Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Thèses   /   Identification par Machine Learning des configurations pénalisantes de scénarios accidentels à seuil

Identification par Machine Learning des configurations pénalisantes de scénarios accidentels à seuil

Mathématiques - Analyse numérique - Simulation Sciences pour l’ingénieur

Résumé du sujet

De nos jours, les simulations numériques réalisées dans l'ingénierie nucléaire sont indispensables pour étudier le comportement des installations nucléaires en fonctionnement et concevoir des installations innovantes. Les résultats de simulation sont affectés par diverses sources d'incertitude (e.g., paramètres physiques, paramètres de modélisation). Quantifier et propager ces incertitudes aux résultats de la simulation est un enjeu crucial pour prévoir de façon robuste les quantités d'intérêt en sortie. Lors d’un transitoire accidentel, cela peut être la température maximale de la gaine combustible dans le cœur d'un réacteur ou la pression dans l'enceinte de confinement.

Ce projet de thèse porte sur la méthodologie appelée "Best Estimate Plus Uncertainty" (BEPU) dédiée à la simulation de scénarios accidentels pour la démonstration de sûreté. Cette méthodologie consiste d'abord à simuler le scénario d'intérêt à l'aide d'un code de calcul dit "Best Estimate", c'est à dire capable d'exécuter des simulations du scénario de manière aussi réaliste que possible, puis à représenter les incertitudes des paramètres en entrée par des lois de probabilité. Il s'agit ensuite de propager ces incertitudes aux sorties d'intérêt et identifier les configurations (des entrées) qui sont critiques en regard de la sûreté du cœur du réacteur. Lorsque les simulations sont coûteuses en temps d'exécution, cette méthodologie s'appuie en général sur la construction d'un modèle de substitution, appelé métamodèle, et émulant chaque sortie d'intérêt. Construit à partir d'un nombre limité de simulations du code, ce métamodèle (tel que le métamodèle par processus gaussien) permet ensuite d'explorer plus intensivement l'espace des paramètres incertains. Cette méthodologie BEPU a déjà été développée pour des transitoire réguliers, mais jamais pour des transitoires comportant des effets de seuil.

La thèse visera ainsi à mettre en œuvre des techniques avancées de Machine Learning pour mener à bien les étapes de métamodélisation et de propagation des incertitudes lorsque les simulations sont soumises à des effets de seuil dus à des bifurcations physiques du scénario accidentel simulé. Ces techniques seront appliquées à la simulation d'un accident d'insertion de réactivité pour lequel des bifurcations ont été identifiées mais dont l'impact sur les incertitudes n'a pas encore complètement caractérisé. Ce travail de thèse contribuera ainsi à la démonstration de sûreté par la simulation numérique des accidents nucléaires à seuil.

Laboratoire

Département de Modélisation des Systèmes et Structures
SERVICE DE GENIE LOGICIEL POUR LA SIMULATION
Laboratoire d'Intelligence Artificielle et de science des Données
Top envelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down