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   /   Optimisation par Intelligence Artificielle de la Caractérisation In-Situ des Radionucléides Bêta Purs en Milieux Complexes

Optimisation par Intelligence Artificielle de la Caractérisation In-Situ des Radionucléides Bêta Purs en Milieux Complexes

Instrumentation Mathématiques - Analyse numérique - Simulation Sciences pour l’ingénieur

Résumé du sujet

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.

Laboratoire

Département de recherche sur les Procédés et Matériaux pour les Environnements complexes
Service d’Etudes des Matériaux et de l’Etanchéité
Laboratoire d’étude des technologies du Numérique et des Procédés Avancés
Top envelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down