L’application de la spectrométrie gamma à la caractérisation radiologique dans le cadre du démantèlement des installations nucléaires, nécessite le développement d’algorithmes spécifiques pour l’analyse automatique des spectres. En particulier, la classification des déchets en béton, suivant leur niveau de contamination, représente un enjeu crucial pour le contrôle du coût de démantèlement.
Au sein du CEA/List, le LNHB en collaboration avec le CEA/DEDIP, est impliqué depuis quelques années dans le développement d’outils d’analyse automatique des spectres gamma à faible statistique, pouvant notamment être appliqués aux détecteurs scintillateurs (NaI(Tl), plastiques). Dans ce contexte, une approche originale fondée sur un algorithme hybride machine learning/statistique de démélange spectral, a été développée pour l’identification et la quantification de radionucléides en présence de fortes déformations du spectre mesuré, dues notamment aux interactions de l’émission gamma de la source radioactive avec son environnement.
Le sujet proposé fait suite aux travaux de thèse ayant permis le développement l’algorithme hybride dans le but d’étendre cette approche à la caractérisation radiologique des surfaces en béton. Le candidat sera impliqué dans l’évolution de l’algorithme hybride machine learning/statistique pour la caractérisation de béton pour le classement en déchets conventionnels. Le travail comprendra une étude de faisabilité de la modélisation des écarts du modèle appris pour optimiser la robustesse de la prise de décision.