Méthode d'optimisation multiobjectif de la conduite d'un réacteur nucléaire : application à un RNR-Na fonctionnant avec un cycle de Brayton
Auteur / Autrice : | Avent Grange |
Direction : | Jean-Henry Ferrasse, Olivier Boutin |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences de l'environnement. Génie des procédés |
Date : | Soutenance le 11/12/2019 |
Etablissement(s) : | Aix-Marseille |
Ecole(s) doctorale(s) : | Ecole doctorale Sciences de l'Environnement (Aix-en-Provence ; 1996-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de Mécanique, Modélisation et Procédés Propres (M2P2) (Marseille, Aix-en-Provence) - Laboratoire d'études et de modélisations des systèmes LEMS (CEA Cadarache) |
Jury : | Président / Présidente : Denis Bouyer |
Examinateurs / Examinatrices : Amandine Marrel, Abderrazak Latifi, Jean-Baptiste Droin, Frédéric Bertrand | |
Rapporteurs / Rapporteuses : Elsa Merle, Jean Baccou |
Mots clés
Mots clés libres
Résumé
La définition de la conduite d’un réacteur nucléaire permet à ce dernier d’atteindre des objectifs de performance thermodynamique et de répondre à des exigences de sûreté. La méthode développée, lors de ces travaux, définit la conduite par la résolution d’un problème d’optimisation multiobjectif et contraint. Les variables de décision retenues sont les actionneurs et les paramètres descriptifs des régulations intervenant au cours de la conduite. Le nombre de variables de décision étant potentiellement élevé, la résolution d'un problème d'optimisation requiert un grand nombre de calculs. Or, la conduite d’un réacteur est modélisée par l’Outil de Calcul Scientifique (OCS) de thermohydraulique système CATHARE2, caractérisé par de longues durées d’exécution, qui rendent impossible la résolution du problème d’optimisation. Pour résoudre ce problème, la méthode développée réduit la dimension de l’espace de recherche et construit des modèles de substitution (métamodèles) à l’OCS CATHARE2 pour reproduire les objectifs et les contraintes en fonction des variables de décision. Ces métamodèles utilisent la structure de processus gaussiens conditionnés sur une base d’apprentissage de la variable à reproduire. Un couplage de ces modèles de substitution à un algorithme génétique permet de définir un ensemble de conduites réparties de manière homogène dans les zones optimales de l’espace des solutions. Les faibles erreurs de prédiction des métamodèles permettent alors d’approcher efficacement le front de Pareto. La méthode est utilisée pour optimiser la conduite du réacteur ASTRID au cours des transitoires de manque de tension externe et de réglage de fréquence