Ingénieur conception réacteur, études sûreté ne... H/F

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 coeur. À la suite d'un calibrage, la situation du coeur 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 coeur, à la fois en conditions de fonctionnement normal et en conditions accidentelles. Elle repose sur le tirage aléatoire de configurations de coeur, 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 coeur pertinentes à partir des résultats des calculs neutroniques.