Bayesian techniques for inverse uncertainty quantification for multi-physics models of large containment structures - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Bayesian techniques for inverse uncertainty quantification for multi-physics models of large containment structures

Quantification d'incertitudes inverse par inférence Bayésienne pour des modèles multi-physiques de grands ouvrages de confinement

Résumé

This work falls within the context of the aging of large concrete containment structures, such as reactor buildings in nuclear power plants. It aims at devising a numerical strategy for forecasting the long-term physical behavior of such structures, in order to better anticipate their maintenance.Recent improvements of the understanding of physical phenomena behind aging and the increase of computational resources have enabled the development of numerical models aiming at simulating the Thermo-Hydro-Mechanical and Leakage (THML) behavior of large aging concrete structures. Nevertheless, the input parameters of such models are tainted with uncertainties, due to a lack of knowledge or to a natural randomness.Consequently, this thesis is mainly based on the general framework of Uncertainty Quantification (UQ), aiming at explicitly modeling uncertainties in numerical simulation. In this framework, the uncertainties tainting input parameters are typically modeled by probability laws, and are subsequently propagated through the model in order to study the variability of its response, or to estimate specific quantities of interest, such as moments or quantiles.However, THML computational models typically involve a large amount of uncertain parameters, most of them being not measurable directly. For this reason, the input probability law modeling their uncertainties is usually chosen in a subjective way, based on expert judgement. Then, this thesis is placed in the framework of Bayesian inference, in order to update a prior level of knowledge on input parameters from noisy observational data of the response of the structure under study.Firstly, this work aims at coupling Bayesian inference with numerical techniques adapted with THML computational models, these last most often lying on costly finite element codes. In this perspective, a recent Bayesian computational framework is studied as an alternative to classical MCMC sampling techniques, and a coupling with surrogate modeling techniques is proposed in order to efficiently draw samples from posterior distributions with a reduced computational cost. Next, a general methodology aiming at performing probabilistic forecasts of the long-term THML behavior of containment structures is presented. In this context, the uncertainties of input parameters of the adopted THML model are quantified through Bayesian inference, from in-situ monitoring data. The proposed methodology is illustrated through a study of the VeRCoRs mock-up (1:3 scale nuclear containment building).Lastly, in the framework of a reliability analysis, this thesis aims at estimating risks of exceeding regulatory leakage thresholds, while modeling the effect of eventual maintenance operations. In this framework, the impact of the choice of the inputs' probability law on some quantity of interest (including probabilities of failure) is assessed, through a robustness analysis. Next, a Bayesian approach aiming at updating both probabilities of failure and input parameters from monitoring data is presented. The overall methodology is applied to the realistic case of an operating 1:1 scale nuclear containment building.
Ce travail s'inscrit dans le contexte du vieillissement de grands ouvrages en béton dotés d'une fonction de confinement, dont les bâtiments réacteurs de centrales nucléaires constituent un exemple archétypal. Il vise notamment à développer une stratégie numérique prévisionnelle du comportement à long terme de tels ouvrages, afin de pouvoir mieux anticiper d'éventuelles réparations dans le cadre de leur maintenance.L'amélioration de la compréhension des phénomènes physiques conjuguée à l'essor des ressources de calcul ont permis le développement de modèles numériques visant à simuler le comportement Thermo-Hydro-Mécanique et de Fuite (THM-F) de grands ouvrages sujets au vieillissement. Néanmoins, les paramètres d'entrées de tels modèles sont entachés d'incertitudes, notamment du fait d'un manque de connaissance à leur sujet, ou d'une variabilité intrinsèque.Par conséquent, cette thèse se base principalement sur le cadre général de la Quantification d'Incertitudes, visant à modéliser explicitement les incertitudes en simulation numérique. Dans ce cadre, les incertitudes des paramètres d'entrées sont typiquement modélisées par des lois de probabilités, pour ensuite être propagées à travers le modèle dans l'optique d'étudier la variabilité de sa réponse, ou d'estimer des quantités d'intérêt spécifiques, tels que des moments ou des quantiles.Toutefois, les modèles THM-F impliquent typiquement un grand nombre de paramètres incertains, dont la majorité n'est pas mesurable directement. De ce fait, la loi de probabilité modélisant leurs incertitudes est souvent choisie de manière subjective, en se basant sur des avis d'experts.Ainsi, cette thèse se place dans le cadre de l'inférence Bayésienne, afin de mettre à jour un état de connaissance a priori sur les paramètres d'entrée à partir de données d'observations bruitées de la réponse de la structure étudiée.Dans un premier temps, le travail de thèse vise à coupler l'inférence Bayésienne à des techniques numériques adaptées à des modèles THM-F, reposant le plus souvent sur des codes éléments finis coûteux. Dans cette optique, un cadre algorithmique alternatif aux méthodes de type MCMC classiques est étudié, et un couplage avec des techniques de méta-modélisation est proposé afin d'échantillonner la loi a posteriori à un coût numérique réduit. Ensuite, une méthodologie générale visant à réaliser des prévisions probabilistes du comportement THM-F d'ouvrages de confinement est présentée. Dans ce contexte, les incertitudes des entrées du modèle THM-F sont quantifiées de manière inverse par inférence Bayésienne, à partir de mesures d'auscultation réalisées à l'échelle de la structure. L'approche proposée est illustrée via une étude de la maquette VeRCoRs (enceinte de confinement à l'échelle 1:3).Enfin, dans le cadre d'une analyse de fiabilité, cette thèse vise à estimer les risques de dépassement de critères de fuite réglementaires, tout en modélisant l'effet d'éventuelles opérations de maintenance. Dans ce cadre, l'impact du choix de la loi des paramètres d'entrées sur des probabilités de défaillance est évalué, à travers une analyse de robustesse. Enfin, une approche Bayésienne visant à actualiser des probabilités de défaillance à partir de données d'observation est proposée. La méthodologie proposée est appliquée au cas réaliste d'une enceinte de confinement à l'échelle 1:1 opérationnelle.
Fichier principal
Vignette du fichier
ROSSAT_2022_archivage.pdf (44.97 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03854398 , version 1 (15-11-2022)

Identifiants

  • HAL Id : tel-03854398 , version 1

Citer

Donatien Rossat. Bayesian techniques for inverse uncertainty quantification for multi-physics models of large containment structures. Génie civil nucléaire. Université Grenoble Alpes [2020-..], 2022. English. ⟨NNT : 2022GRALI060⟩. ⟨tel-03854398⟩

Collections

UGA CNRS 3S-R STAR
313 Consultations
25 Téléchargements

Partager

Gmail Facebook X LinkedIn More