Dans le cadre de l'utilisation durable de l'énergie nucléaire dans le cadre d'un mix énergétique décarboné en association avec les énergies renouvelables, les réacteurs de IVe génération à neutrons rapides sont cruciaux pour la fermeture du cycle du combustible et la maîtrise de la ressource en uranium. La maîtrise de la sûreté d'un tel réacteur à caloporteur sodium repose notamment sur la détection précoce de vides gazeux dans les circuits. Dans ces milieux opaques et métalliques, les méthodes d’imagerie optiques sont inopérantes, d’où la nécessité de développer des techniques innovantes.
Cette thèse s'inscrit dans le développement de la tomographie d'impédance électrique (EIT) appliquée aux métaux liquides, une approche non intrusive permettant d'imager la distribution de conductivité dans un écoulement.
Les travaux porteront sur l’étude des phénomènes électromagnétiques dans les milieux diphasiques métal/gaz, en particulier l’effet de peau et les courants de Foucault produits par des champs oscillants.
Des approches d’intelligence artificielle, notamment les Physics-Informed Neural Networks (PINNs), seront explorées pour combiner apprentissage numérique et contraintes physiques et seront comparées à l’utilisation de simulations numériques.
L’objectif est d’établir des modèles physiques adaptés au contexte métallique et de concevoir des méthodes d’inversion robustes vis-à-vis des bruits de mesure.
Des essais sur galinstan permettront de valider les modèles et de démontrer la faisabilité de la détection d’inclusions gazeuses dans un métal liquide.
Ce travail conduit à l'institut IRESNE du CEA Cadarache,ouvrira de nouvelles perspectives d’imagerie électromagnétique pour les milieux opaques fortement conducteurs.