Les cuves des réacteurs nucléaires, exposées pendant plusieurs décennies à l’irradiation neutronique, subissent un phénomène progressif de fragilisation. Afin de garantir leur intégrité structurelle, la théorie de la Master Curve constitue un outil permettant de caractériser la ténacité des aciers de cuve, en utilisant des essais de ténacité réalisés sur des éprouvettes de géométries standardisées. La Master Curve permet notamment d’estimer une température de référence dans le domaine de transition ductile-fragile de l’acier, notée T0, qui joue le rôle de critère quantitatif de suivi de la fragilisation de l’acier induite par l’irradiation au cours du temps. Toutefois, les volumes d’acier exploitables, ayant passé de nombreuses années en réacteur, sont extrêmement précieux, ce qui conduit généralement à disposer d’une dizaine d’éprouvettes seulement. Une difficulté majeure se pose alors : comment garantir une estimation précise de T0 à partir d’un faible nombre d’essais ? Ceci interroge sur le rôle des variables expérimentales de planification sur l’incertitude d’estimation de T0, ainsi que sur les moyens à disposition pour quantifier et réduire l’incertitude associée.

 

Pour répondre à ces enjeux, la thèse s’articule autour de deux objectifs complémentaires. Le principal objectif est de concevoir un outil numérique d’aide à la décision permettant d’optimiser la planification des campagnes expérimentales. Il s’agit d’identifier pour chaque essai à réaliser, la température d’essai qui minimise l’incertitude d’estimation de T0. Pour mettre en œuvre cet outil, il est nécessaire de développer un jumeau numérique capable de reproduire fidèlement des campagnes d’essais de ténacité, ce qui constitue le deuxième objectif. La modélisation numérique repose ici sur des simulations par éléments finis qui nécessitent une loi de comportement matériau, ainsi qu’un modèle de rupture fragile de type Beremin dont les paramètres sont identifiés par calibration bayésienne.

 

Le cœur de ce travail réside dans le développement d’une approche globale d’optimisation bayésienne des plans d’expériences pour les essais de ténacité. Le problème est formulé comme une optimisation combinatoire sous contraintes, visant à identifier les séquences de températures minimisant l’incertitude d’estimation de la distribution a posteriori de T0. L’approche proposée ici consiste à modéliser les séquences de température à l’aide de chaînes de Markov homogènes du premier ordre à temps discret. La séquence de températures optimale est alors caractérisée par une matrice de transition optimisée identifiée à l’aide de la méthode de l’entropie croisée. La matrice de transition obtenue joue ensuite un rôle d’outil d’aide à la décision directement interprétable par les opérateurs. Dans l’ensemble des travaux de thèse, une attention particulière a été portée à la simulation d’essais sur la géométrie miniaturisée mini-CT, proposée depuis une dizaine d’années comme une solution viable pour accroître le nombre d’essais.