Vers l'utilisation d'ensembles météorologiques pour la dispersion à courte distance de radionucléides en cas de rejets accidentels dans l'atmosphère : propagation des incertitudes et comparaison à des mesures radiologiques dans l'environnement
El-Ouartassy, Youness
Towards the use of meteorological ensembles for short distance dispersion of radionuclides in case of an accidental release in the atmosphere : uncertainty propagation and comparison to environmental measurements of radioactivity
Les modèles de dispersion atmosphérique sont utiles lors d'un accident nucléaire pour aider à la gestion de crise, pour prévoir la dose susceptible d'être reçue par les populations lors du passage du panache des radionucléides rejetés dans l'atmosphère et recommander des actions de protection des populations aux autorités. Cependant, il est indispensable de prendre en compte les incertitudes inhérentes à ces simulations. L'une des sources d'incertitudes les plus influentes est la météorologie utilisée pour alimenter les modèles de dispersion. Dans la première partie de cette thèse, nous avons utilisé l'ensemble météorologique à fine échelle de Météo-France PEARO, conjointement avec le modèle de dispersion pX développé à l'IRSN, pour intégrer l'incertitude météorologique aux simulations de la dispersion. La qualité des simulations PEARO-pX ainsi construites a été évaluée à l'aide des mesures radiologiques, réalisées par l'IRSN/LRC, de l'activité du <sup>85</sup>Kr radionucléide rejeté par l'usine Orano La Hague lors du procédé de retraitement du combustible nucléaire usé. Les résultats de cette étude mettent en évidence l'apport de l'utilisation des ensembles à haute résolution par rapport à une seule prévision déterministe. Dans la deuxième partie de thèse, les travaux réalisés portent sur les contraintes liées au temps de calcul, et qui limitent l'utilisation de tous les membres d'un ensemble météorologique en situation d'urgence nucléaire. Pour répondre à cette problématique, l'une des pistes est la réduction du nombre de simulations composant l'ensemble météorologique utilisé en entrée du modèle de dispersion, par la sélection des membres représentatifs ("clustering"). Plusieurs algorithmes d'apprentissage automatique sont utilisés en météorologie pour optimiser les systèmes de prévisions d'ensemble. Dans cette étude, on compare la performance statistique des méthodes de clustering par partition (K-means) et le clustering hiérarchique (Complete-linkage et Ward). Le vent étant l'une des variables météorologiques les plus influentes pour la dispersion atmosphérique, les trois méthodes de clustering sont appliquées aux champs 3D de la vitesse et la direction du vent, afin de classifier les membres météorologiques de la PEARO en sous-groupes (ou clusters) similaires. Ensuite, un indice de représentativité est calculé pour les membres de chaque cluster afin de sélectionner le membre représentatif qui sera utilisé pour le calcul de la dispersion atmosphérique. Les résultats montrent une performance encourageante des algorithmes de clustering, malgré les erreurs liées aux approximations de la mise en oeuvre des algorithmes.</p>
Accès à la notice sur le site du portail documentaire de Météo-France