Traitement et propagation des incertitudes des données nucléaires

Le transport des rayonnements constitue un outil essentiel pour la modélisation et la prévision du comportement des systèmes nucléaires. Ces calculs, réalisés par des codes Monte Carlo tels que MORET ou TRIPOLI, sont au cœur de la conception et de la sûreté des réacteurs. Leur fiabilité dépend toutefois de la qualité des données nucléaires utilisées et de la manière dont leurs incertitudes épistémiques se propagent jusqu'aux résultats.Cette thèse vise à quantifier et maîtriser l'impact de ces incertitudes, issues de notre connaissance limitée des sections efficaces, paramètres de résonance ou distributions angulaires, sur les simulations de criticité et l'évaluation des marges de sûreté. Elle décrit le cycle complet des données nucléaires et met en évidence les étapes de traitement où les données d'incertitude peuvent être altérées.Une méthodologie d'échantillonnage est développée pour propager directement les incertitudes des données vers les observables physiques et évaluer leurs effets réels.Comparée aux approches analytiques et aux outils de référence américains, elle démontre une cohérence équivalente tout en permettant désormais une chaîne complète de traitement et de propagation indépendante.Enfin, une analyse critique des données actuelles, notamment aux basses énergies et dans les régions de résonances non résolues, identifie les domaines où de nouvelles mesures ou évaluations seraient les plus nécessaires.Dans l’ensemble, ce travail contribue à une évaluation plus transparente et plus robuste des marges de sûreté en criticité.

Publication Details

Journal
theses.fr (ABES)
Published
2025-11-04
Primary Topic
Nuclear reactor physics and engineering
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
article

Traitement et propagation des incertitudes des données nucléaires

theses.fr (ABES)
Nuclear reactor physics and engineering
article

Traitement et propagation des incertitudes des données nucléaires

article en

Abstract

Le transport des rayonnements constitue un outil essentiel pour la modélisation et la prévision du comportement des systèmes nucléaires. Ces calculs, réalisés par des codes Monte Carlo tels que MORET ou TRIPOLI, sont au cœur de la conception et de la sûreté des réacteurs. Leur fiabilité dépend toutefois de la qualité des données nucléaires utilisées et de la manière dont leurs incertitudes épistémiques se propagent jusqu'aux résultats.Cette thèse vise à quantifier et maîtriser l'impact de ces incertitudes, issues de notre connaissance limitée des sections efficaces, paramètres de résonance ou distributions angulaires, sur les simulations de criticité et l'évaluation des marges de sûreté. Elle décrit le cycle complet des données nucléaires et met en évidence les étapes de traitement où les données d'incertitude peuvent être altérées.Une méthodologie d'échantillonnage est développée pour propager directement les incertitudes des données vers les observables physiques et évaluer leurs effets réels.Comparée aux approches analytiques et aux outils de référence américains, elle démontre une cohérence équivalente tout en permettant désormais une chaîne complète de traitement et de propagation indépendante.Enfin, une analyse critique des données actuelles, notamment aux basses énergies et dans les régions de résonances non résolues, identifie les domaines où de nouvelles mesures ou évaluations seraient les plus nécessaires.Dans l’ensemble, ce travail contribue à une évaluation plus transparente et plus robuste des marges de sûreté en criticité.

theses.fr (ABES)
Openalex Percentile: Top 26%
Nuclear reactor physics and engineering
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.