Apport de l'intelligence artificielle pour améliorer la caractérisation par spectrométrie bêta des radionucléides émetteurs bêta purs

Contribution of Artificial Intelligence to Improve Beta Spectrometry Characterization of Pure Beta-Emitting Radionuclides

• Auteur / Autrice : Lorenzo Fleres
• Direction : Frédérick Carrel, Julien Venara
• Type : Thèse de doctorat
• Discipline(s) : Physique nucléaire
• Date : Soutenance le 16/12/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, hadrons, énergie et noyau : instrumentation, imagerie, cosmos et simulation (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Département de recherche sur les Procédés et les Matériaux pour les Environnements complexes (Bagnols-sur-Cèze, Gard ; 2023 - ....)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-….)
• Jury : Président / Présidente : Bertrand Perot
• Jury : Examinateurs / Examinatrices : Patrick Armand, Claire Michelet, Geoffrey Daniel
• Jury : Rapporteurs / Rapporteuses : Patrick Armand, Claire Michelet

Mots clés

Mots clés contrôlés

Monte-Carlo, Méthode de

Spectroscopie -- Déconvolution

Installations nucléaires -- Déclassement

Spectroscopie bêta

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Spectrométrie bêta

Démantèlement

Déconvolution

Monte Carlo

Artificial intelligence

Beta spectrometry

Decommissioning.

Deconvolution

Monte Carlo

Résumé

La caractérisation radiologique est une phase clé des projets d'assainissement et de démantèlement (A&D) des installations nucléaires. La caractérisation non destructive des radionucléides émetteurs bêta purs présente des défis majeurs. La courte portée des électrons, combinée au spectre continu de la désintégration bêta et aux interférences provenant d'autres sources de rayonnement, produit des spectres complexes difficiles à déconvoluer. L'objectif principal de cette thèse est de développer une méthode d'analyse automatisée des spectres acquis par spectrométrie bêta in-situ. Cette méthode repose sur trois éléments fondamentaux : un détecteur optimisé pour la détection des particules bêta, un modèle Monte Carlo permettant de simuler la réponse du détecteur pour différentes configurations de mesure et une technique de déconvolution pour l'analyse des spectres mesurés. La méthode a été appliquée à un scintillateur plastique EJ200 et à un détecteur de type Passivated Implanted Planar Silicon (PIPS), chacun couplé à un modèle numérique MCNP6.2. Une approche hybride de déconvolution a été examiné, combinant l'utilisation de Réseaux de Neurones Artificiels (RNA) pour l'identification des radionucléides avec l'algorithme Maximum Likelihood Expectation Maximization (MLEM) pour la quantification des activités. L'approche a été testée sur des spectres bêta mesurés en laboratoire, puis appliquée à des échantillons de graphite irradiés issus du réacteur G1, prouvant son potentiel pour améliorer la spectrométrie bêta in-situ dans le cadre des opérations de démantèlement nucléaire.

Radiological characterization is a key phase in nuclear facility decommissioning and dismantling (D&D) projects. Characterizing pure beta-emitting radionuclides non-destructively presents unique challenges. The short range of electrons, combined with the continuous beta decay spectrum and interference from other radiation sources, results in complex spectra that are difficult to deconvolute. The primary objective of this thesis is to develop a method for automated analysis of in-situ beta spectrometry measurements. This method is built around three key components: an optimized detector for beta radiation, a Monte Carlo model to simulate detector responses for different measurement configurations, and a deconvolution technique for processing the acquired spectra. The method was implemented for an EJ200 plastic scintillator and a Passivated Implanted Planar Silicon (PIPS) detector, each coupled with MCNP6.2 numerical models. A hybrid deconvolution approach was explored, combining Artificial Neural Networks (ANN) for radionuclide identification with the Maximum Likelihood Expectation Maximization (MLEM) algorithm for activity quantification. The proposed approach was tested on laboratory-measured beta spectra and applied to irradiated graphite samples retrieved from the G1 reactor, demonstrating its ability to improve in-situ beta spectrometry for nuclear decommissioning operations.