Problématique scientifique générale

La compréhension du fonctionnement des milieux aquatiques par rapport à la dispersion des polluants radioactifs est cruciale pour répondre aux questions sanitaires auxquelles doit répondre l'IRSN. La dynamique des matières en suspension (MES), porteuses d'une part non négligeable de la radioactivité, dépend notamment de la taille des particules transportées et de la teneur en matière organique. Ces paramètres sont les entrées des modèles d'évaluation et de prédiction des concentrations des radionucléides dans le compartiment aquatique. Cependant la modélisation physique de la charge en suspension, de la distribution granulométrique et du carbone organique particulaire (COP) reste limitée, n’est pas simple à mettre en œuvre et peut être chronophage, tout comme la modélisation de la radioactivité. Récemment, des solutions basées sur l’apprentissage automatique (machine learning) et profond (deep learning) ont montré leur intérêt pour modéliser de tels paramètres.

Sur plus d’une décennie, l’Observatoire des Sédiments du Rhône (OSR) a pu constituer une grande base de données sur ces paramètres mesurés le long du fleuve Rhône. Ainsi la recherche de solutions basées sur les données (data-driven model) est une alternative qu'il convient de développer dans ce domaine de la radioactivité environnementale encore trop peu exploré par ces techniques dites de Deep Learning.

Objectifs scientifiques de la thèse

L‘objectif scientifique de la thèse est d’utiliser une approche d’apprentissage profond pour modéliser (1) la quantité de MES transportées dans le Rhône, (2) leur taille, (3) la quantité de COP et (4) la concentration de certains contaminants mesurés dans le cadre de l’OSR (radionucléides, métaux, mercure).

Les travaux de cette thèse permettront de progresser sur plusieurs points : sur l’utilisation des modèles de données (machine learning, deep learning) qui pourraient avoir un intérêt conjoint pour la recherche, la surveillance et l’expertise, notamment en étudiant les techniques dites de « transfer learning » dans différents contextes environnementaux ; sur la modélisation de paramètres d’intérêt pour aider à comprendre le comportement des contaminants dans les cours d’eau et pour les utiliser dans les modèles de dispersion hydro-sédimentaire ;sur la modélisation des concentrations des contaminants pour compléter les observations de l’OSR ; et enfin sur la prédiction dans différents scénarios de changement climatique.

Travaux-méthodes et moyens

- Utilisation des travaux de machine learning réalisés au sein du laboratoire d’accueil, notamment sur les réseaux de neurones récurrents.

- Utilisation des bases de données de l’IRSN et de l’OSR

Ces travaux ayant lieu dans le cadre de l’OSR, vont bénéficier des différents partenaires scientifiques et techniques impliqués dans le projet. Des comparaisons de modélisation pourront ainsi être réalisées entre le modèle de données et les modèles hydro-sédimentaires utilisés dans l’OSR pour simuler la concentration de la charge en suspension.

Calendrier

Année 1 : Bibliographie ; Compilation des données d’intérêt ; Application de modèles basiques et avancés pour prédire la concentration de matière en suspension (MES)

Année 2 : Poursuite des travaux sur la concentration de MES ; Mise en place d’un modèle de données pour prédire la taille des particules et le COP dans le Rhône ; Réalisation de campagne de prélèvements/

Année 3 : Poursuite des travaux de l’année 2 ; Mise en place d’un modèle de données pour prédire la concentration des contaminants d’intérêt ; Application avec scénario de changement climatique

Publications

Gupta, D et al., 2021. Artificial intelligence for suspended sediment load prediction: a review. Environ. Earth Sci. 80, 1–39

Yaseen, Z.M., 2021. An insight into machine learning models era in simulating soil, water bodies and adsorption heavy metals: Review, challenges and solutions. Chemosphere 277, 130126.

Dragović, S., 2022. Artificial neural network modeling in environmental radioactivity studies – A review. Sci. Total Environ. 847.

Lepage, H et al., 2019. Grain size analyzers: results of an intercomparison study. SN Applied Sciences, 1 (9).

Lepage, H. et al. 2023. Use of machine learning and deep learning to predict particulate 137Cs concentrations in a nuclearized river. Journal of Environmental Radioactivity, 270 (May), 107294.

Mathématique et Informatique, domaine de l’intelligence artificielle

...