Estimation du flux de chaleur sur les composants face au plasma du Tokamak WEST par réseau de neurones

Certains environnements expérimentaux ne permettent pas d’installer un instrument de mesure directement dans la région d’intérêt. Cela peut être à cause d’un environnement nocif pour le capteur, l’innascibilité de la zone, ne pas polluer l’expérience etc... Dans ces situations il est possible d’instrumenter une zone proche et de mesurer les conséquences du phénomène. On peut alors utiliser des méthode inverses pour remonter des conséquences vers les causes. Pour la résolution de problème inverse en thermique, ces méthodes sont fiables et précises mais peuvent être coûteuses en temps de calcul si le modèle est complexe ou si le nombre de paramètres à estimer est grand. C’est notamment le cas dans une machine de fusion (Tokamak) pour des composants face au plasma soumis à des flux de chaleurs important allant jusqu’à 10MW/m² et nécessitant une instrumentation enfouie dans le composant pour assurer son intégrité. De précédents travaux [1] ont permis d’estimer les flux de chaleur à la surface de ces composants à partir des mesures enfouies à l’aide d’une résolution itérative par gradient conjugués couplée à un modèle non-linéaire 3D instationnaire induisant un grand temps de calcul (typiquement plusieurs jours de calcul pour quelques dizaines de secondes d’expérience). Ces temps de calculs importants ne permettent pas l’utilisation de ces outils lors de sessions expérimentales où les analyses doivent être réalisées en quelques minutes. On cherche à développer un outil permettant d’obtenir une première estimation, éventuellement moins précise mais en un temps très court, du flux en surface à l’état stationnaire. Le développement de l’intelligence artificielle comme outil offre une nouvelle manière de résoudre ces problèmes inverses. Cet article s’intéresse au développement d’un réseau de neurones permettant d’estimer la forme et l’intensité d’un flux de chaleur à partir de mesures de températures enfouies dans un composant face au plasma pendant la phase stationnaire d’une expérience dans le Tokamak WEST. L’apprentissage supervisé consiste à donner à un algorithme d’apprentissage profond un grand nombre de données étiquetées avec la valeur des paramètres recherchés afin qu’il détermine un lien entre données (11 mesures de températures reparties le long du composant) et paramètres (4 nécessaires pour décrire la forme du flux de chaleur). La base de données (plus de 100 000 cas) est construite à partir du modèle 3D non-linéaire stationnaire de notre composant avec en entrée un flux surfacique connu en forme et intensité définit par 4 paramètres. Une fois le réseau de neurone entrainé, il permet de prédire un jeu de paramètres du flux de chaleur à partir des températures. Dans cet article, la première partie porte sur la forme de flux considérée ainsi que l’analyse de sensibilité des paramètres décrivant sa distribution spatiale. Le développement et l’entrainement du réseau de neurones sont présentés dans la partie 2. Finalement la partie 3 présente les résultats de l’utilisation du réseau de neurones sur des données expérimentales.  [1] Anquetin, Y. et al. Fusion Engineering and Design 190, 113480 (2023).