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

Using artificial intelligence to improve the performance of atmospheric contamination monitors

• Auteur / Autrice : Arthur Roblin
• Direction : Santiago Velasco forero
• Type : Projet de thèse
• Discipline(s) : Morphologie mathématique
• Date : Inscription en doctorat le 16/10/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Mathématiques et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : CMM - Centre de Morphologie Mathématique
• Partenaire(s) de recherche : établissement opérateur d'inscription : Mines Paris-PSL

Mots clés

Mots clés libres

Intelligence artificielle

Radioactivité

Aérosols

Artificial intelligence

Radioactivity

Aerosols

Résumé

Dans les installations nucléaires, la surveillance obligatoire de la contamination aéroportée est opérée par des instruments dédiés (CAM – Continuous Air Monitor) qui collectent les aérosols sur un filtre, mesurent la radioactivité déposée et déclenchent une alarme lorsqu'un seuil prédéterminé en activité est dépassé. Cette mesure et donc les alarmes sont très influencées par les variations en taille et concentration des aérosols. Afin de contourner cette difficulté, nous nous intéressons à l'apport de l'intelligence artificielle pour détecter efficacement la présence d'émetteurs alpha artificiels dans un spectre. L'objectif final est de réduire le taux de faux positifs, i.e. de fausses alarmes.

In nuclear facilities, the mandatory monitoring of airborne contamination is carried out by dedicated instruments (CAM - Continuous Air Monitor) which collect aerosols on a filter, measure the deposited radioactivity and trigger an alarm when a predetermined activity threshold is exceeded. This measurement, and hence the alarms, are highly influenced by variations in aerosol size and concentration. In order to overcome this difficulty, we are interested in using artificial intelligence to efficiently detect the presence of artificial alpha-particle in a spectrum. The ultimate aim is to reduce the rate of false positives, i.e. false alarms.