Apport de l’intelligence artificielle pour l’amélioration des performances des moniteurs de contamination atmosphérique

Sur les sites nucléaires, des instruments de mesure de la radioactivité atmosphérique sont déployés afin d'assurer la radioprotection des travailleurs. Ce type d'instrument prélève en continu des échantillons d'aérosols atmosphériques sur un filtre, mesure en temps réel le spectre énergétique de la radioactivité accumulée sur le filtre par spectrométrie alpha, et avertit l'opérateur si des émetteurs alpha transuraniens sont détectés. Dans le cas spécifique du démantèlement des installations nucléaires, les variations soudaines des conditions de l'air ambiant entraînent une détérioration de la mesure nucléaire et de fausses alertes récurrentes.

L’objectif est d’améliorer l’analyse via l’utilisation d’algorithmes d’apprentissage statistique. Nous avons d'abord développé un code de simulation de spectres d’énergie, basé sur  des équations de physique nucléaire et des acquisitions expérimentales, pour générer de nombreuses données d'entraînement semi-synthétiques. Nous avons ensuite construit un algorithme d'apprentissage profond qui analyse avec précision la quantité d'émetteurs alpha artificiels sur l’unique base de la mesure nucléaire brute, même dans des conditions atmosphériques atypiques.

L'aspect « boîte noire » de la prise de décision des réseaux neuronaux dans un domaine aussi sensible que la sûreté nucléaire représente toutefois un obstacle majeur à l'utilisation de ces techniques en pratique. C'est pourquoi nous mettons d'abord en œuvre un outil permettant de visualiser le processus de prédiction du modèle (explicabilité). De plus, une analyse de l'incertitude de la sortie du modèle est effectuée en tenant compte des différentes sources d'incertitudes. Une approche par estimation d’une distribution de comptage adaptée aux données hétéroscédastiques est notamment adoptée, montrant de bonnes capacités d’estimation des incertitudes de prédiction.