Depuis le siècle dernier, l'environnement français (sol, eau, air) est marqué par la présence de césium-137, émis principalement lors des essais atmosphériques et de l'accident de Tchernobyl. Sa présence aujourd'hui dans les aérosols est en partie contrôlé par les conditions météorologiques (précipitation, origine des masses d'air…) qui peuvent faire varier les concentrations sur un ordre de grandeur. Pour aider les experts de l'IRSN à évaluer si les concentrations mesurées lors de la surveillance de l'environnement sont normales, il convient de développer une méthode de prédiction en utilisant une approche par apprentissage approfondie.
L'objectif de ce stage consiste à déployer un modèle déjà existant d'apprentissage profond (deep learning) prédisant le bruit de fond radiologique à deux stations Orsay et Houdelaincourt, sur l'ensemble des stations de mesure des aérosols en césium-137 du territoire français.
Il s'agira de déterminer les stations météorologiques les plus pertinentes autour des stations de mesure des aérosols et de vérifier la bonne performance du modèle, voire de procéder à une optimisation du modèle au cas où de mauvaises performances sont constatées.
Dans un deuxième temps, on cherchera à améliorer le modèle existant en jouant sur:
• La structure du modèle,
• La prise en compte d'un seuil de bruit de fond variable,
• Les variables d'entrées pour caractériser plus finement le bruit de fond radiologique
Pour cela, deux types de jeux de données seront utilisés :
• Les concentrations de 137Cs dans les aérosols de 2000 à nos jours sur toutes les stations du territoire français
• Les données météorologiques mesurées à différentes stations sur le territoire français de 2000 à nos jours
Le stagiaire participera au choix des solutions informatiques à utiliser pour atteindre les objectifs du projet. Les solutions retenues seront appliquées aux jeux de données disponibles afin d'étudier l'impact des évènements météorologiques sur les concentrations de 137Cs dans les aérosols.
Ce stage est proposé pour des étudiants en Master 2 dans les domaines des mathématiques appliqués, de l'informatique ou de l'intelligence artificielle. Une expérience dans l'apprentissage approfondie (deep learning) et des réseaux de neurones est nécessaire. La maitrise de la programmation sous Python avec Tensorflow et Keras ou Pytorch est souhaitable.
Le candidat doit être capable de travailler de manière autonome tout en étant un membre efficace de l'équipe de recherche, et avoir de bonnes compétences en communication, tant à l'écrit qu'à l'oral. Un goût prononcé pour la recherche serait apprécié.
La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à l’IRSN.
Par conséquent, nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents.
Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein d’un environnement de travail inclusif.
L'IRSN conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.