Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
SL-DES-24-0168
Description du sujet de thèse
Domaine
Physique corpusculaire et cosmos
Sujets de thèse
Développement d'une approche globale de validation des codes de neutronique basée sur l'inférence bayésienne et les techniques de Machine Learning
Contrat
Thèse
Description de l'offre
L’évaluation des données nucléaires avec la production de fichiers internationaux intégrés dans une bibliothèque internationale comme la bibliothèque européenne (JEFF) est d’importance majeure pour l’ensemble des calculs de systèmes et réacteurs nucléaires actuels et futurs. L’évaluation et la maîtrise des incertitudes associées à ces données nucléaires est une tâche particulièrement délicate qui fait intervenir des résultats d’expériences « intégrales » et requiert l’emploi de techniques d’inférence bayésienne avancées. L’objectif de cette thèse est de développer une approche de VVQI/T (Vérification, Validation, Quantification d'Incertitudes et Transposition) des codes de calcul neutronique du CEA qui prenne en compte l’ensemble des sources d’incertitudes (données nucléaires, données géométriques et matérielles, approximations de modèles,…) qui interviennent dans l'équation du transport des neutrons. Pour traiter ces incertitudes de nature aléatoires et épistémiques, on aura recours, conjointement, au cadre bayesien standard et aux méthodes d'apprentissages machine récentes (Deep Learning). En particulier, cette thèse contribuera au travail délicat d’assimilation de données issues de mesures intégrales telles que celles disponibles dans les bases internationales de type IRPhE. Ce travail est essentiel à la validation de la nouvelle bibliothèque européenne JEFF4.
Université / école doctorale
Physique et Sciences de la Matière (ED352)
Aix-Marseille Université
Localisation du sujet de thèse
Site
Cadarache
Demandeur
Disponibilité du poste
01/10/2024
Personne à contacter par le candidat
PALAU Jean-Marc jean-marc.palau@cea.fr
CEA
DEN/DER/SPRC
CEA Cadarache
DEN/DER/SPRC/LEPh
Bâtiment 230
13108 Saint Paul Lez Durance
04 42 25 72 96
Tuteur / Responsable de thèse
NOGUERE Gilles gilles.noguere@cea.fr
CEA
DES/DER/SPRC/LEPH
CEA Cadarache
04 42 25 27 77
En savoir plus