Holographie gamma par apprentissage machine

Gamma holography by machine learning

• Auteur / Autrice : Adrien Frigerio
• Direction : Hervé Cardot, Xavier Dupuis
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 18/09/2023
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Carnot-Pasteur (Besançon ; Dijon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Mathématiques de Bourgogne (IMB) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Anne Gégout-Petit
• Jury : Examinateurs / Examinatrices : Marie-Christine Lépy
• Jury : Rapporteurs / Rapporteuses : Cédric Carasco, Vincent Duval

Mots clés

Mots clés contrôlés

Co-adaptation (informatique)

Apprentissage supervisé (intelligence artificielle)

Apprentissage automatique

Radioactivité

Mots clés libres

Radioactivité

Apprentissage machine

Imagerie

Imaging

Machine learning

Radioactivity

Résumé

La spectromètrie γ permet l’estimation, de manière non destructive, de l’activité des radionu-cléides contenus dans des objets contaminés. Cette quantification passe par le calcul du ratio dephotons comptés par le détecteur (un spectromètre γ) par rapport au nombre de photons émis parles sources radioactives. Ce ratio est appelé également efficacité d’observation ou rendement de lamesure. Il dépend principalement de l’éloignement des sources au détecteur, de la matière écrantraversée par les photons γ et de la réponse du détecteur. Elle varie également avec l’énergie desphotons émis.L’estimation au plus juste et de manière automatique de cette efficacité d’observation est l’undes enjeux majeurs de la spectrométrie γ. Que ce soit pour réduire les incertitudes sur les activitésou pour répondre à l’augmentation du besoin en mesures. C’est ce que propose la nouvelle méthodeau coeur de ce mémoire : l’holographie gamma.L’algorithme développé permet, grâce à l’ajustement au sens du maximum de vraisemblanceà un modèle physique exhaustif du rendement, de mutualiser l’information d’une collection despectres acquis autour de l’objet mesuré. L’enveloppe convexe formée par le plan d’expérienceréalisé autour de l’objet n’est pas sujet à des contraintes particulières ; contrairement aux algorithmes classiques comme ceux utilisés, par exemple, en tomographie. Le modèle physique étantnon linéaire par rapport à ses paramètres, nous aurons recours à l’optimisation non linéaire afin demener à bien l’ajustement. Un critère d’arrêt pour cette recherche de solution basé sur la structuredu problème et le bruit d’observation, afin d’être automatiquement "mis à l’échelle" du problème,sera proposé.In fine, c’est une estimation du nombre de points chauds, de leur localisation et de leur activité,mais aussi une idée des écrans au sein de la scène de mesure, qui devient accessible à l’opérateurde mesure.Cette reconstruction de l’agencement interne de la scène de mesure par holographie gamma estfinalement mise à l’épreuve, pour en valider les performances et appréhender ses limites. D’unepart sur des mesures réelles de boîtes à gants, d’autre part sur des données simulées à l'aide d'un code de transport de particules.

Γ spectrometry allows the estimation, in a non-destructive way, of the activity of radionuclides.cleides contained in contaminated objects. This quantification involves calculating the ratio ofphotons counted by the detector (a γ spectrometer) compared to the number of photons emitted byradioactive sources. This ratio is also called observation efficiency or performance of themeasure. It mainly depends on the distance from the sources to the detector, the screen materialtraversed by the γ photons and the response of the detector. It also varies with the energy of theemitted photons.The most accurate and automatic estimation of this observation efficiency is onemajor challenges of γ spectrometry. Whether it is to reduce uncertainties about the activitiesor to meet the increased need for measurements. This is what the new method proposesat the heart of this document: gamma holography.The developed algorithm allows, thanks to the adjustment in the sense of maximum likelihoodto an exhaustive physical model of yield, pool information from a collection ofacquired spectra around the measured object. The convex hull formed by the experimental planerealized around the object is not subject to particular constraints; unlike the algorithmsclassical algorithms such as those used, for example, in tomography. The physical model beingnonlinear with respect to its parameters, we will resort to nonlinear optimization in order tocomplete the adjustment. A stopping criterion for this search for a solution based on the structureof the problem and the observation noise, in order to be automatically "scaled" from the problem,will be proposed.Ultimately, it is an estimate of the number of hotspots, their location and their activity,but also an idea of ​​the screens within the measurement scene, which becomes accessible to the operatorof measurement.This reconstruction of the internal arrangement of the measurement scene by gamma holography isfinally put to the test, to validate its performance and understand its limits. Firston real glove box measurements, then on simulated data using a particle transport code.