La plupart des nouveaux concepts de réacteur à eau pressurisée proposent des boucles de convection naturelle pour évacuer la chaleur résiduelle, en particulier ceux de petite ou moyenne puissance (SMR). Pour s’assurer que ces systèmes innovants démarreront et fonctionneront comme prévu dans toute la gamme des conditions opératoires envisagées, on a recours à des essais dans des maquettes à échelle réduite. Seule une similitude partielle étant généralement possible avec ces maquettes, il faut déterminer les nombres dimensionnels prépondérants pour maîtriser le choix des phénomènes dont la représentativité sera sacrifiée. Or, cette détermination est difficile en présence de phénomènes multi-physiques, dynamiques, non-linéaires ou couplés, aboutissant à des dizaines de groupements adimensionnels que l’on ne peut hiérarchiser. Dans ce travail de thèse, on se propose tout d’abord de générer une collection de données numériques caractérisant un système d’évacuation de la puissance résiduelle par convection naturelle (simulations Cathare, synthèse d’essais existants). Cette collection de données viendra ensuite alimenter un algorithme d’identification automatique des nombres adimensionnels prépondérants, que le doctorant devra développer en s’inspirant de techniques de type machine learning, pénalisation, décomposition en valeurs singulières… L’algorithme sera appliqué à des boucles et dispositifs fonctionnant en convection naturelle tels que ceux étudiés au DER/SESI de l'institut CEA/IRESNE.