Nucléaire : l’IA crée des capteurs virtuels pour surveiller les zones inaccessibles

Dans une installation nucléaire, connaître l’état réel des équipements ne consiste pas seulement à relever des chiffres sur un écran. Certains composants évoluent dans des conditions où installer, entretenir ou relever un capteur devient particulièrement complexe : températures élevées, fortes pressions et radiations rendent l’accès difficile. Pour répondre à cette contrainte, une équipe de l’Université de l’Illinois à Urbana-Champaign explore l’usage de l’intelligence artificielle afin de créer des « capteurs virtuels » capables d’estimer en temps réel des paramètres qui ne peuvent pas toujours être observés directement.

La méthode, dirigée par Syed Bahauddin Alam, associe apprentissage profond et simulation des systèmes nucléaires. Elle ne prétend pas faire disparaître les instruments conventionnels. Elle vise plutôt à compléter leurs mesures par des estimations calculées, obtenues très rapidement. L’enjeu est important : disposer d’une vision plus continue de phénomènes physiques critiques peut aider les opérateurs et les équipes de sûreté à détecter plus tôt une situation inhabituelle.

Pourquoi certains paramètres d’un réacteur sont difficiles à mesurer

Les centrales nucléaires reposent sur une surveillance permanente. Dans un réacteur à eau pressurisée, le circuit primaire transporte de l’eau sous pression, qui joue un rôle central dans l’évacuation de la chaleur produite par le réacteur. Température, pression et comportement des fluides font partie des paramètres thermohydrauliques à suivre avec rigueur.

Or, un capteur physique n’est pas une solution universelle. Pour être utile, il doit pouvoir être placé au bon endroit, résister durablement aux conditions locales, transmettre une mesure fiable et, lorsque c’est nécessaire, être contrôlé ou remplacé. Dans les espaces confinés, très chauds, fortement irradiés ou simplement difficiles d’accès, ces exigences se heurtent à des limites pratiques.

C’est ce manque de couverture qui motive les travaux de l’équipe de l’Illinois. Là où une mesure directe est absente, limitée ou délicate à obtenir, un modèle peut utiliser les données disponibles et les lois physiques apprises durant son entraînement pour fournir une estimation. Le capteur est dit « virtuel » parce qu’il n’est pas un appareil placé dans l’installation : c’est un programme qui produit une valeur calculée.

Cette nuance est essentielle dans le nucléaire. L’intelligence artificielle peut accélérer l’analyse et élargir la vision d’un système, mais elle ne transforme pas une estimation en mesure physique. Son intérêt réside dans sa capacité à apporter une information complémentaire, rapidement exploitable, dans un cadre de contrôle exigeant.

Des réseaux neuronaux pour reproduire des phénomènes physiques

La recherche s’appuie sur des Deep Operator Neural Networks, ou réseaux neuronaux profonds d’opérateurs. Derrière ce nom technique se trouve une idée relativement simple : au lieu de résoudre à nouveau, pas à pas, toutes les équations physiques à chaque demande, le modèle apprend à reproduire le comportement d’un système à partir d’un grand nombre d’exemples.

Les simulations traditionnelles de dynamique des fluides computationnelle, souvent désignées par le sigle anglais CFD, sont très précieuses pour étudier les écoulements, les transferts de chaleur et les interactions entre plusieurs phénomènes physiques. Elles peuvent toutefois nécessiter des calculs lourds. Elles ne sont donc pas toujours adaptées lorsqu’une réponse immédiate est recherchée, par exemple pour suivre en continu l’évolution de paramètres thermohydrauliques.

Les modèles d’opérateurs profonds cherchent à faire le lien entre ces deux besoins : conserver une représentation utile de phénomènes complexes, tout en fournissant une prédiction beaucoup plus vite une fois l’entraînement achevé. Dans les travaux présentés par l’Université de l’Illinois, les algorithmes d’apprentissage automatique peuvent produire des prédictions 1 400 fois plus rapidement que des simulations CFD traditionnelles.

Ce gain de vitesse ne signifie pas que la CFD devient inutile. La simulation détaillée reste un outil fondamental pour comprendre les phénomènes et générer les données nécessaires à l’entraînement. L’IA intervient comme une voie d’accès rapide à des résultats qui, autrement, demanderaient davantage de temps de calcul.

Que surveillent ces capteurs virtuels ?

L’équipe travaille sur les paramètres thermohydrauliques critiques du circuit primaire des réacteurs à eau pressurisée. Il s’agit des grandeurs qui décrivent notamment l’état thermique et hydraulique du système : les températures, les pressions et le comportement des fluides.

Ces variables ne sont pas isolées. Une variation de température peut s’accompagner d’une évolution de pression ou d’un changement dans la circulation du fluide. Comprendre leur relation est justement l’un des intérêts de l’approche dite « multiphysique », évoquée par les chercheurs. Elle prend en compte plusieurs mécanismes physiques liés les uns aux autres, au lieu de les traiter comme des données indépendantes.

Le résultat recherché est une forme de surveillance en temps réel. Si un modèle fournit rapidement une estimation cohérente d’un paramètre dans une zone inaccessible, cette information peut contribuer à mettre en évidence un écart ou une anomalie plus tôt qu’avec une approche uniquement fondée sur des calculs longs ou sur une couverture instrumentale incomplète.

Il convient toutefois de distinguer deux choses. Détecter une anomalie signifie signaler qu’une valeur ou une évolution mérite une attention particulière. Cela ne revient pas, à lui seul, à établir la cause d’un problème ni à décider d’une action sur un réacteur. Dans un domaine aussi sensible, l’interprétation d’une alerte reste intégrée à des procédures, à des contrôles et à une expertise humaine.

Capteurs physiques et capteurs virtuels : une complémentarité

L’expression « capteur virtuel » peut laisser croire que l’IA remplacera les instruments installés dans les centrales. Ce n’est pas le sens des travaux décrits. Les chercheurs présentent leur approche comme un moyen de compléter les capteurs physiques, dont les capacités restent indispensables mais dont la présence ne peut pas être étendue sans limite à tous les emplacements imaginables.

Les instruments conventionnels apportent des mesures concrètes, utiles pour connaître l’état d’un système et vérifier le bon fonctionnement des modèles. Les capteurs virtuels, eux, peuvent enrichir cette information en fournissant une estimation là où un instrument est absent, difficile à maintenir ou exposé à des contraintes fortes.

Cette combinaison répond à deux besoins distincts : obtenir des données observées quand cela est possible et conserver une capacité d’analyse quand l’observation directe ne l’est pas. Dans des infrastructures critiques, la redondance et le croisement des informations peuvent renforcer la robustesse d’un dispositif de surveillance.

Pourquoi la vitesse de calcul compte pour la sûreté

La surveillance en temps réel est un objectif majeur parce que les composants nucléaires fonctionnent continuellement dans un environnement exigeant. Les conditions de température, de pression et de rayonnement imposent des inspections et un suivi régulier afin de préserver la sécurité et l’efficacité de l’installation sur le long terme.

Une réponse calculée plus vite peut rendre les informations plus disponibles au moment où elles sont nécessaires. Dans le cas étudié, les Deep Operator Neural Networks sont conçus pour proposer des solutions multiphysiques instantanées et précises après leur entraînement. Cette rapidité peut favoriser l’identification précoce d’évolutions inattendues dans les paramètres surveillés.

L’autre intérêt est humain. Réduire la nécessité de réaliser des mesures physiques dans des espaces dangereux ou difficiles d’accès peut limiter l’exposition des équipes à des environnements contraignants. Il ne s’agit pas de supprimer les inspections, mais de mieux cibler les interventions et de disposer d’informations supplémentaires avant de les engager.

L’IA est particulièrement pertinente dans ce rôle lorsqu’elle transforme une masse de calculs ou de données en indicateurs compréhensibles à temps. Elle devient alors un outil d’aide à la surveillance. Sa valeur dépend moins de son caractère « intelligent » que de sa capacité à produire des résultats fiables, vérifiables et utilisables dans un cadre de sûreté.

Le rôle décisif du calcul haute performance

De tels modèles ne s’entraînent pas sur un ordinateur ordinaire. L’équipe a bénéficié d’allocations de ressources du National Center for Supercomputing Applications, le NCSA, notamment de nœuds équipés de GPU NVIDIA A100. Les processeurs graphiques sont particulièrement adaptés à certains calculs réalisés en parallèle, ce qui les rend utiles pour l’apprentissage profond.

Cette infrastructure a permis d’accélérer les tâches de calcul nécessaires à l’entraînement des réseaux neuronaux. C’est un aspect souvent moins visible des avancées en intelligence artificielle : un modèle performant dépend à la fois de méthodes mathématiques, de données appropriées, de compétences scientifiques et de puissance de calcul.

Les travaux réunissent ainsi plusieurs domaines : ingénierie nucléaire, mécanique des fluides, science des données et calcul haute performance. Cette collaboration est nécessaire car un modèle capable de traiter des données thermohydrauliques doit être pertinent du point de vue informatique, mais aussi respecter ce que l’on sait des phénomènes physiques du réacteur.

Une IA à encadrer avant tout déploiement

La perspective de surveiller des zones difficilement accessibles grâce à des modèles rapides est prometteuse, mais elle soulève aussi des exigences élevées. Dans le nucléaire, un outil numérique doit démontrer sa pertinence dans les situations pour lesquelles il est conçu. Les modèles doivent notamment être confrontés aux données et aux conditions qu’ils sont censés représenter.

L’enjeu n’est donc pas simplement de produire une prédiction. Il faut aussi pouvoir apprécier les limites de cette prédiction, repérer les situations inhabituelles et garantir que l’outil s’insère dans les règles de sûreté existantes. Un système entraîné sur des scénarios connus doit être utilisé avec prudence lorsqu’il rencontre des conditions qui s’en écartent.

L’explicabilité compte également. Les professionnels doivent pouvoir comprendre ce que le modèle estime, sur quelles données il s’appuie et à quel moment une vérification complémentaire est nécessaire. Plus l’environnement est critique, moins une réponse algorithmique peut être considérée comme suffisante sans contrôle.

Ce qu’il faut surveiller

Les recherches de l’Université de l’Illinois illustrent une évolution plus large : l’intelligence artificielle peut servir à créer des représentations numériques de systèmes physiques trop complexes, trop coûteux ou trop dangereux à observer en permanence. Dans le nucléaire, cette promesse prend une dimension particulière, car le niveau d’exigence en matière de sûreté est très élevé.

Le potentiel des capteurs virtuels tient à leur complémentarité avec les outils existants. Ils pourraient aider à mieux suivre les paramètres thermohydrauliques, à réduire les angles morts de l’instrumentation et à accélérer la détection de signaux faibles. Leur adoption dépendra toutefois de leur validation, de leur intégration aux pratiques de contrôle et de la confiance que les experts pourront accorder à leurs résultats.

À ce stade, l’apport le plus concret de cette recherche est de montrer qu’un modèle d’apprentissage profond, entraîné avec des ressources de supercalcul, peut rapprocher la précision des simulations physiques et la vitesse exigée par une surveillance continue. Pour les infrastructures énergétiques critiques, cette alliance entre physique, calcul et IA ouvre une piste de recherche à la fois ambitieuse et nécessairement encadrée.