Modélisation des incertitudes des simulations de dispersion atmosphérique et réseaux de neurones

Contexte :

Les modèles 3D de dispersion atmosphérique sont une voie d’amélioration des études de surveillance de l’environnement des sites du CEA/DAM. En effet, ils permettent d’appréhender avec réalisme la répartition des rejets dans l’air et peuvent aider à la prise de décisions. Toutefois, des incertitudes sont associées aux modèles en tant que tels et à leurs données d’entrée (météorologie, terme source…). La propagation directe des incertitudes fait appel à un échantillon de simulations de taille limitée en raison des temps de calcul, ce qui entache l’estimation des quantiles élevés. Pour contourner cette difficulté, on approche le modèle physique par une fonction mathématique, dite « émulateur ». Dans le cas d’un modèle 3D de dispersion, il faut d’abord réduire la dimension de la sortie du modèle car celle-ci est spatialisée sous la forme d’une carte de répartition des rejets ou de leur impact sanitaire. De plus, les travaux réalisés par le CEA montrent que les méthodes classiques de régression ne sont adaptées qu’à des configurations simples et s’appliquent peu à des environnements réels en présence de reliefs ou de bâtiments. Ainsi, l’état de l’art ne permet pas d’atteindre le niveau de complexité des applications du CEA/DAM.

Objectif de la thèse :

Dans le cadre de la thèse, nous proposons d’étudier si certains réseaux de neurones, comme les auto-encodeurs, sont à même de surpasser les méthodes actuelles de prise en compte des incertitudes en dispersion atmosphérique. Deux directions de recherches seront explorées :

• La réduction de dimension des sorties (cartes de concentrations) par un réseau de neurones de la famille des auto-encodeurs en vue de l’application d’une méthode d’émulation,
• L’échantillonnage d’une densité de probabilité de concentrations, sans émulation cette fois, par un réseau auto-encodeur variationnel ou par une paire de réseaux de neurones antagonistes génératifs GAN (qui n’ont jamais été utilisés dans le contexte de la dispersion atmosphérique).

L’apport des réseaux de neurones par rapport aux méthodes disponibles actuellement sera évalué selon des critères de robustesse, de budget de calcul et de facilité d’apprentissage automatique.

Déroulement de la thèse :

T0 (démarrage) à T0 + 6 mois – Bibliographie sur les modèles de dispersion et les réseaux de neurones.
T0 + 6 mois à T0 + 12 mois – Réalisation d’expériences jumelles de dispersion dans des milieux complexes.
T0 +12 mois à T0 + 24 mois – Programmation de réseaux de neurones en tant que méta-modèles.
T0 + 24 mois à T0 + 30 mois – Evaluation des réseaux de neurones et conclusions sur leurs apports.
T0 + 30 mois à T0 + 36 mois – Rédaction du mémoire de thèse.

Les résultats obtenus seront valorisés dans des publications (avec un objectif d’une par année) et dans des présentations en congrès.

DIRECTEUR DE THESE

Olga MULA
mula@ceremade.dauphine.fr

ECOLE DOCTORALE

ED 543
Sciences de la Décision, des Organisations, de la Société et de l’Echange (SDOSE)
Université Paris Dauphine
Place du Maréchal de Lattre de Tassigny
75775 Paris CEDEX 16

ENCADRANT

Patrick ARMAND
patrick.armand@cea.fr

CENTRE

DAM – Île-de-France
Bruyères-le-Châtel
91297 Arpajon
Tél. : 01-69-26-40-00