Fonctionne avec Indico
v3.2.8
=======================================================
Lien (ZOOM) :
https://univ-grenoble-alpes-fr.zoom.us/j/97665244379?pwd=RVVVZG9IT0c2cVZxT1BlMGhrdGNGQT09
======================================================
Résumé :
Les projets récents d’accélérateurs de particules demandent d’atteindre des niveaux de fiabilité de plus en plus stricts. En particulier, les projets d’ADS (Accelerator Driven System), dont le but est de piloter un réacteur nucléaire à l’aide d’un accélérateur de particules, nécessitent de construire des accélérateurs de protons à haute puissance (quelques MW) et extrêmement fiables afin de permettre l’incinération de déchets nucléaires sans compromettre la structure du réacteur. C’est le cas de l'accélérateur du projet MYRRHA (Multi-purpose hYbrid Research Reactor for High-tech Applications) avec un courant de protons CW (Continuous Wave) de 4 mA accéléré jusqu’à 600 MeV (soit une puissance faisceau de 2,4 MW). Ce projet, porté par le SCK CEN en Belgique, est basé sur la construction d’un accélérateur linéaire (linac) supraconducteur et a pour objectif de générer moins de 10 interruptions non programmées de faisceau plus longues que 3 secondes pour chaque cycle d’opération de 3 mois. Ceci représente un niveau de fiabilité qui n’a encore jamais été atteint au niveau mondial.
Un des points clefs pour atteindre cet objectif est de garantir un bon réglage de l’injecteur afin de minimiser les pertes faisceaux qui peuvent causer l’arrêt de la machine lorsque celle-ci deviennent trop importantes. Cette thèse explore la possibilité d’utiliser des méthodes nouvelles pour aider au réglage d’un injecteur. Dans cette présentation, l’entraînement de réseaux de neurones afin de modéliser le comportement expérimental de l’injecteur de MYRRHA sera discuté. Le test sur l’injecteur et sur le modèle entraîné de l’injecteur d’un algorithme appelé Optimisation par Nuées de Particules sera également présenté.
Discours : Français
Diapositives : Anglais
______________________________________________________________
Summary:
Recent particle accelerator projects need to meet higher and higher reliability and stability levels. This is especially true for ADS (Accelerator Driven System) projects that aim to drive a nuclear reactor with a particle accelerator. These require building high power (a few MW) proton accelerators with extremely high reliability in order to incinerate nuclear waste without compromising the reactor structure. This is the case for the accelerator of the MYRRHA (Multi-purpose hYbrid Research Reactor for High-tech Applications) that would provide a 4 mA CW (Continuous Wave) proton beam at 600 MeV (this corresponds to a 2.4 MW beam power). This project, led by the SCK CEN in Belgium, is based on the construction of a superconducting linear accelerator (linac) and aims to go under the limit of 10 unscheduled beam trips longer than 3 seconds for each operation cycle of 3 months. This represent a level of reliability never achieved before in the world.
A key point to achieve this goal is to ensure a good configuration of the injector in order to minimize the beam losses that can force the shutdown of the machine if they exceed the tolerance level. This thesis explores novel methods to facilitate tuning an injector. In this presentation, the training of neural networks with the aim to model the experimental behavior of the MYRRHA injector will be discussed. The test on the injector and on the trained model of an algorithm called Particle Swarm Simulation will also be presented.
Speech: French
Slides: English