Description de la BU
Au sein de FRAMATOME, la Direction Technique et Ingénierie assure le développement, la conception et le licensing des chaudières nucléaires et des équipements associés. Elle propose également aux exploitants des études d'ingénierie de conception, de réalisation et de services. Elle intervient, à ce titre, comme autorité technique en apportant toute son expertise afin d'offrir un haut niveau de sûreté et de performance.
Description de la mission
Introduction du machine learning dans le dimensionnement de la perte de représentativité des collectrons sur EPR.
Contexte :
L'instrumentation in-core de l'EPR (collectrons) mesure le flux neutronique en temps réel afin d'assurer le respect des critères de sûreté. Ces détecteurs sont régulièrement calibrés afin de représenter fidèlement l'évolution du flux dans le cœur.
À la suite d'un calibrage, la situation du cœur évolue, ce qui entraîne une perte de représentativité, ou « Loss of Representativeness » (LOR), des mesures issues des collectrons. La LOR constitue une composante de l'incertitude intégrée aux chaînes de surveillance et de protection de l'EPR.
Mission :
L'objectif du stage est de contribuer à l'introduction de modèles de machine learning au sein d'une méthode statistique permettant de déterminer l'incertitude liée à la LOR pour l'EPR, dans un contexte français.
Cette méthode statistique permet de modéliser des centaines de configurations de cœur, à la fois en conditions de fonctionnement normal et en conditions accidentelles. Elle repose sur le tirage aléatoire de configurations de cœur, correspondant à un ensemble de paramètres de fonctionnement, qui sont ensuite soumises à un code de calcul neutronique.
L'introduction de modèles de machine learning permettra de générer de nouvelles configurations de cœur pertinentes à partir des résultats des calculs neutroniques.
Profil
Vous êtes en dernière année d'école d'ingénieurs ou préparez une formation universitaire équivalente, avec une spécialisation dans le domaine du nucléaire.
Vous disposez :
Vous faites preuve de rigueur, d'esprit d'équipe et d'écoute, et avez un goût prononcé pour la physique et la technique.
Rejoignez-nous pour contribuer à un sujet innovant, à la croisée de la physique nucléaire, de la simulation numérique et du machine learning, et participez au développement des outils de sûreté des réacteurs nucléaires de demain.
Au sein de FRAMATOME, la Direction Technique et Ingénierie assure le développement, la conception et le licensing des chaudières nucléaires et des équipements associés. Elle propose également aux exploitants des études d'ingénierie de conception, de réalisation et de services. Elle intervient, à ce titre, comme autorité technique en apportant toute son expertise afin d'offrir un haut niveau de sûreté et de performance.
Description de la mission
Introduction du machine learning dans le dimensionnement de la perte de représentativité des collectrons sur EPR.
Contexte :
L'instrumentation in-core de l'EPR (collectrons) mesure le flux neutronique en temps réel afin d'assurer le respect des critères de sûreté. Ces détecteurs sont régulièrement calibrés afin de représenter fidèlement l'évolution du flux dans le cœur.
À la suite d'un calibrage, la situation du cœur évolue, ce qui entraîne une perte de représentativité, ou « Loss of Representativeness » (LOR), des mesures issues des collectrons. La LOR constitue une composante de l'incertitude intégrée aux chaînes de surveillance et de protection de l'EPR.
Mission :
L'objectif du stage est de contribuer à l'introduction de modèles de machine learning au sein d'une méthode statistique permettant de déterminer l'incertitude liée à la LOR pour l'EPR, dans un contexte français.
Cette méthode statistique permet de modéliser des centaines de configurations de cœur, à la fois en conditions de fonctionnement normal et en conditions accidentelles. Elle repose sur le tirage aléatoire de configurations de cœur, correspondant à un ensemble de paramètres de fonctionnement, qui sont ensuite soumises à un code de calcul neutronique.
L'introduction de modèles de machine learning permettra de générer de nouvelles configurations de cœur pertinentes à partir des résultats des calculs neutroniques.
Profil
Vous êtes en dernière année d'école d'ingénieurs ou préparez une formation universitaire équivalente, avec une spécialisation dans le domaine du nucléaire.
Vous disposez :
- d'une première expérience avec les codes de calcul et la simulation numérique ;
- d'un esprit de synthèse et de bonnes capacités rédactionnelles ;
- d'une connaissance de l'environnement Linux et du langage de programmation Python.
Vous faites preuve de rigueur, d'esprit d'équipe et d'écoute, et avez un goût prononcé pour la physique et la technique.
Rejoignez-nous pour contribuer à un sujet innovant, à la croisée de la physique nucléaire, de la simulation numérique et du machine learning, et participez au développement des outils de sûreté des réacteurs nucléaires de demain.
