Direction de recherche : Christophe GONZALES
Co-encadrement : CHEVALIER-JABET Karine

Développement d’outils d’aide au diagnostic en contexte incertain

Le diagnostic des scénarios d'accidents nucléaires graves représente un enjeu majeur pour la sûreté nucléaire et la gestion de crise. Le problème est complexe à cause de la complexité des phénomènes physiques et chimiques sous-jacents des accidents graves, la difficulté de la compréhension des différentes corrélations entre ces derniers, et de surcroît la rareté des base de données descriptives. Ainsi, ce travail de thèse vise à proposer un outil dédié à la modélisation et au diagnostic des scénarios d'accident à base de réseaux bayésiens. L'usage des réseaux bayésiens reposera sur l'apprentissage à partir de bases de données de calculs créés avec le logiciel de calcul d'accident grave ASTEC. Dans ce contexte, l'utilisation des réseaux bayésiens a été, tout au long de ce travail doctoral, sujet à de nombreuses difficultés, notamment l'apprentissage de ces derniers à partir des données accidentelles qui, suite à de nombreuses études menées, ne se sont avérées pas tout à fait pertinentes pour mener à bien cette tâche. Ces difficultés proviennent principalement du fait que les données utilisées sont d'un coté de nature continue et de l'autre côté reliées à la fois par des relations déterministes et probabilistes. Ces deux contraintes posent un sérieux problème pour les algorithmes de construction des réseaux bayésiens qui supposent à la fois que toutes les relations entre variables sont de nature probabiliste et l'ensemble des variables utilisées sont de nature factorielle (ou discrète). Concernant le premier point, nous avons proposé un nouvel algorithme d’apprentissage de structure utilisant un ensemble de nouvelles règles (dont l'efficacité a été prouvée théoriquement et expérimentalement). Concernant l’étape de discrétisation, nous avons proposé une approche multivariée, qui d’après une étude expérimentale détaillée, nous a permis de pallier les inconvénients des algorithmes de l'état de l'art tout en minimisant la perte de l’information lors de la transformation des données.

Soutenance : 13/09/2016

Membres du jury :

M. Philippe LERAY, Professeur des universités, Université de Nantes [Rapporteur]
M. Simon DE GIVRY, Chercheur à l’INRA, MIAT de Toulouse [Rapporteur]
M. Pierre MARQUIS, Professeur des universités, Université d’Artois
M. Patrice PERNY, Professeur des universités, Université de Paris VI
M. Christophe GONZALES, Professeur des universités, Université de Paris VI
Mme. Karine CHEVALIER-JABET, Ingénieur de recherche, IRSN, Cadarache

Publications 2014-2016

• 2016
  • Ah. Mabrouk : “Développement d’outils d’aide au diagnostic en contexte incertain”, soutenance de thèse, soutenance 13/09/2016, direction de recherche Gonzales, Christophe, co-encadrement : Chevalier-jabet, Karine (2016)
• 2014
  • Ah. Mabrouk, Ch. Gonzales, K. Jabet‑Chevalier, E. Chojnaki : “An Efficient Bayesian Network Structure Learning Algorithm in the Presence of Deterministic Relations”, European Conference on Artificial Intelligence - ECAI 2014, vol. 263, Frontiers in Artificial Intelligence and Applications, Prague, Czechia, pp. 567-572 (2014)
  • Ah. Mabrouk, Ch. Gonzales, K. Jabet‑Chevalier, E. Chojnaki : “Un algorithme d’apprentissage de structure d’un réseau bayésien en présence de relations déterministes”, Journées francophones sur les réseaux bayésiens et les modèles graphiques probabilistes, Paris, France (2014)