Développement d'outils d'aide au diagnostic en contexte incertain : application aux diagnostics de situations accidentelles

​Ahmed Mabrouk a soutenu sa thèse le 13 septembre 2016 à l'Université Pierre et Marie Curie, à Paris.

Le diagnostic des scénarios d’accidents nucléaires graves représente un enjeu majeur

pour la sûreté nucléaire et la gestion de crise. Au cours de l’accident de Fukushima,

des calculs de scénarios accidentels permettant d’expliquer les observations disponibles ont été menés avec ASTEC, le code de simulation d’accident grave de l’IRSN. Le peu d’informations disponibles, dont certaines se sont ensuite par ailleurs avérées peu fiables, a conduit à imaginer plusieurs scénarios explicatifs sans qu’il soit possible de leur attribuer un degré de crédibilité absolue ou relative.

Ainsi, ce travail de recherche vise à proposer un outil dédié à la modélisation et au diagnostic des scénarios d’accident à base de réseaux bayésiens. L’usage des réseaux

bayésiens reposera sur l’apprentissage de bases de données de calculs créés avec le

logiciel de calcul d’accident grave ASTEC. Les réseaux bayésiens sont issus de la théorie

des graphes et de la théorie des probabilités, et permettent de représenter de manière

synthétique et hiérarchisée une base de connaissances.

Le travail de la première année a été consacré à l’étude des scénarios d’accidents graves envisagés sur un réacteur à eau pressurisé (REP) sur la base d’une série de simulation de ces derniers au moyen d’ASTEC. A la lumière de cette première étape, il est apparu que les données accidentelles issues des simulations numériques sont d’un coté de nature continue et d’autre côté reliées à la fois par des relations déterministes et probabilistes. Ces deux contraintes posent un sérieux problème pour les algorithmes de construction des réseaux bayésiens qui supposent à la fois que toutes les relations entre variables sont de nature probabiliste et les variables sont de nature factorielle (discrète).

Concernant le premier point, notre effort s’est donc tout d’abord focalisé sur une étude

bibliographique des différentes approches d’apprentissage des réseaux bayésiens qui

prennent en considération les données de nature déterministes suivi de la proposition

d’un nouvel algorithme d’apprentissage de structure.

Concernant l’étape de discrétisation, après une étude bibliographique des différentes

approches de discrétisation, nous avons proposé une approche qui nous a permis de

pallier les inconvénients de ces dernières tout en minimisant la perte de l’information

lors de la transformation des données. Au sein de cette approche, nous supposons que la variable à discrétiser suit un mélange des lois normales tronquées. Étant donnée cette hypothèse, notre algorithme a pour but l’estimation des paramètres optimaux de la distribution de la variable en question tout en prenant en compte ses éventuelles corrélations avec les autres variables (au sein du réseau bayésien). Les premiers résultats de notre approche de discrétisation montrent des gains d’efficacité par rapport aux méthodes existantes.