Contexte

Les réacteurs expérimentaux de type piscine sont utilisés pour des tests de matériaux sous irradiation ou encore pour la production de radio-isotopes. En cas d’insertion accidentelle de réactivité dans le cœur d‘un tel réacteur, la puissance peut augmenter exponentiellement, avec un temps caractéristique de l‘ordre de la dizaine de millisecondes. Le réacteur va alors passer par différents régimes de transferts thermiques : monophasique, déclenchement de l’ébullition puis ébullition nucléée. Si les mécanismes de régulation neutronique échouent à contrôler une augmentation soudaine de la puissance, une crise d'ébullition peut survenir, menant potentiellement à la fonte du combustible. Comprendre ces dynamiques en transitoire rapide est essentiel pour la sûreté nucléaire.

Un partenariat entre le CEA et le MIT a permis de développer un dispositif expérimental avec des méthodes de thermographie infrarouge d’une grande qualité. Celui-ci permet de mesurer le champ de température de la paroi chauffante ainsi que le flux de chaleur transmis à l’eau. Des campagnes d’expériences ont alors étudié les différents régimes de transfert thermique lors de transitoires rapides pour différentes conditions thermo-hydrauliques. Une grande quantité de données expérimentales ont alors été produites sous forme de vidéos de thermographie infrarouge.

L’analyse de ces données expérimentales représente un intérêt potentiel pour la modélisation, la simulation, voire la compréhension de ces phénomènes fortement non-linéaires. Les méthodes d’apprentissage statistiques offrent des outils performants pour conduire ce type d’analyse. En particulier, recament la méthode SINDy (Sparse Identification of Non-linear Dynamics) a été développée dans l’objectif d’extraire la dynamique d’un système sous forme d’équations différentielles à l’aide d’une régression parcimonieuse de type Lasso sur une base de fonctions adaptée au problème. La grande dimensionnalité des données vidéos peut également conduire à déployer une étape d’apprentissage non supervisé par réseaux de neurones autoencodeurs. La construction d’un système dynamique simplifié avec la méthode SINDy pourrait amener des éléments pour guider la modélisation dans le cadre des phénomènes de crise d’ébullition.

Objectifs

L’objectif de ce stage est de développer un modèle permettant de caractériser les mécanismes d’échanges thermiques jusqu’à la crise d’ébullition en appliquant la méthode SINDy aux vidéos de thermographie infrarouge. Le programme de travail s’articulera de la façon suivante :

- Prise en main de la méthode SINDy
- Mise en place des préprocesseurs (auto-encodeur, préparation d’un pipeline de traitement de données)
- Réalisation des calculs d’apprentissage machine (entrainement et validation, optimisation des hyper paramètres)
- Analyse des résultats et application à l’identification d’une équation aux dérivées partielles régissant la dynamique de l’ébullition à partir de vidéos infrarouges

Intelligence artificielle, programmation en python, sens physique. Des connaissances en mécanique des fluides et transfert thermique et une expérience avec l’environnement UNIX seraient appréciées.