Développement d'une approche globale de validation des codes de neutronique basée sur l'inférence Bayésienne et les techniques de Machine Learning

Development of a global approach to neutronics code validation based on Bayesian inference and Machine Learning techniques.

• Auteur / Autrice : Pierre-Louis Sazerat
• Direction : Gilles Noguere, Jean-Marc Palau
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : PHYSIQUE THEORIQUE ET MATHEMATIQUE
• Date : Inscription en doctorat le 29/04/2024
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : Ecole Doctorale Physique et Sciences de la Matière
• Partenaire(s) de recherche : Laboratoire : CEA Cadarache - IRESNE

Mots clés

Mots clés libres

Neutronique

Incertitude

Validation expérimentale

Données nucléaires

Modèles Bayésiens

Neutronics

Uncertainty

Experimental validation

Nuclear data

Bayesian models

Résumé

L'évaluation des données nucléaires avec la production de fichiers internationaux intégrés dans une bibliothèque internationale comme la bibliothèque européenne (JEFF) est d'importance majeure pour l'ensemble des calculs de systèmes et réacteurs nucléaires actuels et futurs. L'évaluation et la maîtrise des incertitudes associées à ces données nucléaires est une tâche particulièrement délicate qui fait intervenir des résultats d'expériences « intégrales » et requiert l'emploi de techniques d'inférence bayésienne avancées. L'objectif de cette thèse est de développer une approche de VVQI/T (Vérification, Validation, Quantification d'Incertitudes et Transposition) des codes de calcul neutronique du CEA qui prenne en compte l'ensemble des sources d'incertitudes (données nucléaires, données géométriques et matérielles, approximations de modèles,…) qui interviennent dans l'équation du transport des neutrons. Pour traiter ces incertitudes de nature aléatoires et épistémiques, on aura recours, conjointement, au cadre bayésien standard et aux méthodes d'apprentissages machine récentes (Deep Neural Network, Gaussian Process). En particulier, cette thèse contribuera au travail délicat d'assimilation de données issues de mesures intégrales telles que celles disponibles dans les bases internationales de type IRPhE. Ce travail est essentiel à la validation de la nouvelle bibliothèque européenne JEFF4.

The evaluation of nuclear data with the production of international files integrated in an international library such as the European library (JEFF) is of major importance for all calculations of current and future nuclear systems and reactors. Assessing and controlling the uncertainties associated with these nuclear data is a particularly delicate task, involving ''integral'' experimental results and requiring the use of advanced Bayesian inference techniques. The aim of this thesis is to develop a VVQI/T (Verification, Validation, Quantification of Uncertainties and Transposition) approach for CEA neutron calculation codes that takes into account all sources of uncertainty (nuclear data, geometric and material data, model approximations, etc.) involved in the neutron transport equation. To deal with these uncertainties of a random and epistemic nature, the standard Bayesian framework will be used in conjunction with recent machine learning methods (Deep Learning). In particular, this thesis will contribute to the delicate task of assimilating data from integral measurements such as those available in international databases of the IRPhE type. This work is essential to the validation of the new JEFF4 European library.