Modélisation par réseaux de neurones : application à la gestion du combustible dans un réacteur.

Résumé Tous les ans, un quart du combustible nucléaire d'un cœur de réacteur est remplace par du combustible neuf. Du fait de leur historique. Les autres combustibles ont des propriétés physiques très différentes. Se pose alors le problème de la répartition du combustible au sein du cœur tout en veillant à ce que le plan de chargement proposé vérifie des contraintes de sureté : c'est le problème du repositionnement de combustible. Si une recherche exhaustive est illusoire, elle nécessite le calcul des caractéristiques neutroniques, notamment le pic de puissance, pour des milliers de plans de chargements. Dans un code d'optimisation automatique comme Formosa, le calcul de ces caractéristiques représente 90% de la dizaine d'heures nécessaire à l'optimisation. Afin de réduire ce temps de calcul, nous proposons une architecture neuronale originale adaptée au phénomène physique à modéliser. Une analyse de données a permis de caractériser plus finement le combustible nucléaire. L'introduction d'une connaissance a priori portant sur les phénomènes neutroniques a permis de réduire le nombre de paramètres libres du modèle. Nous avons ensuite implémenté ce modèle neuronal dans Formosa, et nous avons montre sur des problèmes réels d'EDF un gain de temps considérable. Enfin, nous proposons également une méthode hybride alliant le meilleur parti de l'approximateur linéaire local GPT (generalized perturbation theory) et les réseaux de neurones.