de faibles niveaux d’activité en présence de radioactivité naturelle. D'autres axes de recherche incluront la détection des radionucléides à faible énergie et l'adaptation des outils de déconvolution à des détecteurs de grande surface.
La méthodologie de caractérisation développée à l’issue du projet présentera un fort potentiel de valorisation industrielle en particulier dans le domaine de l’assainissement et du démantèlement. Le doctorant intégrera une équipe disposant d’une riche expérience dans la mise en œuvre de techniques et méthodes de caractérisation radiologique non destructive in-situ et aura l’opportunité d’évaluer les solutions proposées sur des chantiers de démantèlement parmi les plus importants au monde.
Profil recherché : Le profil recherché est un(e) candidat(e) issu(e) d’une école d’ingénieurs ou d’un MASTER M2 avec de bonnes connaissances en mesure nucléaire en particulier des phénomènes physiques liés aux interactions des rayonnements ionisants avec la matière. Des compétences vis-à-vis des méthodes statistiques de traitement de données et en programmation informatique (Pyhton, C++) seraint également appréciées.
Développement de matériaux intelligents pour les applications bas carbone
Le sujet de cette thèse porte sur le développement de matériaux intelligents pour des applications bas carbone, en mettant l'accent sur la fabrication additive métallique. Cette technologie a révolutionné les méthodes de production industrielles en permettant la création de pièces complexes et légères, tout en garantissant une précision et une flexibilité accrues. Cela est particulièrement pertinent dans des secteurs exigeants comme l'aérospatiale, l'automobile et le nucléaire, où la fiabilité est primordiale. En intégrant des capteurs optiques dans des structures métalliques grâce à des procédés de fabrication additive, il est possible de réaliser une surveillance en temps réel de paramètres critiques tels que la contrainte, la température et les doses de rayonnement. Cela permet d'améliorer la sécurité et l'efficacité des opérations d'exploitation et de maintenance. La thèse vise à relever les défis liés à la surveillance et au contrôle des conditions des infrastructures, en garantissant une surveillance continue des structures et un contrôle précis des paramètres environnementaux. De plus, l'étude s'intéresse à la durabilité des matériaux et à la manière dont les capteurs intégrés peuvent fonctionner dans des environnements hostiles. Enfin, cette recherche ambitionne de développer des solutions pour un assainissement et un démantèlement efficaces et sécurisés.