Host laboratory: Corium and Radioelement Transfer Research Laboratory (LETR)
Beginning of the thesis: October 2015
Student name: Thi Phuong Anh Mac
Subject description (in French)
Dans le contexte de gestion de crise, il est indispensable de disposer d’outils d’aide au
diagnostic et au pronostic des accidents nucléaires graves. Le projet européen FASTNET (Tool
for the fast and reliable prediction of severe accident progression and
anticipation of the source term of a nuclear accident), proposé
par l’IRSN sur la base du retour d’expérience de l’accident de
Fukushima, vise à développer un ensemble d’outils et de méthodes communs
à ces deux tâches et implique des approches déterministes mais aussi,
de manière plus exploratoire, probabilistes.
Ce
travail de recherche s’intéresse aux méthodes probabilistes permettant
de déterminer, à partir d’une liste d’observables, un scénario pouvant
correspondre à la situation d’accident en cours de déroulement en lui
associant un degré de crédibilité. Il se basera sur les réseaux
bayésiens, une forme de représentation des connaissances issue de la
théorie des graphes et de la théorie des probabilités. Un tel réseau est
composé d’un graphe et des distributions de probabilités sous-jacentes :
dans le cas d’une situation accidentelle, les noeuds du graphe
représentent les variables physiques prises en compte et ses arcs, les
liens entre elles.
La stratégie choisie pour ces méthodes est de ne pas produire un réseau bayésien a priori pouvant représenter un accident mais d’apprendre une structure de réseau à partir d’une base d’exemples de calculs générée avec ASTEC, le code de simulation d’accidents graves de l’IRSN. L’apprentissage automatique consiste ici à faire établir un résultat à la machine en lui présentant des exemples connus.
Un
premier travail a permis de montrer la faisabilité de ce type
d’approche en diagnostic d’accident nucléaire grave, malgré une grande
difficulté d’application de l’état de l’art. Les réseaux bayésiens
n’étant pas conçus initialement pour la modélisation des systèmes
physiques complexes, des adaptations ont été apportées aux algorithmes
existants afin de traiter le mélange des variables discrètes et
continues ainsi que l’existence de relations déterministes.
Si les résultats se sont montrés encourageants sur des calculs d’accidents très simples, il reste encore à les transposer sur des cas plus complexes. D’autres aspects de l’accident sont ensuite à prendre en compte, notamment son évolution temporelle, grâce à l’apprentissage de réseaux bayésiens dynamiques. Enfin, la mise en oeuvre de l’inférence
et de la validation/comparaison avec d’autres approches est importante
afin d’aboutir à un ensemble complet de méthodes d’analyse.
