Inférence bayésienne et quantification d’incertitudes pour l’estimation de sources de rejets de radionucléides

​Joffrey Dumont Le Brazidec a soutenu sa thèse le 29 mars 2021.

​En cas de rejet de polluants radioactifs dans l’atmosphère, une des missions des autorités est d’évaluer les conséquences de ce rejet afin de mettre en œuvre, si nécessaire, des mesures de protection des populations. Il peut s’agir d’évacuation ou de mise à l’abri à très court terme et de restrictions de consommation ou de commercialisation des denrées alimentaires contaminées à plus long terme. Pour cela, des modèles numériques sont utilisés pour simuler la dispersion des radionucléides dans l’atmosphère. La précision des résultats obtenus à partir de ces modèles dépend fortement de la connaissance du terme source, c’est-à-dire de la localisation, de la durée, de l’ampleur du rejet ainsi que de sa distribution entre radionucléides. Or, la connaissance du terme source est généralement soumise à d’importantes incertitudes. En plus du terme source, d’autres incertitudes proviennent du modèle de transport, des champs météorologiques, des données de mesure et de la représentativité du modèle par rapport aux mesures. Dans cette thèse, nous avons développé et appliqué des méthodes de modélisation inverse permettant d’améliorer l’évaluation du terme source et de quantifier les incertitudes.

Parmi les méthodes de modélisation inverse, les approches déterministes variationnelles sont efficaces pour fournir une estimation rapide du terme source, mais la quantification des incertitudes associée à cette estimation est généralement difficile. Nous proposons donc d’aborder le problème dans le cadre probabiliste de l’inférence bayésienne qui s’inscrit dans un formalisme permettant d’obtenir une évaluation plus complète des incertitudes. Plusieurs méthodes d’échantillonnage de Monte Carlo à chaîne de Markov (MCMC) sont mises en œuvre afin de reconstruire les variables décrivant la source : l’algorithme de Metropolis Hastings, l’algorithme du parallel tempering et enfin le Reversible-Jump MCMC.

Ces algorithmes sont tout d’abord appliqués et validés sur l’évènement de détection de ruthénium 106 survenu en Europe à l’automne 2017. Les densités de probabilité des variables de la source sont reconstruites afin d’identifier l’origine géographique des détections ainsi que les quantités de ruthénium 106 rejetées dans l’atmosphère. Puis, dans un second temps, plusieurs méthodes sont développées afin d’incorporer et de quantifier différentes sources d’erreurs au sein du problème bayésien et ainsi permettre une meilleure reconstruction de la distribution du rejet.

Le second cas d’étude est dédié à l’accident de Fukushima-Daiichi qui a conduit à des rejets longs associés à une cinétique variable dans le temps. La reconstruction de ces rejets aux caractéristiques plus complexes a nécessité le développement d’un nouvel algorithme MCMC, le Reversible-Jump MCMC, qui a été adapté à partir des méthodes d’échantillonnage précédentes. Appliqué au cas de Fukushima-Daiichi, le Reversible-Jump MCMC montre sa capacité à échantillonner plus finement et plus efficacement la distribution du terme source et des incertitudes.