Soutenance de thèse de JUVEN Alexis
Titre de thèse
Apprentissage automatique assisté par simulation pour la mesure infrarouge dans un tokamak
Simulation-assisted machine learning for infrared measurement in tokamaks
Résumé de la thèse
La protection de la première paroi est un enjeu majeur pour les opérations des machines de fusion thermonucléaire. Les composants face au plasma sont soumis à des flux de chaleur élevés (jusqu'à 10-20 MW/m2), conduisant à des températures de 200 à 3 600 °C. Dans la plupart des machines en opération et pour la future machine internationale ITER, la surveillance de ces composants est principalement assurée par un réseau de caméras infrarouges, directement relié au système de contrôle plasma.
Cependant, l'interprétation de ces images est compliquée par la présence de parois métalliques, d'émissivité basse et variable, générant un flux parasite dû aux multiples réflexions sur leur surface. Cette perturbation accroît le risque de sous-estimation de la température des parois, ce qui pourrait compromettre la sûreté de fonctionnement, ou au contraire, de surestimation, entraînant potentiellement l'arrêt non justifié de la machine. L'objectif de cette thèse est de développer des méthodes numériques capables de traiter ces phénomènes perturbateurs et d'estimer précisément la température des composants à partir des images infrarouges. Ces méthodes sont appliquées et testées sur la machine WEST. Pour résoudre ce problème inverse, l'approche adoptée durant la thèse est de développer un réseau de neurones profond entraîné à partir d'un jeu de données constitué exclusivement d'images simulées. Ainsi, la thèse s'est divisée en deux branches principales.
1. Modélisation et simulation des phénomènes physiques en jeu (modèle direct). Cela inclut la modélisation de la scène thermique d'un tokamak en opération, le rayonnement et la réflexion infrarouge, ainsi que le fonctionnement de la caméra. Cette partie a mené au développement d'un logiciel de lancer de rayon infrarouge par Monte Carlo, capable de simuler des images synthétiques prenant en compte les propriétés de réflexion complexes des matériaux (BRDF), et utilisant l'accélération GPU pour générer une grande quantité de données en un temps raisonnable. Ce développement est valorisé par son intégration dans une plateforme logicielle multiphysique dédiée au contrôle non destructif (CIVA), ainsi que dans la plateforme de modélisation et d'analyse d'ITER (IMAS).
2. Utilisation des techniques d'apprentissage pour développer un modèle inverse. Un jeu de données conséquent de scénarios a été généré grâce au modèle direct rapide précédemment développé, permettant d'obtenir une association entre image infrarouge capturée et température réelle des surfaces. Ce jeu de données a été utilisé pour entraîner un réseau de type U-Net à estimer les températures de surface à partir d'une image. Les performances de ce réseau sur des données simulées de test répondent aux spécifications d'ITER, avec des erreurs d'estimation sous la barre des 10 %. Le réseau présente aussi des résultats qualitatifs encourageants sur des images expérimentales de la machine WEST. Enfin, pour associer un niveau de confiance aux prédictions, l'utilisation de modèles non déterministes (de type génératifs bayésiens) est également étudiée. Ces modèles ont permis de gérer la nature mal posée des problèmes inverses (inhérents à la mesure de température par thermographie) ainsi que les incertitudes de mesure expérimentales en fournissant un intervalle de confiance autour de chaque prédiction de température.
Thesis resume
The protection of the first wall is a major issue for the operations of thermonuclear fusion machines. The Plasma Facing Components are indeed subjected to high heat fluxes (up to 10-20 MW/m2), leading to high temperatures ranging from 200 to 3600 °C. In most operational machines and for the future international machine ITER, the monitoring of these components is mainly ensured by a network of infrared cameras, directly connected to the plasma control system.
However, the interpretation of these images is complicated by the presence of metallic walls, with low and variable emissivity, generating parasitic flux in the image due to multiple reflections on their surfaces. This measurement disturbance increases the risk of underestimating the wall temperatures, which could compromise operational safety, or conversely, overestimating this temperature, potentially leading to the unnecessary shutdown of the machine. The objective of this PhD thesis is to develop numerical methods capable of addressing these perturbative phenomena and accurately estimating the temperature of the components from infrared images. These methods are applied and tested on the WEST machine. To solve this inverse problem, the approach taken during the PhD thesis is to develop a deep neural network trained from a dataset of simulated images. Thus, the PhD thesis was divided into two main branches.
1. Modeling and simulation of involved physical phenomena (forward model). This includes modeling the thermal scene of an operational tokamak, infrared radiation and reflection, as well as the functioning of the camera. This part led to the development of a Monte Carlo infrared ray-tracing software, capable of simulating synthetic images taking into account the complex reflection properties of materials (BRDF), and using GPU acceleration to generate a large amount of data in a reasonable time. This new development is valued through its integration within a multi-physics software platform dedicated to non-destructive testing (CIVA), as well as its integration in the ITER Integrated Modelling & Analysis Suite (IMAS).
2. Using learning techniques to develop an inverse model from simulated data. A large dataset of scenarios was generated thanks to the previously developed fast forward model, thus allowing obtaining an association between captured infrared images and the actual surface temperatures. This dataset was used to train a neural network (U-Net) to estimate surface temperatures from an image. The performance of this network on simulated test data meets the ITER specifications, with estimation errors below 10%. The network also shows encouraging qualitative results on experimental images from the WEST machine. Finally, to associate a confidence level with the predictions, the use of non-deterministic (Bayesian generative) models was also studied. These models allowed managing the ill-posed nature of inverse problems (inherent to temperature measurement by thermography) as well as experimental measurement uncertainties by providing a confidence interval around each temperature prediction.