Méthodes de machine learning pour la reconstruction des sectionsefficaces dans les codes de neutronique déterministe à l'échelle coeur

Machine learning methods for cross-section reconstruction in full-core deterministic neutronics codes

• Auteur / Autrice : Olivier Truffinet
• Direction : Bertrand Bouriquet
• Type : Projet de thèse
• Discipline(s) : Sciences de l'énergie nucléaire
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat
• Partenaire(s) de recherche : Laboratoire : Service d'Études de Réacteurs et de Mathématiques Appliquées (SERMA)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)

Mots clés

Mots clés libres

Neutronique

Apprentissage statistique

Sections efficaces homogénéisées

Processus gaussiens multi-sorties

Régression multi-tâches

Apprentissage actif

Neutronics

Machine learning

Homogenized cross sections

Multi-output gaussian processes

Empirical Interpolation Method

Multitask regression

Résumé

En neutronique, le calcul de cœur repose sur l'interpolation de sections efficaces tabulées par un calcul réalisé à une échelle plus réduite (le calcul réseau). La thèse porte sur les méthodes de reconstruction des sections efficaces. La méthode historique d'interpolation multilinéaire est robuste, mais elle nécessite de mobiliser une taille mémoire très importante pour atteindre la précision visée. Les recherches récentes montrent qu'il est possible, grâce à des techniques de « machine learning », de reconstruire plus rapidement et plus précisément les sections efficaces. Ces travaux méritent d'être poursuivis en cherchant à : - Démontrer la robustesse des méthodes de reconstruction des sections efficaces sur des cas variés et complexes (sections efficaces dépendant de plus de quatre paramètres) ; - Minimiser le nombre de calculs réseau nécessaire en support à l'interpolation. Pour atteindre ces objectifs, des techniques utilisant les méthodes de bases réduites telles que la Generalized Empirical Interpolation Method (GEIM), sont prometteuses. En complémentarité, les travaux précédents sur les réseaux de neurones seront poursuivis. La thèse se déroulera en partenariat avec EDF et différents laboratoires du CEA.

In neutronics, the core calculation is based on the interpolation of tabulated cross sections by a calculation performed at a smaller scale (the lattice calculation). This thesis deals with the methods for the reconstruction of homogenized cross sections. The historical method of multilinear interpolation is robust, but it requires a very large memory size to achieve the targeted accuracy. Recent research shows that it is possible, thanks to machine learning techniques, to reconstruct more quickly and accurately the cross-sections. This work deserves to be continued by seeking to: - Demonstrate the robustness of the cross-section reconstruction methods on various and complex cases (cross-sections depending on more than four parameters); - Minimize the number of lattice calculations required to support the interpolation. To achieve these objectives, techniques using reduced basis methods such as the Generalized Empirical Interpolation Method (GEIM), are promising. As a complement, previous work on neural networks will be pursued. The thesis will be carried out in partnership with EDF and various CEA laboratories.