These TVIGINEIX
These TVIGINEIX
These TVIGINEIX
U.F.R : SCIENCES
ECOLE DOCTORALE :
Structure, Information Matière et Matériaux
THÈSE
Présentée par
THOMAS VIGINEIX
Et soutenue
LE 4 NOVEMBRE 2011
En vue de l'obtention du
DOCTORAT DE L'UNIVERSITÉ DE CAEN
Spécialité : constituants élémentaires et physique théorique
TITRE
EXPLOITATION DES SPECTRES GAMMA PAR METHODE
NON PARAMETRIQUE ET INDEPENDANTE D'A PRIORI
FORMULES PAR L'OPERATEUR
Membres du jury :
Je tiens à exprimer mes remerciements aux membres du jury qui ont accepté d'évaluer mon travail de
thèse.
Merci à M. Gilles Ban pour avoir supervisé cette thèse et suivi la qualité des travaux. Merci à Nicolas
Saurel pour m'avoir encadré et pour avoir suivi mes travaux pendant ces 3 ans. Merci à M. Jean
Emmanuel Groetz de l'université de Besançon et M. Gérard Montarou de l'université de Clermont-
Ferrand pour avoir accepté d'être mes rapporteurs. Merci à M. Jean Castor de l'université de Clermont-
Ferrand et M. Didier Dall'Ava du CEA d'être mes examinateurs.
J'adresse ma gratitude à la direction scientifique du CEA pour avoir autorisé cette thèse et à la direction
des applications militaires du CEA pour en avoir assuré le financement.
Je remercie Didier, Rémy et Jean Louis pour m'avoir accepté et intégré au sein de leur service et pour
avoir suivi périodiquement les avancées de mon travail. Je remercie également M. Thomas Dautremer,
M. Eric Barat, M. Thierry Montagu et Mme Anne Catherine Simon du CEA Saclay pour leur
disponibilité et leur aide sur les algorithmes de traitement de spectres.
Je remercie chaleureusement l'ensemble de mes collègues : Gaëlle, Magali, Martine, Tania, Sonia, Sophie,
Charles, Gilles, Jérôme, Julien, Olivier et Sébastien pour m'avoir bien intégré et partagé leur savoir en
mesure nucléaire.
Je remercie particulièrement Jean Castor sans qui je n'aurais jamais réalisé cette thèse et Nicolas qui m'a
fait confiance pour mener à bien cette thèse. Nicolas, je prendrai exemple sur toi pour garder ma
contenance en toutes circonstances. J'espère que les remplissages de tableau blanc ne me manqueront
pas trop…
Enfin, je remercie ma Vilaine pour m'avoir soutenu et supporté pendant la rédaction du mémoire.
3
4
TABLE DES MATIÈRES
5
III. DECONVOLUTION DE SPECTRES GAMMA PAR METHODE NON PARAMETRIQUE :
PRINCIPE, VALIDATION ET INTEGRATION ..........................................................49
6
3. MODELE MATHEMATIQUE DU RENDEMENT .............................................................................. 101
3.1. Correction d'atténuation dans un écran ........................................................................ 101
3.2. Correction d'atténuation dans une matrice .................................................................. 101
3.3. Forme du rendement intrinsèque du détecteur ............................................................104
3.4. Modèle global – Quantification des radionucléides .....................................................105
4. TESTS SUR DES CAS EXPERIMENTAUX SIMPLES ...........................................................................106
4.1. Cas test n° 1 : source étalon d'europium 152 .................................................................106
4.1.a) Calcul du rendement relatif....................................................................................................107
4.1.b) Quantification de l'europium................................................................................................108
4.1.c) Conclusion ................................................................................................................................110
4.2. Cas test n° 2 : source étalon de plutonium.................................................................... 110
4.3. Cas test n° 3 : cocotte de 13g de plutonium .................................................................. 112
4.4. Conclusion sur les 3 cas tests......................................................................................... 114
5. PERSPECTIVES OUVERTES ........................................................................................................... 115
7
8
I. INTRODUCTION :
Enjeux et contexte de la thèse
La caractérisation d'un objet peut se faire de manière destructive, par prélèvement d'un échantillon, ou
de manière non destructive par une mesure globale de l'objet. Les mesures destructives ont
l'inconvénient de générer des déchets radioactifs et posent le problème de la représentativité de
l'échantillon, la répartition des radionucléides dans le colis étant généralement hétérogène. Elles
permettent cependant d'obtenir une excellente précision. Les mesures non destructives se divisent en
mesures passives et mesures actives. Le principe des mesures actives est dans un premier temps d'irradier
l'objet à l'aide d'une source radioactive externe (générateur de neutrons, source isotopique ou générateur
de rayonnements gamma) pour générer des fissions induites sur les actinides. La détection des particules
9
créées permet ensuite la caractérisation de ces actinides, qui sont les éléments principalement recherchés.
Les mesures actives nécessitent le recours à des générateurs ou à des sources scellées qui peut s'avérer
incompatible avec les critères de sûreté ou les cadences de production recherchées par le producteur.
Contrairement aux mesures actives, le principe des mesures passives est de détecter les rayonnements
issus spontanément des objets. D'un point de vue sûreté nucléaire, les seules précautions à prendre sont
celles relatives à la manipulation des déchets à caractériser. Les mesures passives sont en général moins
précises que les méthodes destructives. Elles ont cependant l'avantage de s'appliquer à la totalité de
l'objet, ce qui permet de s'affranchir de la prise d'échantillon typique aux mesures destructives. De plus,
elles ne génèrent pas de déchets secondaires. Un état de l'art des différentes techniques de caractérisation
est présenté dans ce document.
Le travail de thèse concerne l'amélioration d'une des méthodes passives la plus utilisée : la spectrométrie
gamma. Cette technique permet à la fois d'identifier les différents radionucléides et de les quantifier en
masse ou en activité. Le travail de thèse se situe au niveau de l’exploitation du spectre gamma, c’est-à-dire
après l’étape d’acquisition du spectre. L’exploitation d’un spectre gamma se fait en deux étapes. La
première étape est la restitution des informations utiles contenues dans le spectre, à savoir les énergies et
le nombre de photons collectés. Les logiciels d'exploitation de spectres mettent à disposition différentes
méthodes d'extraction mais aucune n’est optimale pour notre problématique de traitement de spectres
contenant majoritairement des actinides. L’intervention humaine est alors indispensable pour vérifier les
résultats issus de ces logiciels et nécessite un retour d’expérience important. Chaque spectre est traité au
cas par cas, ce qui réduit très fortement les possibilités d’automatisation et augmente le risque d'erreur
humaine.
La seconde partie de l'exploitation consiste à déterminer le rendement de détection de la mesure, c’est-à-
dire à relier le nombre de photons collectés au nombre de photons émis par les radionucléides. C'est
l'étape la plus délicate. Elle nécessite soit la mise en place de dispositifs expérimentaux spécifiques à
chaque type de matrice (par exemple par une mesure de transmission ou par une procédure d'étalonnage
empirique) soit le recours à des modélisations numériques. Les dispositifs expérimentaux doivent être
adaptés à chaque type de matrice rencontré. La grande diversité des objets rencontrés fait que ces
dispositifs sont relativement peu utilisés car trop lourds à mettre en œuvre. Le principe des modélisations
numériques est de calculer l'atténuation du signal dans un objet virtuel préalablement défini par
l'utilisateur. Les caractéristiques de cet objet virtuel (forme, dimensions, localisation de la radioactivité,
…) sont choisies pour correspondre le plus possible à celles de l'objet réel. Cependant, de par la diversité
des déchets, la connaissance absolue de l'objet réel est la plupart du temps inaccessible. La connaissance
du procédé dont est issu l'objet, les plans ou les informations disponibles lors de la mesure de l'objet et
10
plus généralement le savoir faire de l'utilisateur conditionnent alors la pertinence des résultats de
modélisations. En pratique, le rendement de détection est estimé par différentes techniques et leurs
résultats sont ensuite recoupés. L'évaluation de la loi d'atténuation constitue la majorité du temps passé à
l'exploitation des spectres et peut prendre jusqu'à quelques jours dans les cas les plus complexes.
La solution proposée ici pour l’extraction des informations consiste à mettre au point un procédé de
validation qui quantifie les erreurs engendrées par l’extraction. Ce type de validation n’a jamais été réalisé
dans le cadre de spectres contenant principalement des actinides. Nous devons donc mettre au point
l’ensemble de la validation, de la définition des outils mathématiques utilisés jusqu’à l’analyse des
résultats, en passant par la réalisation des expériences. Nous appliquons le procédé mis au point à un
logiciel de déconvolution nouvelle génération, SINBAD (pour Spectrométrie par Inférence Non
paramétrique BAyesienne Déconvolutive). SINBAD a été développé au CEA Saclay dans le cadre d’un
partenariat avec AREVA. L’état d’esprit du logiciel est d’appliquer à l’ensemble des données du spectre
un modèle mathématique avec le minimum d’informations fournies par l’utilisateur. La connaissance du
modèle permet de remonter à toute l’information présente dans le spectre. Cette méthode met en jeu des
modèles mathématiques déjà utilisés en finance, épidémiologie, théorie des files d'attentes et traitement
du signal sonore et adaptés pour l'occasion à la spectrométrie gamma : la statistique bayésienne, les
chaînes de Markov Monte Carlo, les processus de Dirichlet, les distributions de Pólya. De façon
générale, la validation d’un système nécessite de connaître le fonctionnement et les limitations de ce
système (une connaissance partielle suffit). Dans notre cas, SINBAD est un logiciel jeune (le
développement a débuté en 2005) et peu distribué. Le retour d’expériences est donc très faible et son
comportement vis-à-vis de notre problématique de mesure n’a jamais été étudié. Le travail de thèse
consiste à adapter cette technologie à notre problématique de caractérisation de colis contenant des
actinides, à valider ses résultats, à quantifier ses performances et à procéder à son intégration dans le
processus actuel de caractérisation des déchets.
11
La méthodologie de détermination du rendement de détection proposée ici s’appuie directement sur les
données extraites du spectre. Il est donc important de bien évaluer les performances de SINBAD et de
bien quantifier ses performances. Cette méthode, en rupture avec les méthodes actuelles, est
complètement nouvelle et nous nous attacherons uniquement à en formuler la théorie et le principe
d’application au terrain.
12
II. Gestion des déchets radioactifs et
présentation des différentes techniques de mesure actuelles
Dans ce chapitre, nous abordons la gestion des déchets radioactifs avec la classification en vigueur en
France et la nécessité d'une caractérisation radiologique des déchets. Nous présentons ensuite les
techniques de caractérisation non destructives les plus employées à l'heure actuelle. Enfin, nous insistons
sur la caractérisation par spectrométrie gamma, qui est la technique étudiée pendant la thèse, en
présentant l'étage d'instrumentation d'une chaîne de mesure et le processus d'interactions photons
matière. L'étape d'exploitation du spectre d'acquisition qui fait l'objet des travaux de thèse est ensuite
détaillée.
Chaque catégorie donne lieu à une gestion différente des déchets qui doit être adaptée au niveau
d'activité et à la période des radionucléides. Ainsi, le CSTFA, situé dans l’Aube, accueille les déchets TFA
à vie courte et vie longue, le CSFMA, situé également dans l’Aube, prend en charge les déchets FA et
13
MA à vie courte. Les déchets FA à vie longue n'ont actuellement pas d'exutoire et sont entreposés chez
les producteurs. Un site de stockage à faible profondeur (entre 15 et 200 mètres) devrait être mise en
service en 2019 [LABALETTE11] pour accueillir ces déchets. Comme les déchets FAVL, les déchets
MA et HA à vie longue sont actuellement entreposés chez les producteurs, principalement EDF,
AREVA et le CEA, en attendant la mise en service d'une solution de stockage en profondeur vers 2025
[LABALETTE11]. Les déchets à vie très courte sont gérés sur place par les producteurs en laissant leur
activité décroître. À titre informatif, les déchets rencontrés pendant la thèse sont des FA et MA à vie
courte et à vie longue. Le tableau 1 synthétise la gestion des déchets radioactifs en France, dont le
volume total représente 1 152 533 m3 en 2007 [ANDRA09].
14
Catégories Vie Courte : Vie Longue :
Origine
de déchets ≤ 30 ans > 30 ans
Très Faible Stockage en surface au centre de stockage de
Activité : Morvilliers (Aube) CSTFA
Ferrailles, gravats, débris divers issus
Aβ < 100 Bq/g des opérations de démantèlement
20% du volume total, 0,0000003 % de
Aα < 10 Bq/g
l'activité totale
Filtres, gants, surbottes issus de la
Entreposage chez les maintenance et du fonctionnement
producteurs en attendant courant des installations nucléaires.
Faible On distingue les déchets
Activité : la mise en service d'un
Stockage en stockage à faible technologiques (gants, vinyle,…) des
100 Bq/g < Aβ < surface au centre profondeur (entre 15 et déchets de procédé résultant par
100 kBq/g de stockage de exemple de la ventilation.
200 mètres) en 2019.
Aα < 3700 Bq/g Soulaines
Déchets "grand public" : fontaines au
(Aube) CSFMA 6,75% du volume total radium, paratonnerres, détecteurs
incendie.
68.8% du
volume total, Entreposage chez les
producteurs en attendant
Moyenne < 0,03% de Résidus de fonctionnement des
la mise en service d'un
l'activité totale installations, structures de
Activité : stockage profond (à 500
combustible, solvants, concentrés ou
mètres) en 2025.
100 kBq/g < Aβ matériaux issus des générateurs de
< 100 MBq/g vapeur
3,6% du volume total,
5% de l'activité totale
Entreposage chez les producteurs en
Haute attendant la mise en service d'un stockage
Produits de fission et actinides
Activité : profond (à 500 mètres) en 2025.
provenant du retraitement du
Aβ ≈ 100 GBq/g
combustible usé
0,2% du volume total, 95% de l'activité
totale
tableau 1 : Synthèse de la classification, des solutions de gestion et de l’origine des déchets radioactifs en fonction de leur
activité et leur période [poumarède03, AREVA08,ANDRA09]. Dans le cadre de la thèse (représenté par les zones
en jaune), les déchets considérés sont de type FA et MA à Vie Courte et Vie Longue.
15
2.1. Les méthodes destructives
Une méthode est dite destructive lorsque l'intégrité du colis est altérée, c'est-à-dire lorsqu'il y a
prélèvement d'échantillons, typiquement par frottis sur les colis solides ou pipetage sur les liquides. Une
analyse chimique ou physique est ensuite réalisée sur l'échantillon. Les grandeurs recherchées sont
l'activité (ou la concentration) et la composition isotopique. De par la prise d'échantillons, ces méthodes
possèdent des seuils de détection très bas et sont ainsi très utilisées pour la mesure des déchets très
faiblement et faiblement actifs. Cependant, elles présentent des inconvénients liés à :
- la génération de déchets radioactifs secondaires,
- la représentativité de l’échantillon,
- la réalisation de l'échantillon.
Des méthodes couramment utilisées sont la spectrométrie de masse à plasma induit (ICP-MS), la
spectrométrie d'émission atomique à plasma induit (ICP-AES) [MERMET11, HUFF1985] et la
spectrométrie de masse à thermo-ionisation (TIMS) [CHARTIER99]. Leur principe est d'exciter et
d'ioniser les atomes de l'échantillon (soit par induction d'un plasma pour l'ICP-AES et l'ICP-MS, soit par
l'application d'un courant électrique pour le TIMS). La détection des photons issus de la désexcitation
des atomes (pour l'ICP-AES) ou le dénombrement des atomes ionisés suivant leur nombre de masse A
(pour le TIMS et l'ICP-MS) permet de caractériser l’échantillon.
La mise en place de méthodes ne générant pas de déchets secondaires et ne posant pas le problème de la
prise d'échantillon peut être judicieuse. Ce sont les méthodes non destructives.
16
L'activation des radionucléides génère des particules plus énergétiques que celles émises spontanément
par le colis, ce qui diminue leur probabilité d'être atténuées par l'objet et donc le seuil de détection de la
mesure. Les mesures actives sont ainsi souvent utilisées pour la détection de faibles quantités d'actinides
dans les colis. Le faisceau interrogateur peut être constitué de photons ou de neutrons [ROGERS83,
JALLU99, PEROT96, SAUREL02].
17
cible de conversion et par les photons du LINAC qui n'ont pas interagi dans la cible de conversion. La
caractérisation de l'objet se base au final sur la discrimination temporelle des neutrons prompts et
retardés issus des fissions induites ou des photofissions [JALLU99, FRANKS82].
18
coïncidences. Pour augmenter la probabilité de détection des neutrons, ces derniers sont ralentis par
diffusions dans un matériau modérateur (principalement du polyéthylène). En effectuant des comptages
sur des fenêtres de largeur voisine du temps passé par les neutrons dans le matériau modérateur, il
devient possible de détecter, si elle existe, une corrélation entre les impulsions et de la quantifier. Le
nombre d'impulsions corrélées est directement proportionnel au nombre de fissions spontanées
générées. Le comptage neutronique passif est un comptage quantitatif, il ne permet pas d'identifier les
radionucléides à l'origine des neutrons de fissions spontanées. Pour calculer la masse de chaque
radionucléide, il est nécessaire de connaître la composition isotopique du colis, c'est-à-dire la proportion
relative de chaque radionucléide par rapport à la masse totale des radionucléides. La composition
isotopique est généralement déterminée par une mesure par spectrométrie gamma.
19
3. La spectrométrie gamma
Comme toutes les méthodes de mesure, une mesure par spectrométrie gamma s'effectue en deux étapes :
une étape d'acquisition du spectre et une étape d'exploitation du spectre qui se fait a posteriori, une fois
le spectre acquis. La figure 1 montre un spectre gamma d'acquisition contenant notamment du césium
137. Les détecteurs qui ont la meilleure résolution (c'est-à-dire la meilleure capacité à discriminer 2
photons d'énergies très proches) sont les semi-conducteurs de germanium haute pureté (GeHP). Cette
caractéristique fait que ce type de détecteur est très utilisé pour la caractérisation des colis. En effet, la
quantité importante de photons d'énergies différentes (de l'ordre de la centaine sur une plage d'énergie
variant 0 à 1500 keV) nécessite une résolution détecteur aussi fine que possible pour pouvoir discriminer
les photons et déduire in fine de quel radionucléide ils sont émis.
Pour cibler un peu plus précisément le cadre de la thèse, nous précisons qu'il porte sur l'exploitation des
spectres et non sur le matériel de détection en lui-même. Nous verrons cependant que la chaîne de
détection utilisée conditionne la façon dont est réalisée l'exploitation. Il est donc judicieux de s'intéresser
en premier lieu aux processus d'interactions gamma/matière et au fonctionnement d'une chaîne de
mesure (la figure 2 schématise une chaîne de mesure). L'étape d'exploitation du spectre, qui permet
d’identifier et de quantifier les radionucléides, est ensuite abordée.
1000000
Pic du césium 137 à
662 keV
100000
10000
Nbcoups
1000
100
10
1
0 200 400 600 800 1000 1200 1400 1600 1800
Ene rgie (k e V)
20
Vers
exploitation
du spectre
Détecteur Préamplificateur Amplificateur Analyseur
(GeHP) multicanaux
Ajuste Met en forme les
Interaction l'impédance de la impulsions Trie et dénombre
gamma/matière chaîne les impulsions en
impulsions fonction de leur
électriques amplitude
figure 2 : Chaîne de mesure classique avec un détecteur semi-conducteur GeHP et une électronique analogique.
où Eb représente l'énergie de liaison de l'électron à sa couche électronique (Εb = 11,1 keV pour la couche
K du germanium [BE08] et Εγ l'énergie du photon incident). Le photo-électron laisse ainsi un trou dans
la couche électronique d'où il est éjecté. Ce trou est comblé par le réarrangement des électrons des autres
couches. Ce réarrangement donne lieu à l'émission de photons X caractéristiques de l'atome, ou des
électrons Auger, qui sont généralement instantanément réabsorbés par la matière.
La section efficace de l'effet photoélectrique dépend de l'énergie du photon incident et du numéro
atomique Z du matériau. En dehors des discontinuités des couches électroniques, elle est donnée en
première approximation par [KNOLL89] :
21
Zn
τ ≅ cste. 3.5
Eγ
équation 2
où Eγ' représente l'énergie du photon diffusé, m0c² l’énergie de l’électron au repos. L'électron a donc une
énergie qui varie de 0 (cas où θ = 0) à un maximum correspondant au cas où θ = ̟. La probabilité de la
diffusion Compton dépend directement du nombre d'électrons du matériau et varie linéairement en
fonction du numéro atomique Z. Elle est donnée par [GILMORE95]:
σ ≅ Z . f ( Eγ )
électron
photon incident Ee
Eγ
photon diffusé
Ε'γ = Εγ − Εe
22
actinides recherchés dans les colis ont des énergies comprises entre 100 et 1300 keV. Les spectres
d'acquisition ne comportent donc quasiment aucune trace de productions de paires. Il est néanmoins
judicieux d'expliquer ce phénomène pour avoir une vision d'ensemble des interactions gamma/matière.
La production de paires (qui a lieu dans le champ coulombien du noyau) est la conversion du photon
incident en une paire électron/positon (e-/e+), d'énergie cinétique Eγ – 1,022 MeV. Dans le cas d’une
annihilation directe (c’est-à-dire sans passer par le stade de l’état du positronium), le positon va
rapidement (en une nanoseconde [KNOLL89]) s'annihiler avec un électron, son antiparticule, et générer
2 photons de 511 keV. Si les deux photons de 511 keV s’échappent du détecteur, l'énergie déposée par
une production de paires est de
E e = Eγ − 1,022 MeV
équation 4
La section efficace de la production de paires est fonction de l'énergie du photon incident et du numéro
atomique Z. Elle s'exprime en première approximation [GILMORE95] par :
κ ≅ cste.Z 2 . f ( Eγ , Z )
équation 5
La figure 4 reprend le spectre de la figure 1 et illustre les différents types d'interactions présents dans un
spectre d'acquisition en prenant le pic à 662 keV émis par le césium 137.
1000000
Pic d'absorption du
100000
Cs137 à 662 keV
10000
Nb coups
1000
Compton
majoritairement lié au
100
pic du Cs137 à 662 keV
10
0 200 400 600 800 1000
Energie (k eV)
23
figure 4 : Spectre d'acquisition sur lequel sont mentionnés le pic d'absorption à 662 keV caractéristique du Cs137 et le
fond Compton associé à ce pic. Dans ce spectre, le fond Compton généré par les autres pics d’absorption entre 60 et 662
keV est négligeable par rapport au fond Compton du pic du Cs137.
2 La loi de Poisson s'applique à la détection des particules si le nombre d'atomes, n, est élevé (n>>1) et si le nombre d'atomes k susceptibles
de subir une décroissance pendant la durée de mesure est faible devant n.
24
2kTx
σc =
eΕ
équation 8
25
La performance de la chaîne de détection, en terme de discrimination en énergie, est directement liée à sa
résolution. Comme on l'a vu, la résolution du détecteur s'exprime en fonction :
( x −m)2
S −
f ( x) = e 2σ 2
σ 2π
équation 9
où : - x représente l’énergie,
- les centroïdes m correspondent aux énergies initiales des photons γ,
- l'étalement σ de chaque gaussienne dépend de l'énergie des photons et de la chaîne de mesure.
En première approximation, cet étalement suit une loi en racine de l’énergie.
- les surfaces S sont reliées aux probabilités d'émission des photons, à la quantité du radio
élément émettant ces photons, au temps de mesure et au rendement de détection du système
de mesure.
Profil gaussien
f(x)
m=
Centroïde = 1010
0.2
0
0 5 10 15 20 x
26
Pour une distribution gaussienne, la FWHM vaut 2 2. ln 2 = 2,355 fois l’écart-type σ [NEUILLY98].
Remarque : dans la pratique, des écarts par rapport à la loi gaussienne peuvent être constatés. Ces écarts viennent
principalement de l’usure du cristal du détecteur ou lors de l’exposition à un flux neutronique intense qui endommage la
structure cristalline du germanium. Une solution est la vérification périodique de la non déviation du profil des pics par
rapport à une loi gaussienne.
Comme nous le verrons dans la suite, la plupart des méthodes d'exploitation de spectre base leur
fonctionnement sur la présence de pics gaussiens dans le spectre et calcule les incertitudes finales à partir
de distributions gaussiennes.
où - Ei représente la ou les énergies des photons émis par le radionucléide considéré (en keV),
- A(Ei) l'activité du radionucléide à l'énergie Ei (en Becquerel),
- S(Ei) la surface nette du pic d'absorption totale à l'énergie Ei (en nombre de coups),
- I(Ei) le rapport d'embranchement du radionucléide à l'énergie Ei,
- ε(Ei) le rendement de détection de la mesure à l'énergie Ei,
- t le temps de mesure (en secondes).
27
- m(Ei) la masse du radionucléide à l'énergie Ei (en grammes),
- am l'activité massique spécifique du radionucléide (en Bq/g),
Dans toute la suite du document, les notations utilisées seront celles définies à l'équation 10.
Le travail de thèse porte sur la déconvolution des spectres (S(Ei) dans l'équation 10) et la détermination
du rendement de détection (ε(Ei) dans l'équation 10). Nous présentons en premier lieu un état de l'art des
méthodes d'extraction des informations et ensuite les techniques actuelles de détermination du
rendement de détection. Cet état de l’art permet d'appréhender les différentes techniques pour
comprendre leurs limitations, les difficultés actuellement rencontrées et pour introduire les solutions
proposées.
Par exemple, le radium 226 possède une raie gamma à 185,99 keV [BE08] et l'uranium 235 une raie
gamma à 185,72 keV [BE08]. Même avec un détecteur de haute résolution (où la résolution à 186 keV
est de 0,8 keV), les techniques actuelles d'extraction des énergies et des surfaces des pics du spectre ne
permettent pas de séparer ces pics. Elles détectent un seul pic qui correspond à la somme de l'uranium
235 et du radon 226. La figure 6 reproduit à la fois la raie du radium, la raie de l'uranium et le résultat des
méthodes actuelles, c'est-à-dire un pic qui correspond à la somme des deux pics précédents.
28
— Résultat de l'extraction
50 Spectre
(Ra226 +réél
U235)
Ra226
— Ra226
40 —U235
U235
Nbcoups
30
20
10
0
184 186 188
Energie (keV)
figure 6 : Zone d'un spectre d'acquisition comportant 2 pics d'absorption distants de 0,17keV (en bleu le pic du radium
226 à 185,99 keV, en rouge le pic de l'uranium 235 à 185,99 keV). La résolution du détecteur GeHP utilisé est de
0,8 keV. Les techniques de restitution des énergies et des surfaces ne détectent qu'un seul pic dont la surface correspond à
la somme de la surface des 2 pics (profil noir).
L'activité calculée de l'uranium 235 sera dans ce cas surestimée car elle englobera aussi la contribution du
radon 226. Il est donc nécessaire de trouver des pics isolés de chacun des radionucléides.
Un radionucléide peut aussi être identifié grâce à ses descendants via une bonne connaissance des
filiations et équilibres radioactifs. Par exemple, l'uranium 238 est identifié par l'émission de photons à
1001 keV par le protactinium 234 métastable, son petit-fils avec lequel il est en équilibre. Par exemple,
l'activité de l'uranium 238 peut être obtenue en mesurant le nombre de photons d'énergie 1001 keV émis
par le protactinium 234 métastable, l'uranium 238 et le protactinium 234 métastable étant en équilibre
séculaire.. En effet, comme le montre l'explication qui suit, l'activité du protactinium 234 métastable est
assimilable à celle de l'uranium 238.
29
λTh 234 = ln(2) / TTh 234 avec TTh234 la période de demi vie du Th234 (=24,1 jours)
λ Pa 234 m = ln(2) / TPa 234 m avec TPa234m la période de demi vie du Pa234m (=1,17 minutes)
La résolution de ces équations conduit à :
e − λU 238 .t
APa 234 m = λU 238 .λTh 234 .λ Pa 234 m .N U 238 (t = 0).
(λTh 234 − λU 238 ).(λ Pa 234 m − λU 238 )
e −λTh 234 .t e −λPa 234 m .t
+ +
(λU 238 − λTh 234 ).(λ Pa 234 m − λTh 234 ) (λU 238 − λ Pa 234 m ).(λTh 234 − λ Pa 234 m )
Après un temps t suffisamment long ( ≈ 10.TTh 234 ), la valeur des termes exponentiels e − λTh 234t et e − λPa 234 mt devient
négligeable devant celle de e − λU 238t car λ Pa 234 m >> λTh 234 >> λU 238 . On peut écrire :
Le repérage des pics d'absorption, c'est-à-dire le calcul du centroïde si on associe le pic à une distribution
gaussienne, peut s'effectuer via plusieurs méthodes, qui sont présentées dans le paragraphe 3.3.b) page
30. Ces méthodes sont regroupées dans la plupart des logiciels d'exploitation de spectres, tels que
GENIE2000 [CANBERRA06], INTERWINNER [ITECH1] ou GAMMAVISION [ORTEC]. Elles
sont qualifiées de paramétriques c'est-à-dire qu'elles nécessitent des réglages de la part de l'utilisateur
pour fonctionner de manière optimale. De plus, elles ne fournissent aucune indication sur la pertinence
des traitements et l'utilisateur choisit la meilleure méthode sans indication chiffrée des performances de
chaque méthode.
30
"régions d'intérêts" correspondant à la présence d'un ou plusieurs pics pour en déterminer par la suite les
surfaces nettes. Les régions d'intérêt se divisent en 2 familles : les singulets et les multiplets. Un singulet
est une région d'intérêt comportant un pic et un multiplet est une région d'intérêt comportant plusieurs
pics. La nature de la région d'intérêt dicte la méthode à utiliser pour l'analyse : comme nous le verrons
dans la suite, l'analyse d'un multiplet demande la mise en place de méthodes plus complexes que l'analyse
d'un singulet. La figure 7 représente un singulet et un multiplet typiques.
Pic A Pic B
a) b)
figure 7 : a) région d’intérêt comportant un pic, appelée singulet. b) région d’intérêt comportant 2 pics, appelée multiplet.
Les 2 pics sont distants dans l’exemple de 7 canaux et le rapport de leur surface nette est de 0,5.
31
Il est souvent nécessaire, pour caractériser les radionucléides, d'utiliser l'information des multiplets et des
singulets à faible rapport signal sur bruit. De par ses limitations, cette méthode ne répond pas à ces
besoins et elle est donc très peu utilisée.
figure 8 : Graphe du haut : dérivée première et deuxième d'une loi gaussienne. Graphe du bas : spectre de données et
dérivée seconde correspondante [GILMORE95]. Les pics sont indiqués par les aires négatives de la dérivée seconde dès
que cette aire dépasse un seuil fixé par l'utilisateur. À noter que pour l'exemple, le seuil est fixé de manière à détecter les
pics de faible surface tout en évitant de détecter des faux pics, c'est-à-dire l'attribution des fluctuations de comptage à la
présence d'un pic. C'est pour cela que les résultats de la dérivée seconde (c'est-à-dire la présence de deux pics) sont
cohérents avec ce que l'œil humain devine a priori.
32
Méthode par corrélation
Le spectre est parcouru dans son intégralité par une fonction de recherche, par exemple une gaussienne
car le profil des pics d'absorption suit une loi gaussienne, et génère un spectre dit de corrélation,
contenant autant de canaux que le spectre original. Le principe général de cette méthode itérative est de
translater la fonction de recherche de canal en canal et de multiplier, à chaque translation, l'ensemble des
données du spectre par la fonction de recherche d'équation :
−
( x − m )²
1
f ( x) = .e 2.σ ²
2.π
équation 11
Le résultat final est le spectre de corrélation. La figure 9 montre l'application à un spectre réel. La
présence de pics dans le spectre correspond aux aires non nulles du spectre de corrélation qui dépassent
un seuil fixé par l'utilisateur. Comme pour la méthode de la dérivée seconde, l'utilisateur fixe le seuil
suffisamment bas pour détecter les petits pics sans générer de faux pics. Les limitations de la méthode
par corrélation apparaissent lors du traitement des multiplets car la fonction de recherche gaussienne ne
permet pas de prendre en compte les chevauchements entre pics.
figure 9 : Méthode par corrélation appliquée à 2 singulets [GILMORE95]. Les aires non nulles du spectre de
corrélation indiquent la présence de pic dans le spectre réel.
33
Méthode des 5 canaux
Le canal du centroïde du pic est estimé en considérant le canal possédant le plus de coups et deux
canaux adjacents de part et d'autre de celui-ci. En postulant une distribution gaussienne, le canal du
centroïde est donné par :
y m +1 ( y m − y m − 2 ) − y m −1 ( y m − y m + 2 )
C0 = C m +
y m +1 ( y − y m − 2 ) + y −1 ( y m − y m + 2 )
équation 12
où l'indice m représente l'indice du canal de plus grande occurrence et yi la donnée du canal d'indice i.
La méthode nécessite donc au moins 5 canaux de signal utile (c'est-à-dire différent du fond). Les pics à
détecter doivent avoir des FWHM d'au moins 6 canaux [REILLY91] et des forts rapports signal sur
bruit. Pour information, les détecteurs que nous utilisons possèdent une FWHM de 0,7 keV à 129,3 keV,
ce qui correspond à 3,5 canaux avec un échantillonnage de 0,2 keV/canal. L'utilisation de cette méthode
n'est donc pas très appropriée dans notre cas.
34
S=G–B
équation 13
L'obtention des surfaces nettes implique la détermination de la composante continue non nulle générée
par les interactions gamma/matière et la prise en compte de la fluctuation statistique de comptage. Ce
fond continu est calculé séparément dans chacune des régions d'intérêt identifiées précédemment. Les
méthodes les plus employées consistent à assimiler localement le profil du fond à une droite ou à une
"marche d'escalier" (voir figure 10) dont les caractéristiques sont déterminées par moyennage des
données des canaux adjacents. Le choix du profil (droite ou marche d'escalier) est laissé à l’utilisateur.
La valeur du fond est obtenue par :
B=
N
(B1 + B 2)
2n
équation 14
35
figure 10 : détermination du fond sous un pic d'absorption totale par extrapolation à une droite (a) et par l'utilisation
d'un profil en marche d'escalier (b). S est la surface nette recherchée, B la valeur du fond sous le pic, N l'étalement du pic
(en nombre de canaux), n le nombre de canaux considérés à gauche et à droite du pic pour choisir le profil du fond, G le
nombre de coups dans les canaux constituant le pic et B1 et B2 le nombre de coups des n canaux de part et d'autre du
pic.
figure 11 : problème des fluctuations de comptage pour la détermination du fond sous le pic. Les données du spectre sont
les carrés verts, le fond est représenté par la zone rose et le pic détecté par l'aire hachurée en rouge.
36
Remarque : calculer le fond sur des canaux de part et d'autre de l'étalement du pic (représenté par le domaine à +/- 3σ)
implique l'augmentation de la largeur de la zone d'intérêt. Elle représente au final une plage totale de +/-5σ. Ainsi, 2 pics
sont considérés comme étant des multiplets quand ils sont distants d’au moins de 10 σ, ce qui, d'un point de vue
mathématique, ne correspond pas à des pics qui se chevauchent.
Le fond estimé, les surfaces nettes des singulets sont déterminées soit par une simple addition du
contenu des canaux des régions d'intérêt, soit par ajustement d'un profil gaussien [REILLY91].
Dans le cas des multiplets, ces techniques sont bien moins performantes. La déconvolution des
multiplets nécessite des méthodes plus complexes, où le principe général est d’ajuster une somme de
gaussiennes à l’ensemble de la région d’intérêt par la méthode des moindres carrés. Le nombre de
gaussiennes à ajuster est déterminé par une des méthodes de localisation de pics décrites précédemment.
Si par exemple, le multiplet est composé de 3 pics qui se chevauchent, la valeur de chaque canal i de la
région d’intérêt est donnée par :
La méthode des moindres carrés permet de calculer les valeurs de S1, S2 et S3 telles que la somme des
carrés des écarts entre les contenus des canaux et la somme de gaussiennes soit minimum.
S1 est déterminée par :
∑ G.N1 ∑ N1.N 2 ∑ N1.N 3
1
S1 = ∑ G.N 2 ∑ N 2.N 2 ∑ N 2.N 3
D
∑ G.N 3 ∑ N 3.N 2 ∑ N 3.N 3
∑ N 1. N 1 ∑ N 1. N 2 ∑ N 1. N 3
avec D = ∑ N1.N 2 ∑ N 2.N 2 ∑ N 2.N 3
N 1. N 3
∑ ∑ N 3.N 2 ∑ N 3.N 3
équation 17
Si le nombre de pics détectés ne correspond pas au nombre de pics présents dans le spectre, les logiciels
commerciaux proposent dans leurs produits des modules complémentaires qui permettent à l'utilisateur
d'ajouter des pics "à la main". A titre d'exemple, la figure 12 montre une zone de multiplets déconvoluée
37
avec GENIE2000 de façon automatique (en haut) et la même zone déconvoluée avec l'aide d'un
opérateur expérimenté en spectrométrie gamma (en bas).
nb coups
figure 12 : Importance de l'intervention humaine dans la vérification des résultats de déconvolution. Une zone de
multiplets traitée avec GENIE2000 est considérée dans l'exemple. Les carrés verts représentent les données du spectre
d'acquisition, les aires hachurées correspondent aux différentes gaussiennes générées, l’aire colorée en rose représente
l’évaluation du bruit de fond et le profil continu noir est la somme des différentes gaussiennes. C'est ce profil noir qui est
censé s'ajuster aux données du spectre.
38
3.4. Détermination du rendement de détection
Le caractère non destructif des mesures sous-entend que le rayonnement gamma à caractériser traverse
plusieurs couches de matériaux entre le moment où il est émis de la source et le moment où il interagit
avec le détecteur. Par exemple si on considère un fût de déchets constitué de déchets technologiques
(pièces métalliques, gants en vinyle, …), les photons émis par la source radioactive vont traverser : la
matière radioactive en elle-même, les pièces métalliques, le vinyle et la paroi du fût avant de rencontrer le
détecteur. Chaque matériau traversé va atténuer ou diffuser le signal différemment (voir paragraphe sur
les interactions gamma/matière page 21) de telle sorte que seule une certaine proportion des photons
émis par les radionucléides sera détectée.
Pour quantifier les radionucléides, il est indispensable de relier le nombre de photons détectés au nombre
de photons réellement émis par les radionucléides. À ce niveau, la difficulté est de trouver la fonction de
transfert qui prend en compte tous les phénomènes d'absorption et de diffusion dans les écrans. Cette
fonction dépend d'un nombre important de paramètres physiques :
- les constituants du déchet : formes géométriques, densités, épaisseurs, composition physico-
chimique des matériaux,…,
- l'agencement de ces constituants dans le déchet : de façon homogène, de façon hétérogène avec
un fort gradient de densité,
- la localisation de la radioactivité : dans un élément plus ou moins atténuant,
- la répartition de la radioactivité : concentrée dans un petit volume, dispersée de façon
homogène ou dispersée en plusieurs points dans des matériaux différents (suivant le cas, le
rayonnement émis ne traversera pas les mêmes matériaux).
Nous pouvons voir le rendement de détection comme le produit de deux contributions : le rendement
relatif à la chaîne de détection (on parle de rendement intrinsèque du détecteur) et l'effet d'atténuation
due à la géométrie de mesure. Le rendement de détection ε(E) s'exprime de la façon suivante :
39
- Cgéo(Ε) est la correction qui permet de passer de la géométrie d'étalonnage de la chaîne de
mesure (la plupart du temps ponctuelle) à la géométrie de l'objet mesuré.
La suite du chapitre présente dans un premier temps les différentes techniques utilisées pour obtenir le
rendement du détecteur et dans un deuxième temps les méthodes pour déterminer l'atténuation et les
diffusions des photons dans l'objet [REILLY91, GILMORE95, KNOLL89, DROPG01, MOREL87].
Étalonnage expérimental
On procède à une mesure d'une source étalon. L'activité A de l'étalon étant connue, le rendement
εdétecteur(Ei) sur les différentes raies d'énergie Ei de la source s'obtient en appliquant l'équation 10 :
40
S ( Ei )
équation 10 : A =
I ( Ei ).ε détecteur ( Ei ).t
S ( Ei )
⇒ ε détecteur ( Ei ) =
I ( Ei ). A.t
où - Ei représente la ou les énergies des photons émis par le radionucléide considéré (en keV),
- S(Ei) la surface nette du pic d'absorption totale à l'énergie Ei (en nombre de coups),
- I(Ei) le rapport d'embranchement du radionucléide à l'énergie Ei,
- εdétecteur(Ei) le rendement de détection de la mesure à l'énergie Ei,
- t le temps de mesure (en secondes).
L'ajustement des points par une loi empirique [CANBERRA06, DROPG01] de type log(ε ) = ∑ a i .E −i
i
Étalonnage numérique
Une autre façon de déterminer la réponse en rendement du détecteur repose sur l'utilisation des
simulations Monte Carlo (par exemple avec les codes de calcul TRIPOLI [HUGOT10] ou MCNP
[LANL05]). Le recours à ce type d'outil permet d'obtenir le rendement du détecteur à n'importe quelle
énergie d’intérêt (indépendante de tout étalon) mais nécessite de confronter ces résultats à une mesure
expérimentale. La principale difficulté d'un étalonnage numérique est de définir les dimensions exactes
des matériaux composant le détecteur et de prendre en compte les effets de production et de collecte de
charges, les zones mortes du détecteur et les lignes de champ [SIMONATO11].
41
Utilisation d'une source externe
Le principe de cette méthode est de déterminer l'atténuation d'un objet en utilisant une source étalon
d'activité connue. La première étape est de mesurer la source étalon seule. On obtient des taux de
comptage de référence, c'est-à-dire sans atténuation, sur les raies d'émission de la source. La seconde
étape consiste à intercaler l'objet dont on veut déterminer l'atténuation entre le détecteur et la source
étalon et de relever les taux de comptage de la même source étalon.
L'écart entre les taux de comptage obtenus avec la mesure "source seule" et les taux de comptage obtenus
avec la mesure "source+objet" représente l'atténuation du signal dans l'objet. Cette démarche est résumée
sur la figure 14 qui décrit les différentes étapes à mener pour calculer l’atténuation de l’objet. On
considère pour l’exemple une source étalon d'activité connue dont les photons sont émis aux énergies Ei.
Objet à
caractériser
figure 14 : principe de calcul de l’atténuation d’un objet par l’utilisation d’une source externe
Dans la méthode présentée, l’atténuation est calculée sur la globalité du fût. C'est donc une atténuation
moyenne qui ne prend pas en compte les hétérogénéités de la matrice.
Pour prendre en compte ces hétérogénéités, une amélioration de la méthode consiste à calculer
l’atténuation à travers plusieurs tranches de l'objet via un processus expérimental (voir figure 15),
semblable à celui décrit en figure 14. En général, on considère 3 ou 4 tranches et on passe donc de 2
mesures (source étalon et source étalon + objet) à 4 ou 5 suivant le nombre de tranches considérées.
42
a) Mesure tranche du haut b) Mesure tranche du milieu c) Mesure tranche du bas
figure 15 : détermination de l'atténuation d'un fût par mesure de différentes tranches, au nombre de 3. Chaque mesure de
tranche nécessite soit de translater verticalement le fût, soit de translater verticalement l'ensemble source + détecteur.
43
nécessaires pour modéliser une géométrie approchée de la vraie géométrie de mesure. Ainsi, le temps
passé à réaliser les modélisations peut prendre jusqu’à plusieurs jours dans les cas les plus complexes (des
objets dont aucune connaissance n’est a priori disponible ou/et des enchevêtrements d’écrans
complexes).
où - Ei représente la ou les énergies des photons émis par le radionucléide considéré (en keV),
- S(Ei) la surface nette du pic d'absorption totale à l'énergie Ei (en nombre de coups),
- I(Ei) le rapport d'embranchement du radionucléide à l'énergie Ei,
- εdétecteur(Ei) le rendement intrinsèque du détecteur l'énergie Ei,
- t le temps de mesure (en secondes).
La pertinence de l'extrapolation dépend donc directement du nombre de pics détectés et des surfaces
nettes associées et donc de la qualité de la déconvolution. En présence de matrice trop atténuante (dans
le cas du plutonium [MOREL89], pour des masses surfaciques supérieures à 10g/cm², équivalent à 5
mm de plutonium métal), l'extrapolation ne permet pas de compenser l'atténuation du signal. L'énergie
infinie fournit alors une valeur biaisée, inférieure à l'activité réelle [MOREL89, GODOT05]. D'autre
44
part, des corrections liées à la dispersion de la source et à la forme géométrique du déchet doivent être
introduites quand l'objet est trop différent de la géométrie d'étalonnage4, ce qui est systématiquement le
cas pour les objets volumineux rencontrés. Ces facteurs correctifs sont choisis en fonction de la
connaissance de l'objet qui, pour rappel, est très partielle, voire inexistante. Le savoir faire de l'utilisateur,
sa connaissance du procédé dont est issu l'objet et la connaissance précise des conditions de mesure5
conditionnent alors la pertinence du résultat.
S ( Ei )
Étape 2) Calcul d'activité pour les énergies Ei avec A( Ei ) =
I ( Ei ).ε det ( Ei ).t
où t est le temps de mesure en secondes et I(Ei) le rapport d'embranchement
de la raie d'énergie Ei
−0 , 2922
Ici : A = e
figure 16 : étapes réalisées pour le calcul de l'activité d'un multi émetteur gamma par la méthode de l'extrapolation à
l'énergie infinie.
45
3.4.c) Bilan sur la détermination du rendement de détection
Le rendement de détection est le produit du rendement intrinsèque du détecteur par l'atténuation des
photons dans l'objet à caractériser. Les difficultés rencontrées pour déterminer le rendement de
détection viennent de l'atténuation induite par la géométrie de mesure. Les différentes méthodes
disponibles présentent chacune leurs limitations :
- l'utilisation d'une source externe est limitée par des considérations expérimentales (localisation
des radionucléides dans l’objet et adaptation à la géométrie de l’objet),
- la qualité du résultat de l'extrapolation à l'énergie infinie est directement liée à la qualité
d'extraction des énergies et des surfaces nettes des pics d'absorption totale,
- les modélisations numériques nécessitent plusieurs itérations pour aboutir à une modélisation
suffisamment représentative du vrai colis et peuvent durer jusqu'à quelques jours dans les cas les
plus complexes.
Étant donné qu'aucune technique n'est optimale ou ne peut l'être qu'en lui consacrant un temps trop
important, incompatible avec les cadences d'évacuation des déchets, plusieurs méthodes sont appliquées
en parallèle pour corroborer les résultats. Cependant, aucune indication sur l’erreur commise sur la
fonction de transfert établie n'est fournie. Au final, c’est l'utilisateur qui juge la pertinence du résultat.
L'alternative présentée dans le chapitre IV. propose une méthode basée uniquement sur les surfaces
nettes extraites du spectre, ce qui permettrait de s'affranchir des a priori formulés lors de la
détermination du rendement de détection.
46
La validation de SINBAD et son intégration parmi les méthodes de quantification des radionucléides
constituent le premier travail de thèse. Ces deux points sont abordés dans le chapitre III. en page 49.
Pour la détermination du rendement de détection, aucune des techniques actuelles n'est optimale et
l'utilisateur doit recouper les résultats de plusieurs techniques pour s'assurer que le rendement de
détection permet de remonter à une quantification précise. La plus grande difficulté pour déterminer le
rendement de détection est de connaître précisément la géométrie de mesure : les caractéristiques
physico-chimiques des constituants de l'objet, leur répartition, la localisation des radionucléides, … En
pratique, cette connaissance est partielle, voire inexistante. La pertinence du rendement obtenu dépend
alors grandement du savoir faire de l'utilisateur. La solution présentée dans la partie IV. définit une
méthode basée uniquement sur les surfaces nettes extraites du spectre, ce qui permettrait de s'affranchir
de la connaissance précise de la géométrie de mesure et des a priori formulés actuellement par
l'utilisateur lors de la détermination du rendement de détection.
47
48
III. Déconvolution de spectres gamma par méthode non
paramétrique : principe, validation et intégration
Nous avons vu dans la partie précédente que les méthodes actuelles de déconvolution nécessitent
systématiquement l'intervention de l'utilisateur pour choisir la meilleure méthode et vérifier la pertinence
des énergies et des surfaces nettes rendues. Ce choix est actuellement laissé à l'appréciation de l'utilisateur
étant donné qu'aucune information sur la qualité de la déconvolution n'est fournie par les méthodes.
Afin de réduire le temps passé aux vérifications, le compromis actuel est de quantifier les radionucléides
seulement avec les singulets présents dans le spectre.
L'amélioration proposée dans le travail de thèse fait appel à une nouvelle génération d'algorithme de
déconvolution par méthode non paramétrique, c'est-à-dire qui ne nécessite pas de réglage de la part de
l'utilisateur. Cette technique est implémentée dans le logiciel SINBAD, développé depuis 2005 dans le
cadre d’un partenariat CEA/AREVA. Elle met en jeu des modèles mathématiques déjà utilisés dans la
finance et la médecine [ROBERT01], le traitement du signal [LINDEN99] ou dans la théorie des files
d'attente [JORDAN05] et adaptés à la spectrométrie gamma : la statistique bayésienne [ROBERT06], les
chaînes de Markov [PARENT07], les processus de Dirichlet [ISHWARAN02, ANTONIAK74], les
arbres de Pólya [LAVINE92]. Comme nous le verrons, l'utilisation de ces outils permet en théorie
d'extraire toute l'information contenue dans les spectres et avec une meilleure précision que les méthodes
classiques.
Cependant, SINBAD est un logiciel jeune et peu distribué donc avec un très faible retour d'expérience.
De plus il n'a jamais été confronté à la mesure des déchets FMA contenant des actinides. Son
comportement n'a jamais été étudié et ses performances n'ont jamais été quantifiées ni fait l'objet d'une
validation robuste. Des essais ont été réalisés lors du développement pour s'assurer du bon
fonctionnement du logiciel mais aucun dossier de validation mentionnant les tests effectués n'est fourni
avec le logiciel. La raison est simple : les performances de SINBAD dépendent directement du réglage
du gain de l'amplificateur (c'est-à-dire de la relation énergie = f(canal)). Le réglage du gain dépend lui-même
des radioéléments recherchés et varie donc suivant le procédé industriel qui a généré le déchet. Le travail
de thèse consiste à adapter cette technologie à notre problématique de mesure de déchets, à garantir ses
résultats, à quantifier ses performances et à automatiser son utilisation.
Ce chapitre s'articule de la façon suivante. Nous présentons dans un premier temps le principe de
fonctionnement du logiciel SINBAD. Nous décrivons dans un second temps la démarche réalisée pour
49
garantir ses résultats et quantifier ses performances. Nous présentons à ce titre la théorie des plans
d'expérience et les résultats de la réalisation des différents plans d'expériences. En dernière partie de ce
chapitre, nous présentons l’intégration des résultats de la validation dans SINBAD et les plus values de
l’utilisation de SINBAD pour la quantification des radionucléides.
1. Fonctionnement de SINBAD
Le fichier d'entrée de SINBAD est directement le fichier de sortie de la chaîne de mesure représentant le
nombre de coups par canal. Nous l'appelons spectre brut dans la suite du document. Le principe général
d'une déconvolution SINBAD [BARAT07] est d'ajuster à l'ensemble des données du spectre brut un
modèle mathématique de la forme :
d = β p + (1 − β ) f
équation 20
où d représente les données, f le profil du fond sur l'ensemble des canaux, p le profil des pics et β la
proportion relative entre p et f. En partant du principe que les pics d'absorption totale suivent un profil
gaussien, on peut voir p comme une somme de gaussiennes :
( x − mi ) 2
n −
Si
p( x) = ∑ e 2σ i2
i =1 σ i 2π
équation 21
où : - n est le nombre total de gaussiennes nécessaire pour ajuster le modèle d aux données brutes.
Remarque : dans l'idéal, n correspond au nombre de pics d'absorption totale présents dans le spectre.
- x est l’énergie,
- mi est le centroïde de la gaussienne i,
- σi est l'étalement de la gaussienne i,
- Si est la surface de la gaussienne i.
Le profil du fond est un mélange d'arbres de Pólya [LAVINE92], le profil des pics est un mélange de
processus de Dirichlet [ISHWARAN02, ANTONIAK74]. Le caractère non paramétrique est amené par
l'utilisation des chaînes de Markov Monte Carlo [ROBERT06, PARENT07] qui, par un processus
itératif, font varier les paramètres des processus de Dirichlet (donc les centroïdes et les surfaces des
gaussiennes) et des arbres de Pólya. Au bout d'un certain nombre d'itérations (qui dépend principalement
du nombre de canaux et du nombre de pics à déconvoluer), le profil d converge vers le spectre brut.
50
1.1. Profil du fond : arbres de Pólya
Le principe des arbres de Pólya est de générer une distribution sous forme d'histogramme, proche du
profil recherché. La largeur et la hauteur des barres de cet histogramme sont déterminées de façon à
suivre la distribution des données brutes. Le processus itératif implémenté dans SINBAD [BARAT07]
génère les arbres de Pólya de la façon suivante (voir figure 17) :
- La zone à déconvoluer contenant n canaux est approchée en première approximation par un
arbre de Pólya dont la largeur des barres correspond à plusieurs dizaines de canaux (le nombre
d'intervalles m est alors calculé en divisant n par la largeur des barres) et la hauteur correspond à
la somme du contenu des n canaux,
- Chaque intervalle est scindé en 2 sous intervalles dont la largeur est la hauteur sont fixées par
rapport à la distribution des données brutes.
- L'étape précédente est réitérée jusqu'à ce que le nombre d'intervalles m soit égal au nombre de
canaux n.
figure 17 : Reconstitution d'un profil gaussien (en vert) par un arbre de Pólya via 12 découpages successifs.
[BARAT06] . La figure a) représente le premier découpage (m=1) où l'intervalle [-3,3] est coupé arbitrairement (ici,
au milieu car la distribution des données brutes est symétrique) et où l'aire sous l'arbre (en rouge) est égale à celle de la
gaussienne. Le second découpage (m=2) utilise comme données d'entrée l'étape précédente (m=1) : les intervalles [-3,0] et
[0,3] sont scindés en 2 parties. Les largeurs et les hauteurs de ces derniers dépendent de la distribution gaussienne, de
telle façon que les aires entre les 2 découpages (orange et bleues sur la figure) sont égales. Le processus est répété jusqu'à la
valeur de m fixée (ici m=12). On parle alors d'un arbre de Pólya de profondeur 12.
51
1.2. Profil des pics : processus de Dirichlet.
Le processus de Dirichlet [ISHWARAN02, ANTONIAK74] permet de générer de façon aléatoire un
ensemble de fonction de Dirac sur l'ensemble du spectre. Le processus implémenté dans SINBAD
[BARAT07] génère des fonctions de Dirac de la façon suivante :
Soit I un intervalle (typiquement la zone du spectre à déconvoluer)
- Des lieux de présence de Dirac Z1, Z2,…,Zn sont tirés sur I,
- Une fonction de Dirac est générée pour chaque lieu Z, et son amplitude décroît à chaque nouvelle
génération.
La figure 18 illustre la reconstitution d'une loi normale via 50 tirages de ce processus, dans l’intervalle
[-3,3]. Les fonctions de répartition du profil gaussien, Fg, et des 50 tirages de fonctions de Dirac, FD,
permettent de visualiser la bonne reconstitution du profil gaussien. Elles sont définies par :
x
Pour le profil gaussien : Fg ( x) = ∫ N (t )dt
−3
où D(.) est la somme des amplitudes des fonctions de Dirac générées entre -3 et x
figure 18 : reconstitution d'un profil gaussien (en vert) via 50 tirages de fonctions de Dirac (en rouge) [BARAT06].
Seules les fonctions de Dirac ayant la plus haute amplitude sont visualisables.
52
méthodes Monte Carlo, via un processus itératif, les chaînes de Markov Monte Carlo [ROBERT06,
PARENT07]. Une propriété fondamentale des chaînes de Markov est qu'elles permettent d'estimer un
état futur grâce à la connaissance de l’état présent (voir équation 22) : c'est le côté itératif du processus.
P( X n +1 = j `X 0 = i0 , X 1 = i1 ,..., X n −1 = in −1 , X n = i ) = P( X n +1 = j X n = i`)
équation 22
Où Xn+1 représente l’état futur, Xn l’état présent et les Xi tous les états passés, de i = 0 à i = n-1.
Le caractère Monte Carlo, c'est-à-dire aléatoire, est introduit par la génération des arbres de Pólya et des
processus de Dirichlet. Ce processus itératif est détaillé pas à pas dans la suite en considérant un cas
simple constitué de 2 pics d'absorption totale (voir figure 19).
Intensité
Nb de coups
9000 Données brutes
8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Canal
figure 19 : Partie d'un spectre d'acquisition. 2 gaussiennes dont les centroïdes se situent aux canaux 14 et 36 et dont la
FWHM est de 5 canaux sont identifiables.
53
4) Étiquetage des canaux (dans chaque canal du spectre d'acquisition, quelle proportion est due à la
présence d'un pic et quelle proportion est due au fond).
Nb de
Intens itécoups
9000
Données brutes
8000 Polya
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Canal
figure 20 : Profil proposé par les arbres de Pólya pour le fond lors de l'étape d'initialisation (bleu).
Nb de
Intens itécoups
9000 Données brutes
8000 Polya
7000 Dirichlet
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Canal
figure 21 : Tirages aléatoires de fonctions de Dirac par les processus de Dirichlet (rouge) sur le profil de fond généré par
les arbres de Pólya (bleu).
54
Nb de
Intens itécoups
9000 Données brutes
Dirichlet
8000 Polya
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Canal
figure 22 : Convolution des fonctions de Dirac par une gaussienne (rouge), dont la surface correspond à la hauteur du
Dirac, sur le fond généré par les arbres de Pólya (bleu). La FWHM des gaussiennes est égale à la celle des pics des
données brutes, c'est-à-dire 5 canaux. Les 50 canaux correspondant à une plage de 10 keV, on considère la FWHM
constante sur cet intervalle.
L'étiquetage de chaque canal s'effectue par le calcul du paramètre Ki,j qui associe chaque canal à une des
gaussiennes générées par les processus de Dirichlet. i représente le nombre de canaux (dans l'exemple,
i ∈ [1,50]), j représente le nombre de fonctions de Dirac générées (dans l'exemple, j ∈ [1,3] ). Pour chaque
j, on calcule :
(C i − Fi ).N (i, m j , σ )
K i, j =
I 1 .N (i, m1 , σ ) + I 2 .N (i, m2 , σ ) + I 3 .N (i, m3 , σ )
Étapes d'itération : n = 2 … N
L'estimation du modèle d à l'itération n prend en compte les paramètres Ki,j calculés à l'itération n-1. Le
principe est, itération après itération, de faire varier les centroïdes, les surfaces des gaussiennes et la
valeur du fond pour faire converger les Ki,j vers 1. Initialement, les chaînes de Markov permettent
d'obtenir une distribution invariante (qui représente l'état futur dans l'équation 22) en connaissant les
paramètres de transition d'une itération à l'autre. Dans SINBAD, le problème est inversé : la distribution
invariante est connue (c'est le spectre) et la transition entre deux itérations ne l'est plus. C'est le principe
de l'algorithme de Metropolis-Hastings [CHIB95] : au bout d'un certain nombre d'itérations, les valeurs
des paramètres de transition ne varient plus, signifiant alors que la déconvolution a convergé et que Kij
55
tend vers un. La figure 23 montre une déconvolution convergée. Le nombre d'itérations N (donc
directement la durée du temps de calcul) est laissé au choix de l'utilisateur.
Nb de coups
Intensité
Données brutes
9000
Dirichlet
8000 Polya
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Canal
56
processus et sa bonne convergence. La figure 24 est une capture d'écran de l'interface homme machine
de SINBAD réalisée après une déconvolution.
Résultats :
Energies et
surfaces des
pics
Données
nucléaires
figure 24 : capture d'écran de SINBAD. La fenêtre centrale (en orange) permet de visualiser la déconvolution en temps
réel (avec un rafraîchissement toutes les secondes), les réglages des processus de Dirichlet (alpha) et des arbres de Pólya (h0
et m0) et le nombre d'itérations effectuées. La partie "données nucléaires" (en bleu) est utilisée uniquement pour
l'établissement des lois energie = f (canal ) et FWHM = g (energie ) et n'est pas sollicitée lors de la déconvolution du
spectre. La partie "résultats" (en violet) fournit les énergies et les surfaces nettes des pics trouvés. Ces données peuvent être
exportées dans un fichier lisible par tout type de tableur.
57
(c’est-à-dire +/- 0,4 keV avec l’amplificateur utilisé) des vraies énergies et que les surfaces nettes sont
restituées à +/-5% des vraies surfaces nettes.
Ce paragraphe décrit dans un premier temps le vocabulaire et les notions nécessaires à la validation.
Dans un second temps, la démarche et les outils mis en œuvre pour valider SINBAD sont présentés.
2.1.a) Réponses
Les réponses sont les grandeurs qui caractérisent le phénomène étudié, à savoir les écarts des énergies et
surfaces issues de la déconvolution par rapport aux énergies et aux surfaces réelles des pics d'absorption.
Deux réponses sont ainsi calculées pour chaque pic :
S SINBAD − S pic
∆S = × 100 (en %)
S pic
2.1.b) Facteurs
Un facteur est une variable dont on veut connaître l'influence sur les réponses étudiées, ∆S et ∆E. Ils
sont de différentes natures :
- Le facteur humain lié à la manipulation du logiciel de déconvolution. Dans le notre cas, ce
facteur est maîtrisé par l'écriture d'une procédure qui décrit les étapes à réaliser dans SINBAD
[VIGINEIX10],
- La dérive de la chaîne de mesure dans le temps. Périodiquement, des cartes de contrôle sont
renseignées et garantissent la non dérive de la chaîne de mesure. Les tests portent sur la FWHM
des pics d'absorption totale, la relation canal énergie, l'adéquation du profil des pics à une loi
gaussienne,… de façon à ce que le profil des pics suive une loi gaussienne quelle que soit la
mesure effectuée,
- Les facteurs inhérents à l'objet : les radionucléides présents et leur quantité, la composition et la
géométrie de l'objet. C'est l'influence de ces facteurs (dont la définition et les plages de variation
sont présentées dans le paragraphe 2.2.b) page 63) sur les réponses qui est étudiée.
58
2.1.c) Niveaux des facteurs
Les niveaux sont les valeurs prises par les facteurs pour le calcul des réponses. Ils correspondent au
minimum, à la moyenne, et au maximum des plages de variation des facteurs. En fixant le nombre de
niveaux à 3, on peut détecter les effets quadratiques, invisibles si on considère uniquement 2 niveaux
(voir figure 25). La contre partie est une augmentation du nombre d'expériences à réaliser.
Réponse Réponse
figure 25 : Évolution de la réponse en fonction d'un facteur. 2 niveaux a) ne permettent pas de détecter l'effet
quadratique dans l'évolution de la réponse. En introduisant un 3ème niveau au centre b), on peut détecter un effet
quadratique dans la réponse.
Pour réduire le nombre d'essais, un plan fractionnaire basé sur la méthode de Taguchi [COCHRAN57,
HARDIN93] peut être réalisé au préalable. Le principe de la méthode est de fusionner plusieurs essais en
un seul. Le plan résultant doit être orthogonal pour que ses résultats soient facilement exploitables. Un
plan est dit orthogonal si tous les facteurs du plan sont orthogonaux deux à deux. Deux facteurs F1 et
59
F2 sont dits orthogonaux si tous les couples des niveaux de F1 et F2 apparaissent le même nombre de
fois dans le plan. Le tableau d'incidences de la figure 26 précise le nombre de fois qu'apparaît chaque
couple de niveaux dans le plan. L'orthogonalité d'un plan apporte l'indépendance de l'influence de
chaque facteur par rapport aux autres.
figure 26 : a) Essais d'un plan comportant deux niveaux F1 et F2. F1 possède 3 niveaux : 0,1,2. F2 possède 2
niveaux : 0,1. b) Tableau d'incidence qui précise le nombre de fois qu'apparaît chaque couple de niveaux de F1 et F2.
ΣF1 et ΣF2 sont égaux, ce qui traduit l'orthogonalité des 2 facteurs.
Remarque : un plan factoriel complet est obligatoirement orthogonal étant donné que toutes les combinaisons entre les
niveaux des facteurs sont réalisées.
Cependant, plus le nombre d'essais fusionnés est important, plus la quantité de résultats est faible. Les
conclusions tirées de ce nombre restreint d'essais sont bien entendu moins précises que sur la totalité des
essais mais elles permettent d'identifier les facteurs qui influent le plus sur les réponses. Ces facteurs sont
ensuite étudiés par un plan factoriel complet.
60
nb facteurs
ln(Y ) = ∑α . X + ∑ β
i =1
i i
i, j
ij X i . X j + ∑ γ i , j ,k X i . X j . X k + ε
i , j ,k
équation 24
où Y est la réponse (c'est-à-dire ∆S ou ∆E), Xi les différents facteurs, αi l'effet de Xi sur Yi, βij les effets
croisés d'ordre 1 sur Yi, γijk les effets croisés d'ordre 2 sur Yi et ε le résidu du modèle. Le résidu est la part
de la réponse que le modèle ne permet pas d'expliquer. Il doit être le plus faible possible.
L'utilisation du test de Fisher-Snedecor [NEUILLY98, AFNOR63] permet de déterminer si la valeur du
résidu est significativement faible ou pas et donc de déterminer si le modèle trouvé par la régression est
globalement pertinent.
Le principe du test de Fisher-Snedecor est de comparer les variances vx et vy de deux échantillons (x1, …,
xp) et (y1, …, yp). L'hypothèse testée est vx = vy avec un risque d'erreur α. La variance de chaque
échantillon se calcule avec :
p q
∑ (xi − x )² ∑ (y i − y )²
vx = i =1
et v y = i =1
p −1 q −1
équation 25
61
vx vy 1 2 3 4
1 161,4 199,5 215,7 224,6
2 18,51 19,00 19,16 19,25
3 10,13 9,55 9,28 9,12
4 7,71 6,94 6,59 6,39
tableau 2 : extrait de la table de Fisher-Snedecor pour un risque alpha de 5% et 4 degrés de liberté pour chaque
échantillon
∑ (Yˆ − Y )
nb d 'essais nb d 'essais
∑ε
2
i >> i
2
i =1 i =1
équation 27
( )
où Yˆi − Y est la différence entre les valeurs des réponses calculées avec le modèle et la moyenne des
réponses et εi le résidu à chaque essai. Si l'hypothèse est vérifiée, nous pouvons conclure que le modèle
est globalement pertinent.
Les paramètres αi, βij, γijk et ε du modèle sont ajustés par la méthode des moindres carrés, qui consiste à
déterminer la combinaison des (αi, βij, γijk, ε) qui minimise le carré de l'écart entre la réponse Yi et
l'estimation calculée avec le modèle Yˆi . Les valeurs sont rendues à k=2 (c'est-à-dire avec 95% de
certitude) par un test de Student [NEUILLY98, AFNOR65].
Le principe général du test de Student est de déterminer si la moyenne x d’une population de taille n et
x − µ0
d’écart-type σ est égale à une valeur fixée µ0. La variable t = suit alors une loi de Student à n-1
σ/ n
degrés de liberté. La comparaison de la valeur calculée de t à la table de Student permet de déterminer
avec quelle certitude x est égal à µ0. Le tableau 3 est un extrait de la table de Student pour un n variant
de 1 à 5.
Certitude
n 75% 80% 85% 90% 95% 97,5% 99% 99,5% 99,75% 99,9% 99,95%
1 1,000 1,376 1,963 3,078 6,314 12,71 31,82 63,66 127,3 318,3 636,6
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 14,09 22,33 31,60
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,840 7,453 10,21 12,92
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,606 5,598 7,173 8,610
tableau 3 : extrait de la table de Student [NEUILLY98]
62
Dans notre cas, chaque paramètre d'ajustement du modèle ( α i , β ij , γ i , j ,k ) fait l'objet d'un test de
Student.
Une fois la pertinence globale du modèle et celle de chaque paramètre d'ajustement vérifiées, le modèle
peut être utilisé pour identifier les paramètres les plus influents sur les réponses et pour connaître la
valeur des réponses en tout point des plages de variation des facteurs.
Pour la réalisation des essais des plans d'expériences, une routine spécifique est développée. CASEx
(Création Automatisée de Spectres Expérimentaux) permet de générer des spectres, semblables à ceux
obtenus avec un détecteur GeHP (c'est-à-dire en prenant en compte la résolution du détecteur et la
relation canal énergie). Les données d'entrée de CASEx sont les énergies et les surfaces nettes des pics et
le profil du fond.
En modélisant n gaussiennes, la valeur de chaque canal du spectre s'obtient par :
n
Gi = Fi + ∑ S j .Ν ( E j , σ )
j =1
équation 28
63
d'expériences. La définition des facteurs est donc un processus itératif où nous sommes amenés à
redéfinir les facteurs ou ajuster les plages de variation en fonction des résultats des plans d'expériences.
Notre seule connaissance a priori des performances de SINBAD est qu'il permet en théorie de mieux
déconvoluer les multiplets que les techniques classiques de déconvolution. De plus, nous ne savons pas a
priori quels sont les facteurs qui influencent ces performances. Dans un premier temps, nous listons tous
les paramètres d'un spectre qui ont une influence potentielle sur les réponses. Les facteurs sont choisis :
- de façon à pouvoir estimer les limites de traitement de SINBAD, plus particulièrement dans le
cas des multiplets,
- de façon à reproduire des spectres réalistes avec CASEx (par exemple un nombre de coups ne
peut pas être négatif),
- en dégageant des tendances à partir de spectres réels d'acquisition.
Remarque : nous considérons pour la suite des multiplets contenant 2 pics. L'hypothèse faite est que les résultats obtenus
avec ces 2 pics sont transposables à un mélange de 3 pics ou plus en assimilant ce mélange à plusieurs paires de pics (par
exemple : 3 pics = 2 paires de 2 pics, 4 pics = 3 paires de 2 pics), voir figure 27.
figure 27 : multiplet de 3 pics considéré comme 2 paires de 2 pics pour la réalisation de la validation
La première définition des facteurs aboutit à l'identification de 8 facteurs que nous classons en 2
catégories : ceux relatifs aux pics d'absorption et ceux relatifs au fond.
64
que soit la méthode de déconvolution. La borne minimum de DKV sera donc choisie supérieure
à 0. Nous fixons DKV variant de 1 à 4 σ car notre retour d'expériences indique que le seuil limite
de SINBAD pour discriminer de 2 pics se situe a priori dans cet intervalle.
- l'énergie du pic 1 en keV, notée KV1 dans la suite du document (l'énergie du pic 2 s'obtient par le
calcul KV1 + DKV). Les radionucléides que l’on cherche le plus souvent à quantifier possèdent
des raies d’émission principales d’énergie variant entre 100 et 600 keV. Nous choisirons donc
cette plage de variation pour KV1,
- le rapport des surfaces nettes des pics S2/S1 où S2 est la surface nette du pic 2 et S1 la surface
nette du pic 1, noté S21 dans la suite du document. La plage de variation de S21 est choisie en
fonction des valeurs relevées sur des spectres d’acquisition, c'est-à-dire de 0,01 à 1,
- La surface du pic 1 en nombre de coups, notée S1 dans la suite du document. La surface du pic 2
s'obtient par le calcul S1 x S21. La plage de variation de S1 est choisie en fonction des valeurs
relevées sur des spectres d’acquisition, c'est-à-dire de 10 à 10000.
65
équation 30
figure 28 : exemple de fond sinusoïdal considéré pour la validation. Le profil des pics est constitué d'un multiplet de 2
pics (entre les canaux 15 et 25) et d'un singulet de centroïde le canal 30.
Le tableau 4 récapitule les facteurs identifiés et leurs niveaux associés. Ces facteurs sont utilisés comme
données d'entrée pour la génération des essais avec CASEx.
66
2.2.c) Exemple de création d’un essai avec CASEx
A titre d’exemple de l’utilisation de CASEx, on considère l’essai dont la combinaison des facteurs est la
suivante :
- énergie KV1 = 100 keV,
- écartement DKV = 4 sigma (=1,4 keV),
- rapport des surfaces S21 = 0,505,
- surface S1 = 5005,
- valeur initiale du fond IBF = 3000,
- valeur finale du fond FBF = 10,
- amplitude a = 70,
- pulsation w = 0,5.
figure 29 : exemple de spectre généré pour l'étude des performances de SINBAD. Les pics aux extrémités fournissent à
SINBAD les lois energie = f (canal ) et FWHM = g (energie) . Le multiplet à déconvoluer se situe entre 100
et 110 keV.
67
2.2.d) Schéma directeur de la validation
Dans un premier temps, nous étudions l'influence des 8 facteurs définis précédemment (voir paragraphe
2.2.b)) sur la déconvolution de SINBAD. Avec ces 8 facteurs à 3 niveaux, la réalisation d'un plan
factoriel complet nécessite 38 = 6561 essais (voir paragraphe 2.1.d)). À raison d'une moyenne de 20
minutes par essai, la durée totale de temps de calcul serait de 2200 heures.
Pour réduire le nombre d'essais à réaliser, nous utilisons un plan d'expériences fractionnaire dit de
Taguchi (voir paragraphe 2.1.d)). Les conclusions issues des 27 expériences de ce plan permettent
d'identifier les facteurs les plus influents sur la déconvolution SINBAD et les éventuelles mauvaises
définitions de plage de variation.
Pour réaliser une validation complète de SINBAD et étudier plus finement ses performances, nous
validons ensuite la déconvolution des singulets et la déconvolution des multiplets séparément. La
validation des singulets sera réalisée en premier et ses résultats seront utilisés pour la validation des
multiplets. Nous validerons ainsi le comportement de SINBAD pour toutes les configurations de pics.
La figure 30 présente le schéma directeur de la validation. Comme nous le verrons dans la suite, les
conclusions du plan fractionnaire nous amèneront à éliminer des facteurs, à redéfinir certaines plages de
variation et à découpler la validation des singulets de celle des multiplets.
Plan fractionnaire
cf § III.
Conclusions :
3.1
- Élimination des facteurs les moins influents,
- Plages de variation à redéfinir,
- Validation des singulets à découpler de celle des multiplets
Validation de la Validation de la
déconvolution déconvolution
des multiplets des singulets
cf § III. cf § III.
3.3.b) 3.3.a)
Conclusion : quantification Conclusion : quantification
des performances de des performances de
SINBAD pour les multiplets SINBAD pour les singulets
figure 30 : schéma directeur de la validation. La première étape est la réalisation du plan de Taguchi. La deuxième étape
consiste à valider séparément la déconvolution des multiplets et la déconvolution des singulets. La réalisation de la
deuxième étape permet la validation complète de SINBAD.
68
3. Réalisation de la validation
La réalisation des 27 essais du plan fractionnaire donnent accès à 27 valeurs de chaque réponse ln(∆S1),
ln(∆S2), ∆E1 et ∆E2 (le tableau 5 récapitule la valeur prise par chaque facteur pour chacun des 27 essais
et la valeur des réponses associées à chaque essai. Nous retrouvons le fait que le plan d'expérience est
orthogonal (voir paragraphe 2.1.c) page 59) car chaque combinaison entre deux facteurs apparaît le
même nombre de fois, en l'occurrence trois fois). L'influence des facteurs est étudiée sur chaque réponse
en trois étapes :
Étape 1) Ajustement du modèle de comportement sur les 27 valeurs de la réponse étudiée,
Étape 2) Vérification de la pertinence du modèle,
Etape 3) Utilisation du modèle pour identifier les facteurs les plus influents sur la réponse.
L'analyse de chaque réponse suit la même démarche. Nous présentons ainsi l'analyse complète de
ln(∆S1) et ∆E1 mais uniquement les résultats de l'analyse de ln(∆S2) et ∆E2 (l'analyse complète de
ln(∆S2) et ∆E2 est en annexe VII. 1.1).
équation 31
Remarque : les facteurs qui ne figurent pas dans le modèle ont été rejetés par le test de Student à 95%. ε est le résidu du
modèle. Il représente la part que le modèle ne peut pas expliquer. Il doit donc être le plus faible possible.
69
N° Niveaux des facteurs Valeurs des réponses
essai S1 KV1 S21 DKV IBF FBF w a ln(∆S1) ln(∆S2) ∆E1 (keV) ∆E2 (keV)
1 -1 -1 -1 -1 -1 -1 -1 -1 4,605170186 4,605170186 / /
2 -1 -1 -1 -1 0 0 0 0 4,605170186 4,605170186 / /
3 -1 -1 -1 -1 1 1 1 1 4,605170186 4,605170186 / /
4 -1 0 0 0 -1 -1 -1 0 4,605170186 4,605170186 / /
5 -1 0 0 0 0 0 0 1 4,605170186 4,605170186 / /
6 -1 0 0 0 1 1 1 -1 4,605170186 4,605170186 / /
7 -1 1 1 1 -1 -1 -1 1 4,605170186 4,605170186 / /
8 -1 1 1 1 0 0 0 -1 4,605170186 4,605170186 / /
9 -1 1 1 1 1 1 1 0 4,605170186 4,605170186 / /
10 0 -1 0 1 -1 0 1 -1 -0,683562887 2,840186636 0,012 0,071
11 0 -1 0 1 0 1 -1 0 -0,423386988 -0,747171541 0,004 0,009
12 0 -1 0 1 1 -1 0 1 1,872594916 2,173612697 0,002 0,001
13 0 0 1 -1 -1 0 1 0 4,82157862 4,605170186 0,36 /
14 0 0 1 -1 0 1 -1 1 4,591534788 4,605170186 0,173 /
15 0 0 1 -1 1 -1 0 -1 4,671264502 4,605170186 0,171 /
16 0 1 -1 0 -1 0 1 1 1,266156532 4,605170186 0,015 /
17 0 1 -1 0 0 1 -1 -1 -0,447161611 4,605170186 0,003 /
18 0 1 -1 0 1 -1 0 0 -0,31516245 4,605170186 0,003 /
19 1 -1 1 0 -1 1 0 -1 0,609814484 0,590920638 0,001 0,003
20 1 -1 1 0 0 -1 1 0 0,557848513 1,551531219 0,003 0,006
21 1 -1 1 0 1 0 -1 1 0,244192461 -0,562066288 0,004 0,002
22 1 0 -1 1 -1 1 0 0 1,501765838 5,48009711 0,001 0,007
23 1 0 -1 1 0 -1 1 1 0,881815222 4,605170186 0,01 /
24 1 0 -1 1 1 0 -1 -1 -1,345882051 4,605170186 0,001 /
25 1 1 0 -1 -1 1 0 1 4,230015685 4,605170186 0,224 /
26 1 1 0 -1 0 -1 1 -1 3,88517418 4,605170186 0,126 /
27 1 1 0 -1 1 0 -1 0 3,933567252 4,605170186 0,123 /
tableau 5 : Récapitulatif des valeurs prises par les facteurs pour les 27 essais du plan fractionnaire et la valeur des réponses pour chaque essai. Les valeurs -1,0 et 1 correspondent
respectivement à la valeur minimale, la moyenne et la valeur maximale de chaque facteur. La valeur de 4,605 pour ln(∆S1) et ln(∆S2) correspond une erreur de 100%, synonyme de
la non déconvolution du pic. La non déconvolution des pics se retrouvent dans les colonnes ∆E1 et ∆E2. Les cadres rouges isolent chaque combinaison différente des facteurs S1 et KV1
et permettent de voir que S1 et KV1 sont orthogonaux car chaque combinaison différente apparaît le même nombre de fois, en l'occurrence 3. La même conclusion peut être faite sur les
autres couples de facteurs [KV1, S21], [S21, DKV], [DKV, IBF], [IBF, FBF], [FBF, w], [w,a] et [a, S1].
70
Les résultats complets sur les paramètres (test de Student, intervalle de confiance, …) sont fournis dans
le tableau 6. Nous pouvons noter l'absence de 3 des 4 facteurs relatifs au fond : IBF, FBF et w.
Mini Maxi
Coefficient Valeur Écart-type t Student Confiance % Risque %
(2,50 %) (97,50 %)
Résidu ε 1,3878 0,3705 3,7459 99,85 0,15 0,6094 2,1662
αS1 -0,0003 3,43346E-5 -8,7295 100 0 -0,0004 -0,0002
αKV1 0,0023 0,0007 3,3609 99,65 0,35 0,0009 0,0037
αS21 1,5662 0,3465 4,5204 99,97 0,03 0,8383 2,2941
αDKV -0,9011 0,1143 -7,8813 100 0 -1,1413 -0,6609
αa 0,0178 0,0086 2,0721 95,71 4,29 -0,0002 0,0358
βS1 5,619E-8 1,1905E-8 4,72 99,98 0,02 3,1181E-8 8,12077E-8
βKV1 -1,379E-5 4,7527E-6 -2,9015 99,05 0,95 -2,3775E-5 -3,8051E-6
βDKV 0,5952 0,132 4,5082 99,97 0,03 0,3178 0,8726
tableau 6 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §2.1.e) page 60) La comparaison de cette valeur à la table de Student conduit à un indice de
confiance (en %) sur la valeur trouvée pour chaque coefficient. Le risque correspond à 100% moins la confiance. Les
deux dernières colonnes représentent l'intervalle à 95% relatif à chaque coefficient.
Pertinence du modèle
La pertinence globale du modèle est testée par le test de Fisher-Snedecor. Les deux grandeurs comparées
sont la variance du résidu et la somme de la variance de tous les autres termes de la régression. Le
résultat du test permettra de déterminer si le résidu du modèle, ε, est significativement faible par rapport
à la contribution de tous les autres facteurs. Si le test est positif, le modèle est globalement pertinent.
Le test de Fisher-Snedecor (les résultats sont dans le tableau 7) permet de conclure que le modèle est
globalement pertinent. Nous pouvons donc utiliser le modèle pour identifier les facteurs les plus
influents sur la réponse ln(∆S1).
Confiance Risque
Source Variance t Fisher
(%) (%)
Régression 119,3143
Résidu 9,5297 28,1704 100 0
Total 128,844
tableau 7 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie §2.1.e)). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme "régression"
englobe tous les termes du modèle autres que le résidu.
71
coefficient ainsi que la contribution de chaque facteur à la réponse ln(∆S1). Les facteurs qui contribuent
le plus à la réponse ln(∆S1) sont la surface du pic 1 S1 (pic de gauche) et l'écartement entre les 2 pics
DKV. Ils expliquent 75% de la réponse ln(∆S1). Les facteurs relatifs au fond (fond initial IBF, fond final
FBF, amplitude a et pulsation w) contribuent à moins de 2 % de ln(∆S1). La part du résidu ε, c'est-à-
dire ce que le modèle de comportement ne permet pas d'expliquer, vaut 7,4 %. La figure 31 permet de
visualiser l'influence relative de chaque facteur sur la réponse ln(∆S1).
Contribution à la
Coefficient Variance
variance totale (%)
Résidu ε 9,5297 7.4
αS1 40.3448 31.31
αKV1 5.9801 4.64
αS21 10.8185 8.4
αDKV 32.8855 25.52
αa 2.2732 1.76
βS1 11.7947 9.15
βKV1 4.4572 3.46
βDKV 10.7603 8.35
TOTAL 128,844 100
tableau 8 : Variance de chaque coefficient du modèle et contribution (en %) de chaque facteur à la réponse ln(∆S1).
72
3.1.b) Analyse de l'écart sur l'énergie du grand pic ∆E1
La réalisation du plan fractionnaire aboutit à 16 valeurs de ∆E1 au lieu des 27 attendues (voir tableau 5),
c'est-à-dire que 9 pics sur 27 ne sont pas déconvolués. Ce phénomène traduit une définition non
optimale des plages de variation des facteurs. Les facteurs et leurs niveaux seront donc réévalués pour la
suite de la validation (voir paragraphe 3.2).
Les 16 valeurs de ∆E1 trouvées sont inférieures à 2 canaux (=0,4 keV), ce qui correspond au critère de
performance fixé au début de l'étude (voir paragraphe 2.1.a)). Nous pouvons conclure qu'à partir du
moment où SINBAD détecte un pic, son énergie est toujours restituée avec un écart de +/- 2 canaux.
Le tableau 9 présente la variance calculée pour chaque coefficient ainsi que la contribution de chaque
facteur à la réponse ln(∆S2) et la figure 31 permet de visualiser l'influence relative de chaque facteur sur
la réponse ln(∆S2).
Contribution à la
Coefficient Variance
variance totale (%)
Résidu ε 12,2490 16,47
αS1 7,1697 9,64
αKV1 26,3635 35,44
αS21 9,5485 12,84
αDKV 4,1799 5,62
βKV1 10,2563 13,79
βDKV 4,6208 6,21
TOTAL 74,3877 100
tableau 9 : Variance de chaque coefficient du modèle et contribution (en %) de chaque facteur à la réponse ln(∆S2).
73
figure 32 : Synthèse de la contribution de chaque facteur à la réponse ∆S2.
L'analyse du modèle montre que les facteurs relatifs au fond (fond initial IBF, fond final FBF, amplitude
a et pulsation w) ont une influence négligeable par rapport aux autres facteurs et que l'énergie du pic 1
KV1 contribue à 50% de la réponse ln(∆S2). La forte contribution de KV1 s'explique par le fait que
seulement 7 pics sur les 27 sont détectés par SINBAD (voir tableau 5) et que l'analyse du modèle associe
cette non détection à une influence de KV1. De plus l'influence de KV1 n'a pas de réalité physique étant
donné que la conception de SINBAD rend la déconvolution indépendante de l'énergie des pics (voir
paragraphe 1. ). KV1 était nécessaire pour la construction des essais et c’est la raison pour laquelle nous
l’avons considéré en première approche comme un paramètre à étudier. KV1 ne sera donc pas étudié
dans la suite. Ces conclusions sur KV1 ne remettent pas en cause le fait que les paramètres relatifs au
fond ont une influence négligeable par rapport aux autres facteurs.
74
3.1.e) Conclusions du plan fractionnaire
1) L'analyse du plan fractionnaire a mis en évidence l'influence négligeable des facteurs caractérisant le
fond (fond initial IBF, fond final FBF, amplitude a et pulsation w). Ils ne sont donc pas pris en compte
dans la suite de l'étude. Plutôt que d'essayer de modéliser le fond par une formule mathématique, nous
considérons pour la suite 3 fonds différents tirés de spectres d'acquisition et représentatifs des fonds
Compton observés dans les spectres d'acquisition. Les performances calculées avec ces 3 fonds seront
transposables à n'importe quel autre spectre étant donné leurs caractéristiques (valeur du canal initial,
pente, pulsation …) ont été étudiées dans le plan fractionnaire. La figure 33 présente ces 3 fonds.
figure 33 : Fonds choisis pour la suite de l'étude. Les pics à déconvoluer sont générés entre les canaux 220 et 260, là où
la pente varie le plus d'un fond à l'autre. Le fond bleu possède la pente la plus importante, le fond vert la pente la plus
faible et le fond rouge la pente moyenne.
2) Le facteur KV1 (énergie du pic 1) étant écarté de la suite de l'étude, les facteurs qui impactent
directement les performances de SINBAD sont S1 la surface du pic 1, DKV l'écartement entre les 2 pics
et S21 le rapport des surfaces nettes des 2 pics.
3) Une mauvaise définition des plages de variation des facteurs est mise en évidence par le nombre
important de pics non déconvolués (23 pics déconvolués sur les 54 générés pour les 27 essais du plan
fractionnaire). L'ajustement des facteurs et de leurs plages de variation est donc nécessaire avant d'étudier
précisément les performances de SINBAD. Cet ajustement est décrit dans le paragraphe 3.2.
75
4) Les réponses ∆E1 et ∆E2 sont toujours inférieures à 2 canaux. Toutes les énergies des pics sont
donc rendues avec un écart inférieur à 2 canaux (0,4 keV).
76
3.2.a) Redéfinition du facteur surface S1
La surface d'un pic est directement proportionnelle au temps de mesure et si celui-ci est suffisamment
important, les pics du spectre auront des surfaces supérieures à la valeur maximale de la plage de
variation de S1 (c'est-à-dire 10000 coups). Les résultats de la validation ne pourront alors pas être
appliqués à ces pics. Contrairement à la surface, le rapport signal sur bruit du pic ne dépend pas du
temps de mesure. Nous le notons RSB dans la suite. RSB est défini par :
S+B
RSB =
B
équation 32
77
figure 34 : Illustration du rapport signal sur bruit d'un pic. Le RSB est défini par (S+B)/B où
B est le fond sous le pic (calculé sur l'intervalle +/-3σ) et S+B est la somme du contenu des
canaux sur l'intervalle +/-3σ.
DKV traduit le chevauchement de 2 pics. Si nous voulons réaliser une validation exhaustive de toutes les
configurations de multiplets, la valeur maximale de DKV, notée DKVMAX, doit correspondre à un
chevauchement minimal entre les pics.
Nous déterminons DKVMAX tel qu’en considérant deux pics de rapport des surfaces 0,01 (c'est-à-dire la
valeur minimale de S21), le chevauchement du grand pic sur le petit représente 1% de la surface du petit
pic. En pratique, cet écart de 1% n’aura pas d’influence sur les résultats de la déconvolution car la hausse
induite par ce pourcent sur le contenu des canaux du petit pic sera négligeable par rapport à la
fluctuation statistique de comptage. La figure 35 illustre l'obtention de DKVMAX.
78
Nb coups
350
DKVMAX
300
250
200 S1
3σ
150
S2
100
50
0
S<0,01 S2
99 100 101 102 103 Energie104
(keV)
Écartement Contribution de S1
(σ) dans S2 (%)
6.0 26.93
6.5 6.13
6.6 4.27
6.7 2.97
6.8 2.07
6.9 1.42
7.0 0.93
7.1 0.61
7.2 0.36
tableau 11 : Contribution de l'aire du grand pic S2 dans l'aire du petit pic S1.
79
de 2σ à 7σ au lieu de 1σ à 4σ et S1 est remplacé par le rapport signal sur bruit RSB que l’on fait varier
entre 1,25 et 10. Ces facteurs seront donc utilisés pour la validation complète de SINBAD.
Le tableau 12 récapitule les changements effectués.
Pour étudier l’influence du RSB sur la déconvolution des singulets, nous générons des spectres avec la
routine CASEx dont les fonds à prendre en compte sont les 3 fonds définis précédemment (page 75).
80
Sur chaque fond, nous calculons, pour des pics dont le RSB varie entre 1,15 et 10, l’écart ∆S entre la
surface rendue par SINBAD et la surface vraie.
∆S s’exprime de la façon suivante :
S SINBAD − S pic
∆S = × 100 (en %)
S pic
Nous cherchons la valeur minimum de RSB à partir de laquelle on a ∆S<5% pour les 3 fonds.
Le tableau 13 récapitule les valeurs de ∆S pour les 3 fonds et pour des RSB entre 1,15 et 10. Les résultats
permettent de conclure que pour les singulets,
81
Nous réalisons donc pour chaque fond un plan d’expériences comportant de 33 = 27 essais (rappel : le
nombre d’essais à réaliser dans un plan factoriel complet est donné par : Nombre d'essais = nombre de
niveaux nombre de facteurs), ce qui donne un total de 3 x 27 = 81 essais.
Comme pour le plan fractionnaire, les essais sont constitués de multiplets de 2 pics dont le RSB, le DKV
et le S21 varient en suivant le plan d’expériences. Le plan fractionnaire nous a permis de conclure que
l'énergie des pics est toujours restituée avec un écart inférieur à 2 canaux (= 0,4 keV). Nous n'étudions
ainsi dans la suite que les écarts sur les surfaces nettes ln(∆S1) et ln(∆S2) pour les 3 plans.
Étant donné que l'analyse de chaque réponse est la même, nous présentons l’étude de ln(∆S2) pour le
plan correspondant au fond de plus forte pente. Les autres résultats (ln(∆S1) pour le plan correspondant
au fond de plus forte pente et ln(∆S1) et ln(∆S2) pour les deux autres plans) sont fournis en annexe VII.
2.
Avant de présenter l'étude de ln(∆S2) pour le fond de plus forte pente, nous récapitulons les facteurs et
leurs niveaux du plan réalisé dans le tableau 14:
La réalisation des 27 essais du plan factoriel complet donnent accès à 27 valeurs de la réponse ln(∆S2).
Le tableau 15 récapitule la valeur prise par chaque facteur pour chacun des 27 essais et la valeur des
réponses associées à chaque essai. Nous voyons dans un premier temps que tous les pics ont été
déconvolués, nous indiquant que les facteurs et leur plage de variation sont mieux définis que pour le
plan fractionnaire.
82
Niveaux des facteurs
N° essai ln(∆S2)
RSB S21 DKV
1 -1 -1 -1 4,6051701
2 0 -1 -1 4,1864961
3 1 -1 -1 4,1489571
4 -1 0 -1 -0,9568996
5 0 0 -1 0,2176881
6 1 0 -1 0,3099058
7 -1 1 -1 -0,3036670
8 0 1 -1 -1,1463053
9 1 1 -1 -1,6695126
10 -1 -1 0 0,8591472
11 0 -1 0 0,5301869
12 1 -1 0 0,5951497
13 -1 0 0 1,8282139
14 0 0 0 -1,7753972
15 1 0 0 -1,7007105
16 -1 1 0 1,8573189
17 0 1 0 -1,5866502
18 1 1 0 -1,4247581
19 -1 -1 1 1,7470538
20 0 -1 1 0,2098190
21 1 -1 1 -0,0217123
22 -1 0 1 2,2390914
23 0 0 1 -2,0260348
24 1 0 1 -1,2867680
25 -1 1 1 2,2788113
26 0 1 1 -2,6720166
27 1 1 1 -1,481274
tableau 15 : Récapitulatif des niveaux des facteurs (-1 est la valeur minimale, 1 la valeur maximale et 0 la moyenne) et
de le valeur de la réponse ln(∆S2) associé à chaque essai.
83
Les résultats complets sur les paramètres (test de Student, intervalle de confiance, …) sont fournis dans
le tableau 16.
Mini Maxi
Paramètres Coefficient Écart-type t Student Confiance % Risque %
(2,50 %) (97,50 %)
Résidu ε -1,0815 0,4861 -2,2251 96,16 3,84 -2,0988 -0,0642
αRSB -0,2119 0,0609 -3,4819 99,75 0,25 -0,3392 -0,0845
αS21 -2,5823 0,5378 -4,8014 99,99 0,01 -3,7080 -1,4566
αDKV -0,2312 0,1065 -2,1713 95,72 4,28 -0,4541 -0,0083
βRSB,DKV -0,0648 0,0298 -2,1723 95,73 4,27 -0,1272 -0,0024
βS21,DKV 0,8249 0,2635 3,1310 99,45 0,55 0,2735 1,3764
βRSB 0,0573 0,0241 2,3793 97,20 2,80 0,0069 0,1077
βS21 3,8577 1,8819 2,0499 94,56 5,44 -0,0812 7,7965
tableau 16 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §2.1.e) page 60) La comparaison de cette valeur à la table de Student conduit à un indice de
confiance (en %) sur la valeur trouvée pour chaque coefficient. Le risque correspond à 100% moins la confiance. Les
deux dernières colonnes représentent l'intervalle à 95% relatif à chaque coefficient.
Pertinence du modèle
Comme pour le plan fractionnaire, la pertinence globale du modèle est testée par le test de Fisher-
Snedecor. Les deux grandeurs comparées sont la variance du résidu et la somme de la variance de tous
les autres termes de la régression. Le test de Fisher-Snedecor (les résultats sont dans le tableau 17) nous
permet de conclure que le modèle est globalement pertinent.
Confiance Risque
Source Variance t Fisher
(%) (%)
Régression 81,9995
Résidu 24,2387 9,1824 99,99 0,01
Total 106,2382
tableau 17 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie §2.1.e) page 60). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme
"régression" englobe tous les termes du modèle autres que le résidu.
Utilisation du modèle
Le modèle obtenu est fonction des 3 paramètres RSB, S21 et DKV. Pour la validation, nous visons un
écart sur ∆S2 inférieur à 5% (c'est-à-dire ln(∆S2) ≤.1,609). Nous cherchons donc le domaine tel que : le
triplet (RSB, S21, DKV) vérifie :
α RSB .RSB + α S 21 .S 21 + α DKV .DKV + β RSB , DKV .RSB.DKV
+ β S 21, DKV .S 21.DKV + β RSB .RSB ² + β S 21 .S 21² + ε ≤ 1,609
Les graphiques de la figure 36 illustrent ce domaine à 5% avec 3 coupes à DKV = 2 σ, DKV = 4,5 σ et
DKV = 7 σ. Nous nous apercevons notamment que plus DKV augmente, plus le domaine à 5% est
grand, donc plus la déconvolution est précise.
84
figure 36 : Représentations 2D du modèle de ln(∆S2) en fixant DKV à 3 valeurs particulières : le minimum (graphe
du haut), la moyenne (graphe du milieu) et le maximum (graphe du haut). Plus l’écartement entre les pics augmente, plus
le domaine à 5% devient important, donc plus ∆S2 diminue. L'abscisse de chaque graphique représente S21, l'ordonnée
représente le RSB.
85
En répétant la démarche sur les 3 plans d’expériences complets, nous obtenons 3 domaines à 5% pour
ln(∆S1) et 3 domaines à 5% pour ln(∆S2). Les paramètres des différents modèles sont fournis en annexe
VII. 2.
86
4. Intégration des modèles de comportement à SINBAD
Afin d’automatiser l’utilisation des modèles de comportement, nous avons développé une routine que
nous intégrons dans le code source de SINBAD et qui s’exécute automatiquement une fois la
déconvolution terminée. Son principe est le suivant :
Chaque pic détecté est traité l'un après l'autre. Pour chaque pic, sa distance d au pic le plus proche est
calculée en nombre de σ. Deux cas se présentent alors :
- Si d est supérieur à 7 σ (voir paragraphe 3.2.b) pour l’obtention de cette valeur), le pic est considéré
comme étant un singulet. Le calcul de son rapport signal sur bruit permet de déduire l’écart entre la
surface rendue par SINBAD et la surface recherchée. En effet, si son RSB est inférieur à 1,35 (voir
paragraphe 3.3.a)), l’écart induit par la déconvolution est supérieur à 5% et un message d’avertissement
est formulé à destination de l’utilisateur. Si le RSB est supérieur à 1,35, la surface rendue par SINBAD
est garantie à moins de 5% de la valeur recherchée,
- Si d est inférieur à 7 σ, les 2 pics sont assimilés à des multiplets. Le rapport signal sur bruit des 2 pics et
le rapport de leurs surfaces sont calculés. L’utilisation des modèles de comportement obtenus lors de la
validation des multiplets (voir paragraphe 3.3.b)) permet d’estimer les écarts induits par la déconvolution
pour chaque pic. Le modèle choisi est celui qui donne l’écart maximal. Si cet écart est supérieur à 5%, un
message d’avertissement est formulé à destination de l’utilisateur.
La figure 37 récapitule le traitement des résultats de déconvolution SINBAD. Le tableau 18 montre un
extrait du fichier fourni à l'utilisateur comportant 7 pics dont 3 singulets et 4 multiplets.
Utilisation des
Résultats SINBAD Paramètres des pics modèles de comportement
Nature Incertitude
Énergie Surface Utilisable pour
(singulet ou RSB DKV S21 sur surface
caractérisation ?
(keV) (coups) (%)
multiplet)
160.23 1465.66 M 1,41 1,27 0,89 1,05 Oui
161.50 1301.50 M 1,38 1,27 0,89 1,14 Oui
164.60 2298.00 S 2,23 N.C. N.C. <5 Oui
169.59 2338.80 M 1,58 1,77 0,49 0,57 Oui
171.37 1142.44 M 1,39 1,77 0,49 1,25 Oui
189.32 957.97 S 1,25 N.C. N.C. >5 Non
195.74 1094.86 S 3,01 N.C. N.C. <5 Oui
tableau 18 : Extrait d'un fichier fourni à l'utilisateur, mentionnant les énergies et les surfaces nettes trouvées par
SINBAD, la détermination de la nature de chaque pic (S pour singulet, M pour multiplet), le calcul des facteurs RSB,
DKV et S21 pour chaque pic (N.C. signifie Non Calculable), l'incertitude sur la surface calculée avec les modèles de
comportement (colonne incertitude sur surface) et si le pic est utilisable pour identifier et quantifier les radioéléments (c'est-
à-dire si l'incertitude sur la surface est inférieure à 5%).
87
RSB <
1,35
figure 37 : Principe de fonctionnement de la routine de traitement des résultats SINBAD. Les modèles M1, …, M6
représentent les 6 modèles obtenus lors de la validation des multiplets (voir 3.3.b)).
88
REGION
D’INTERET
RESULTATS
SINBAD
RESULTATS
GENIE2000
figure 38 : a) Région d’intérêt comportant 2 pics de même surface distants de 2σ. b) Résultats SINBAD. c) Résultats
GENIE2000
89
Sur la figure 39, la région d’intérêt est constituée de deux pics de rapport des surfaces 1/3 et distants de
2,5 σ. SINBAD détecte les 2 pics et restitue les surfaces à moins de 5% d’erreur (les modèles de
comportement aboutissent même à une erreur de moins de 1% pour les deux pics). GENIE2000 ne
détecte qu’un seul pic dont la surface nette et la somme des surfaces des deux pics.
REGION
D’INTERET
RESULTATS
SINBAD
RESULTATS
GENIE2000
figure 39 : a) Région d’intérêt comportant 2 pics de rapport des surfaces 1/3 et distants de 2,5σ. b) Résultats
SINBAD. c) Résultats GENIE2000
90
Sur la figure 40, la région d’intérêt est constituée d’un singulet de rapport signal sur bruit 1,35. SINBAD
restitue la surface du pic à moins de 5 % d’écart et GENIE2000 la rend à 13% d’écart.
REGION
D’INTERET
RESULTATS
SINBAD
RESULTATS
GENIE2000
figure 40 : a) Région d’intérêt comportant 1 pics de rapport signal sur bruit 1,35. b) Résultats SINBAD. c) Résultats
GENIE2000
91
92
IV. Calcul du rendement de détection
à partir des données du spectre
La quantification des radionucléides passe par l'extraction des énergies et des surfaces nettes des pics du
spectre et par la détermination du rendement de détection.
L'activité d'un radionucléide est calculée par :
S ( Ei )
A( Ei ) =
I ( Ei ).ε ( Ei ).t
équation 33
où - Ei représentent les énergies des photons émis du radionucléide considéré (en keV),
- A(Ei) l'activité du radionucléide à l'énergie Ei (en Becquerel),
- S(Ei) la surface nette du pic d'absorption totale à l'énergie Ei (en nombre de coups),
- I(Ei) le rapport d'embranchement du radionucléide à l'énergie Ei,
- ε(Ei) le rendement de détection de la mesure à l'énergie Ei,
Suite aux travaux du chapitre précédent, nous disposons maintenant d'un outil robuste, validé et qualifié
pour l'extraction de la surface d'un pic (S(Ei) dans l'équation 33). Nous abordons dans cette partie la
définition d'une méthode de calcul du rendement (ε(Ei) dans l'équation 33) basée sur les informations
contenues dans le spectre. La maîtrise du processus d'extraction des données est donc primordiale, et
nous utiliserons à ce titre SINBAD. Cette méthode, en rupture avec les méthodes actuelles, est
complètement nouvelle et nous nous attachons à en formuler la théorie, à vérifier que cette théorie
fonctionne sur des cas tests simples et à proposer des voies d'étude pour traiter les cas plus complexes.
93
appelle ε(E) le rendement de détection à l'énergie E, εdétecteur(E) le rendement intrinsèque du détecteur à
l'énergie E et Att(E) la correction d'atténuation du signal à l'énergie E, on a :
Le rendement intrinsèque du détecteur εdétecteur(E) est obtenu par la mesure d'une source étalon d'activité
connue ou par une modélisation numérique du détecteur (voir paragraphe II. 3.4.a)). La correction
d'atténuation des photons dans l'environnement de mesure est beaucoup plus difficile à déterminer car
en plus de varier en fonction de l'énergie des photons (voir paragraphe II. 3.1 sur les interactions
gamma/matière), elle dépend d'un nombre important de variables propres à l'objet à caractériser (et la
plupart du temps inconnues) :
- les constituants de l'objet : formes géométriques, densités, épaisseurs, composition physico-
chimique des matériaux,…,
- l'agencement de ces constituants : de façon homogène, de façon hétérogène avec un fort
gradient de densité, …,
- la localisation des radionucléides : dans un milieu plus ou moins atténuant,
- la répartition des radionucléides : concentrés dans un petit volume, dispersés de façon homogène
ou dispersés en plusieurs points dans des matériaux différents (suivant le cas, le rayonnement
émis ne traversera pas les mêmes matériaux).
94
Actuellement, la détermination du rendement de détection (cf paragraphe II. 3.4) est principalement
basée sur le retour d'expérience et sur les a priori formulés sur les caractéristiques physico-chimiques des
déchets. Le rendement est déterminé au cas par cas par l'opérateur de mesure, ce qui rend impossible
une éventuelle automatisation. De plus, les méthodes actuelles ne permettent pas de calculer
d'incertitude sur le rendement de détection.
La méthode innovante que nous proposons est basée sur l'utilisation des informations contenues dans le
spectre d'acquisition. Cette méthode calcule le rendement de détection et l'incertitude associée. Elle
permet de plus de s'affranchir de la connaissance précise de l'environnement de mesure et des a priori
formulés actuellement par l'opérateur. La détermination du rendement de détection peut ainsi s'effectuer
de façon automatisée.
Dans un premier temps, nous balayons l'ensemble des méthodologies existantes de détermination du
rendement à partir des données du spectre. Ceci permet de nous assurer que la méthode que nous
développons n'a fait l'objet d'aucune étude. Ensuite nous posons les fondements de notre méthodologie
et nous définissons les notions associées.
95
−1
m Pu 239 S Pu 239 (129keV ) S Pu 241 (148keV )
= ⋅
m Pu 241 I Pu 239 (129keV ).ε (129keV ).t. AM ( Pu 239) I Pu 241 (148keV ).ε (148keV ).t. AM ( Pu 241)
où - mPu239 et mPu241 sont les masses de plutonium 239 et de plutonium 241 (en grammes),
- SPu239(129keV) est la surface nette du pic du plutonium 239 à 129 keV (en coups),
- SPu241(148keV) est la surface nette du pic du plutonium 241 à 148 keV (en coups),
- IPu239(129keV) est le rapport d'embranchement de la raie du plutonium 239 à 129 keV,
- IPu241(148keV) est le rapport d'embranchement de la raie du plutonium 241 à 148 keV,
- ε(129keV) et ε(148keV) le rendement de détection aux énergies 129keV et 148keV,
- t le temps de mesure (en secondes),
- AM(Pu239) et AM(Pu241) l'activité massique des plutonium 239 et 241 (en Bq/grammes).
Les surfaces nettes SPu238(153keV) et SPu241(148keV) sont mesurées à partir du spectre, les rapports
d'embranchement IPu238(153keV) et IPu241(148keV) et les activités massiques AM sont des données
nucléaires. Restent les rendements de détection ε(148keV) et ε(153keV) qui sont inconnus. Comme le
résultat recherché est une grandeur relative (la fraction massique de chaque radionucléide par rapport à la
masse totale de plutonium ou d'uranium), il n'est pas nécessaire de connaître les valeurs absolues des
rendement de détection ε(148keV) et ε(153keV). Un calcul d'isotopie nécessite juste la connaissance du
rapport de ces rendements. On parle alors de rendement relatif.
Pour déterminer ce rendement relatif à n'importe quelle énergie du spectre, les logiciels actuels
[GUNNINK90, SIMON07, KELLEY95] proposent un modèle mathématique qui prend en compte les
trois processus physiques prédominants intervenant dans la forme du rendement de détection dans la
gamme d'énergie du plutonium ou de l'uranium (entre 100 et 700 keV pour le plutonium et entre 100 et
1100 keV pour l'uranium) :
- les interactions gamma/matière dans le détecteur,
- l'atténuation des photons dans les écrans,
- l'auto absorption des photons dans l'échantillon.
Les caractéristiques physico-chimiques des écrans étant inconnus, un "matériau équivalent" est choisi,
dont l'atténuation est équivalente à l'atténuation engendrée par tous les écrans. Le choix du matériau
96
équivalent peut être discuté notamment en fonction des matériaux rencontrés dans les procédés
nucléaires. Le cadmium est couramment utilisé comme écran lors des mesures par spectrométrie gamma.
Il est ainsi choisi comme matériau équivalent pour les calculs d'isotopie.
De la même façon, un matériau équivalent est fixé pour l'atténuation dans l'objet. Le choix du plutonium
permet de faire intervenir la notion d'autoabsorption. La nature des matériaux fixée, l'inconnue qui
demeure est l'épaisseur de chaque matériau équivalent qui est traversée par les photons.
Dans le logiciel MGA (Multi-Group Analysis) [GUNNINK90], le rendement relatif est composé de trois
termes : la correction d'atténuation dans un écran de cadmium, la correction d'autoabsorption dans le
plutonium et une fonction qui prend en compte le rendement intrinsèque du détecteur et tous les autres
effets non modélisables :
1 − e − µ ( E ).épPU
PU
ε rel ( E ) = e − µ CD ( E ).épCD
× PU × eff (E )
µ ( E ).ép PU
équation 37
Les formules de correction d'atténuation dans un écran et d'autoabsorption dans l'échantillon sont
reprises dans la majorité des logiciels de calcul d'isotopie. La fonction eff(E) varie d'un logiciel à l'autre.
Les logiciels ne fournissent pas son expression mais uniquement la valeur de ses constantes d'ajustement.
La formule de eff doit offrir suffisamment de degrés de liberté pour prendre en compte tous les effets
autres que l'atténuation et l'auto absorption (qui sont déjà pris en compte). Par exemple, la fonction
utilisée dans le logiciel IGA (pour Actinides Gamma Isotopic [SIMON07]) possède 5 degrés de liberté.
La figure 41 permet de visualiser la contribution des différents termes du rendement relatif : la correction
d'atténuation dans un écran équivalent de cadmium, la correction d'autoabsorption dans une matrice
équivalente de plutonium, la fonction eff.
97
figure 41 : Contribution des différents termes du rendement relatif : la fonction eff, la correction d'atténuation dans le
cadmium et dans le plutonium. Le profil de chaque facteur en fonction de l'énergie est superposé à un spectre contenant du
plutonium. Les pics utilisés pour établir le modèle sont mis en évidence [GUNNINK90].
En reprenant l'équation 37, les paramètres inconnus (l'épaisseur de l'écran de cadmium épCD, l'épaisseur
de la matrice de plutonium épPU et les paramètres de la fonction eff) sont ajustés sur les pics de plusieurs
radionucléides par une régression des moindres carrés. Une fois le modèle ajusté, l'isotopie est calculée
avec l'équation 36.
Notre objectif est de déterminer le rendement de détection à partir des données du spectre.
Contrairement aux calculs d'isotopie qui ne nécessitent que la connaissance du rendement relatif, nous
avons besoin des valeurs absolues du rendement pour quantifier les radionucléides. La première idée est
d'améliorer le modèle de rendement relatif utilisé par les logiciels de calcul d'isotopie en y injectant des
données expérimentales de rendement intrinsèque du détecteur. Nous pourrions simplement corriger
l'équation 37 du rendement intrinsèque du détecteur mais nous préférons redéfinir le rendement relatif
98
pour expliquer notre méthode dans son ensemble (de la construction théorique du modèle à son
application sur des cas expérimentaux) et pour pouvoir calculer le rendement relatif sans passer par les
logiciels d'isotopie.
où - Ei représentent les énergies des photons émis du radioélément considéré (en keV),
- S(Ei) la surface nette du pic d'absorption totale à l'énergie Ei (en nombre de coups),
- I(Ei) le rapport d'embranchement du radioélément à l'énergie Ei,
- ε(Ei) le rendement de détection de la mesure, inconnu, à l'énergie Ei,
- t le temps de mesure (en secondes).
99
L'équation 39 montre que le rendement relatif εrel(Ei) est proportionnel au rendement de détection. Pour
déterminer le rendement de détection ε(Ei), la difficulté est donc de déterminer le terme A. Nous
proposons dans le paragraphe suivant une méthode permettant de déterminer cette constante. Cette
méthode se base sur l'ajustement des points de rendement relatif par une fonction spécifique, dont la
mise au point est présentée dans le paragraphe suivant.
La figure 42 permet de visualiser comment le rendement de détection est calculé à partir des points de
rendement relatif :
1) Les points de rendement relatif sont calculés à partir du spectre,
2) Ces points sont ajustés par la fonction spécifique,
3) La fonction spécifique est translatée du facteur A.
Le résultat de ces opérations donne le rendement de détection.
figure 42 : Détermination du rendement de détection à partir des points de rendement relatif calculé grâce aux pics du
spectre. Les points sont ajustés par une fonction spécifique et translatés du facteur A. Le résultat de ces opérations
aboutit à la valeur du rendement de détection.
100
3. Modèle mathématique du rendement
La méthode développée ici consiste à ajuster les points de rendement par un modèle, que nous ne
connaissons pas a priori, prenant en compte l'atténuation à travers les écrans, l'atténuation dans l'objet et
le rendement du détecteur.
L'équation 39 devient alors :
équation 39 : ε rel ( Ei ) = A.ε ( Ei )
Les caractéristiques physico-chimiques des écrans étant inconnues, nous déterminons, arbitrairement, un
"matériau équivalent" dont l'atténuation est équivalente à l'atténuation engendrée par tous les écrans de
l'environnement de mesure. Nous choisissons le matériau classiquement utilisé comme écran pour les
calculs d'isotopie [GUNNINK90, SIMON07], à savoir, le cadmium. De la même façon, on choisit le
plutonium comme matériau équivalent pour l'atténuation dans l'objet.
Les matériaux équivalents choisis, nous allons maintenant déterminer chaque terme du modèle
avec : µ écran (E ) le coefficient d'absorption linéaire du matériau en cm-1 pour des photons d'énergie E.
101
[REILLY91] : dans un rectangle, dans un cylindre ou dans une sphère. L'hypothèse formulée pour ces
équations est que l'angle solide entre le détecteur et l'objet est proche de zéro, en d'autres termes que les
dimensions de l'échantillon sont négligeables devant la distance objet-détecteur. La figure 43 illustre le
cône d'angle solide d'un cylindre (nous choisissons un cylindre car c'est la forme la plus simple pour
visualiser le cône d'angle solide). Nous introduisons la notion d'angle d'ouverture du détecteur, noté α,
r r
qui est la projection de l'angle solide sur le plan ( x , y ) (voir figure 43). α est défini comme :
D
cos(α / 2) =
D² + R²
équation 41
Quand D>>R dans l'équation 41, α tend vers 0 et donc l'angle solide tend vers 0.
Détecteur
Objet
α/2
r r
D y x
r
z
figure 43 : schéma du cône de l'angle solide (zone grisée) pour un cylindre. D est la distance détecteur/objet, R est le
rayon du cylindre et α est l'angle d'ouverture du détecteur, exprimé par cos(α / 2) = D / D ² + R ²
En choisissant de définir l'atténuation dans la matrice par une formule mathématique, nous sommes
contraints d'effectuer des hypothèses et des simplifications sur l'environnement de la mesure (au niveau
de la forme de la matrice et de la distance de mesure). La formule finale sera satisfaisante dans le cas où
les dimensions de l'échantillon sont négligeables devant la distance de mesure.
Pour tester dans un premier temps notre méthode, nous choisissons d'utiliser la formule d'atténuation
dans un rectangle, qui est, comme nous le verrons, la forme la plus simple à implémenter dans le modèle
du rendement.
La correction d'atténuation dans la matrice est le rapport du nombre de photons absorbés sur le nombre
de photons générés :
102
N
∫ ρ .I .exp(-µ matrice ( E ).r )dV
C matrice ( E ) = = V
N0 ∫ ρ.I dV
V
équation 42
∫ dV
V
En faisant l'hypothèse que l'angle solide entre la matrice et le détecteur est négligeable, c'est-à-dire que
D>>ymatrice et D>>zmatrice sur la figure 44, seule l'épaisseur xmatrice a une influence sur l'atténuation des
photons détectés.
D
xmatrice
ymatrice
Détecteur
zmatrice
figure 44 : géométrie considérée pour le calcul d'atténuation dans une matrice rectangle de dimensions xmatrice, ymatrice, zmatrice.
Quand D est très supérieur à ymatrice et zmatrice, seule xmatrice a une influence sur l'atténuation dans la matrice.
103
L'équation 42 devient :
x matrice
∫ dx
x =0
1
(1 − exp(µ matrice ( E ).x matrice ))
µ mat ( E )
⇔ C matrice ( E ) =
x matrice
Nous retrouvons là aussi l'expression utilisée dans les calculs d'isotopie. La simplicité de sa détermination
(intégrale résolue analytiquement) fait qu'elle est effectivement communément utilisée dans les logiciels
d'isotopie. Elle atteint rapidement ses limites pour des environnements de mesure ne satisfaisant pas les
hypothèses de calcul (sur la distance de mesure) et surtout pour des environnements de forme
géométrique différente d'un rectangle.
Nous ajustons les points selon la méthode des moindres carrés par une fonction empirique adaptée au
profil du rendement intrinsèque du détecteur utilisé (un détecteur semi conducteur au germanium haute
pureté de type planar) [CANBERRA06, DROPG01] :
4
ε détecteur (E ) = 10^ ∑ ai .E −i
i =0
où les ai sont les paramètres à ajuster.
104
Ce type de courbe est défini pour chaque détecteur au moment de l'étalonnage de ce dernier. Le
rendement intrinsèque du détecteur peut être établi numériquement lorsque la modélisation du détecteur
est précise et complète. Le fait de procéder par modélisations permet de s'ajuster rapidement à
l'environnement de mesure sans avoir recours à de nouvelles expérimentations.
1 − exp(µ Pu ( E ).ép Pu ) 4
⇒ ε rel ( E ) = A.exp(− µ cd ( E ).épCd ). .10^ ∑ a i .E −i
14442444 3 µ Pu ( E ).ép Pu
correction d'atténuat ion 144 424443 144 2443
i =0
dans écran correction d'atténuation rendement du détecteur
dans matrice
équation 43
Les grandeurs inconnues sont déterminées par un ajustement par la méthode des moindres carrés sur les
points de rendement relatif. A connu, le rendement de détection s'obtient avec l'équation 39 :
105
ε rel ( E )
ε (E) =
A
Le rendement de détection étant déterminé, les radionucléides présents dans le spectre gamma peuvent
être quantifiés.
Pour tester la faisabilité de notre méthode, nous choisissons de la confronter à des mesures
expérimentales de radionucléides d'activité connue.
106
La figure 45 représente la configuration de mesure de la source d’europium.
74 cm
= + +
ε rel (Ei ) S ( E i ) I ( E i ) t
équation 44
σ (ε rel (Ei ))
où : - représente l'incertitude relative sur le rendement relatif,
ε rel (Ei )
σ (S (Ei ))
- représente l'incertitude relative sur les surfaces nettes,
S (E i )
σ (I (Ei ))
- représente l'incertitude relative sur les probabilités d'émission,
I (E i )
σ (t )
- représente l'incertitude relative sur le temps de mesure.
t
Application numérique :
- les résultats déjà obtenus lors de ce travail sur la validation de SINBAD (voir chapitre III. ) nous
σ (S (Ei ))
garantissent que ≤ 5% ,
S (E i )
107
- dans les bases de données nucléaires, les erreurs associées aux 15 rapports d'embranchement
I(Ei) considérés ne dépassent jamais 0,7% [JEFF3.1],
- l'erreur associée au temps de mesure est de 1 seconde pour un temps de mesure est de 1900
secondes. Ce qui donne une erreur relative de 1/1900 = 0,05%.
σ (ε rel (Ei ))
⇒ = (5% )2 + (0,7% )2 + (0,05%)2 ≈ 5%
ε rel (Ei )
La figure 46 représente les points de rendement relatif calculés sur les pics de l'europium.
Rendement relatif
figure 46 : Rendement relatif calculé à partir des pics de l'europium. Les incertitudes associées sont de l'ordre de 5%.
108
Comme dans le chapitre III. sur la déconvolution de SINBAD, la pertinence de la régression est testée
par un test de Fisher-Snedecor et la valeur des paramètres d'ajustement, épCD, épPU, et A par un test de
Student.
Une première régression nous donne une épaisseur de matrice équivalente, épPU, négligeable : de l'ordre
de 10-5. L'incertitude associée est très importante (99%) et le test de Student rejette épPU. En effet, d'un
point de vue expérimental, la source d'europium est ponctuelle et les photons qu'elle émet ne traversent
donc que des écrans avant d'être collectés par le détecteur. L'épaisseur de matrice rencontrée est donc
proche de zéro, ce que nous retrouvons avec cette première régression. Les confiances sur les valeurs
trouvées de épCD et de A sont de l'ordre de 100%. Nous procédons donc à une deuxième régression en
enlevant le terme relatif à l'atténuation dans la matrice dans l'équation 43.
Cette seconde régression donne comme paramètres d'ajustement : épCD = 0,166 cm et A = 294153. Le
test de Student (voir tableau 25) conclut à une confiance de 100% sur ces 2 grandeurs et le test de Fisher
(voir tableau 26) à une confiance de 100% sur la pertinence globale du modèle d'ajustement utilisé.
Mini Maxi
Paramètres Valeur Écart-type t Student Confiance %
(2,50 %) (97,50 %)
épCD 0,16643 0,004322 38,4993 100 0,15709 0,17576
A 294153 3181 92,4622 100 287280 301026
tableau 19 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §III. 2.1.e)) La comparaison de cette valeur à la table de Student conduit à un indice de confiance
(en %) sur la valeur trouvée pour chaque coefficient. Les deux dernières colonnes représentent l'intervalle à 95% relatif à
chaque coefficient.
Confiance
Source Variance t Fisher
(%)
Régression 4330,3526
Erreur 14,824334 3797,44 100
Total 4345,1769
tableau 20 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie §III. 2.1.e)). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme
"régression" englobe tous les termes du modèle autres que l'erreur du modèle.
La figure 47 superpose les points de rendement calculés et l'ajustement trouvé. Avec notre méthode, A
représente directement l'activité de l'europium. Nous trouvons donc une activité 294,1 kBq +/- 3,4%.
L'activité de l'europium est retrouvée avec un écart de 1,2% par rapport à l'activité du certificat
d'étalonnage qui est de 297,8 kBq +/- 1,3%
109
Rendement relatif
figure 47 : Rendement relatif calculé avec les raies de l'Eu152 (points) avec leur incertitude associée. La courbe
d'ajustement est issue d'une régression par moindres carrés.
4.1.c) Conclusion
Nous avons retrouvé l’activité d’une source d’europium à 1,2% près dans une configuration de mesure
comportant un écran d'étain de 1 mm d'épaisseur et un écran cylindrique de matrice inconnue. Le
modèle utilisé est donc satisfaisant. Il permet d'avoir accès au rendement de détection pour toutes les
énergies comprises entre les extremums des pics de l'europium, c’est-à-dire entre 122 et 1408 keV. Cette
plage contient la majorité des énergies utilisées pour la quantification des actinides recherchées et si la
source avait contenue d'autres radionucléides, nous aurions pu les quantifier avec notre méthode.
110
distance source/détecteur est très supérieure aux dimensions de l’objet, donc théoriquement dans le
domaine d'application du modèle choisi pour le rendement relatif.
Le rendement relatif est calculé à partir du spectre d'acquisition avec l'isotope qui possède à priori le plus
grand nombre de pics dans le spectre. Dans notre cas, nous sélectionnons le plutonium 239. Comme
pour le cas test précédent, nous ajustons les points avec le modèle de l'équation 43 :
1 − exp(µ Pu ( E ).ép Pu ) 4
équation 43 : ε rel ( E ) = A.exp(− µ cd ( E ).ép Cd ). .10^ ∑ a i .E −i
14442444 3 µ Pu ( E ).ép Pu
correction d 'atténuatio n 144 424443 144 2443
i =0
dans écran correction d 'atténuatio n rendement du détecteur
dans matrice
Le test de Fisher-Snedecor garantit la pertinence de l'ajustement (voir tableau 27) et le test de Student les
valeurs des paramètres d'ajustement (voir tableau 28). La figure 49 superpose les points de rendement
calculés et l'ajustement trouvé.
Confiance
Source Variance t Fisher
(%)
Régression 1,223.1010
Erreur 5,7027.108 193,037 100
Total 1,2801.1010
tableau 21 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie §III. 2.1.e)). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme
"régression" englobe tous les termes du modèle autres que l'erreur du modèle.
111
Mini Maxi
Paramètres Valeur Écart-type t Student Confiance %
(2,50 %) (97,50 %)
épPU 0,02451 0,001543 15,89 100 0,02103 0,028
A 8,287.108 2,112.107 39,22 100 7,81.108 8,75.108
tableau 22 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §III. 2.1.e)) La comparaison de cette valeur à la table de Student conduit à un indice de confiance
(en %) sur la valeur trouvée pour chaque coefficient. Les deux dernières colonnes représentent l'intervalle à 95% relatif à
chaque coefficient.
rendement
Rendementrelatif
relatif
Points rendement relatif
300000
Ajustement
250000
200000
150000
100000
50000
0
0 100 200 300 400 Energie500
(keV)
figure 49 : Rendement relatif calculé avec les raies du plutonium 239 (points) avec leur incertitude associée. La courbe
d'ajustement est issue d'une régression par moindres carrés.
Avec notre méthode, nous trouvons une activité de plutonium 239 de 8,29.108 Bq +/- 5,6%, ce qui
correspond à une masse de 0,361 g. L'écart par rapport aux 0,371 g de référence est de 2,7%. Nous
pouvons conclure que le modèle choisi initialement est satisfaisant. Nous avons ainsi accès au rendement
de détection à toutes les énergies comprises entre les extremums des pics du plutonium 239, c’est-à-dire
entre 129,3 et 451 keV, pour la quantification des autres radionucléides présents dans le cylindre.
112
Les 13 grammes sont répartis uniformément entre 20 copeaux et chaque copeau est enfermé dans un
cylindre en PVC. Le rendement relatif est calculé à partir du spectre avec les pics du plutonium 239. Les
points de rendement relatif sont ajustés avec le modèle de l'équation 43 :
1 − exp(µ Pu ( E ).ép Pu ) 4
équation 43 : ε rel ( E ) = A.exp(− µ cd ( E ).ép Cd ). .10^ ∑ a i .E −i
14442444 3 µ Pu ( E ).ép Pu
correction d 'atténuatio n 144 424443 144 2443
i =0
dans écran correction d 'atténuatio n rendement du détecteur
dans matrice
Comme dans les 2 cas tests précédents, le test de Fisher-Snedecor garantit la pertinence de l'ajustement
(voir tableau 23) et le test de Student les valeurs des paramètres d'ajustement (voir tableau 24). La figure
50 superpose les points de rendement calculés et l'ajustement trouvé.
Confiance
Source Variance t Fisher
(%)
Régression 2,975.1012
Erreur 1,87.1010 795,261 100
Total 2,994.1012
tableau 23 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie § III. 2.1.e)). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme
"régression" englobe tous les termes du modèle autres que l'erreur du modèle.
Mini Maxi
Paramètres Valeur Écart-type t Student Confiance %
(2,50 %) (97,50 %)
épPU 0,0669 0,00414 16,15 100 0,0577 0,0761
épCD 0,0364 0,01174 3,1 99,7 0,0102 0,0625
A 2,097.1010 2,07.108 101,27 100 2,05.1010 2,14.1010
tableau 24 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §III. 2.1.e)) La comparaison de cette valeur à la table de Student conduit à un indice de confiance
(en %) sur la valeur trouvée pour chaque coefficient. Les deux dernières colonnes représentent l'intervalle à 95% relatif à
chaque coefficient.
113
rendement
Rendementrelatif
relatif
Points rendement relatif
3.00E+06
Ajustement
2.50E+06
2.00E+06
1.50E+06
1.00E+06
5.00E+05
0.00E+00
0 100 200 300 400 Energie500
(keV)
figure 50 : Rendement relatif calculé avec les raies du plutonium 239 (points) avec leur incertitude associée. La courbe
d'ajustement est issue d'une régression par moindres carrés.
Nous trouvons une activité de plutonium 239 de 2,097.1010 Bq +/-3,3%, ce qui correspond à une masse
de 9,16 grammes. L'écart par rapport aux 13 grammes recherchés est de 30%. Cet écart s'explique
vraisemblablement par le fait que les hypothèses formulées lors de l'établissement du modèle ne sont pas
vérifiées, c'est-à-dire que les dimensions de l'objet (20 cm de haut pour 16 cm de diamètre) sont trop
importantes par rapport à la distance source/détecteur (égale à 74 cm). Nous considérons donc que le
modèle n'est donc pas adapté à ce type de géométrie.
Pour diminuer significativement cet écart de 30%, il faudrait modéliser l'effet de la géométrie de l'objet
sur le rendement de détection, ce qui est impossible vu la complexité des interactions gamma/matière et
la diversité des colis rencontrés. Notre méthode devra donc être améliorée pour traiter des géométries
complexes, semblables à celle présentée ici.
114
dimensions de l'objet ou sur la prise en compte dans notre modèle des formules modélisant les
paramètres géométriques de la mesure (forme et dimensions de la matrice, répartition de la source, …).
Les travaux présentés dans ce chapitre ont cependant permis de poser les bases d’une méthode
facilement automatisable, fournissant à l’opérateur les garanties nécessaires pour évaluer la robustesse du
résultat fourni. Elle peut d’ores et déjà être utilisée sur des objets dont les dimensions sont très faibles
devant la distance de mesure. Notre méthode permet de plus d’avoir accès à une incertitude sur le
rendement de détection, chose impossible avec les méthodes actuellement utilisées.
5. Perspectives ouvertes
Nous avons montré que le calcul du rendement relatif permet de déterminer le rendement de détection
et ainsi d’obtenir une quantification des radionucléides en présence.
Notre but initial reste la détermination du rendement de détection sans formuler d’a priori sur la
géométrie de l’objet, la composition de la matrice ou la localisation de la source. Or si la méthode que
nous avons définie fait l’objet d’études complémentaires, il sera nécessaire d’introduire dans le modèle du
rendement relatif des informations concernant l’objet.
Le concept suivant permettrait de s’affranchir complètement de la formulation d’un modèle pour le
rendement relatif et de toute contrainte géométrique. La faisabilité de ce concept n’a pour l’heure pas
encore été testée. Cependant, il pourrait être très intéressant d’étudier cette technique en détails car elle
offrirait la possibilité de déterminer de façon automatisée le rendement de détection de n’importe quelle
géométrie.
Ce concept se base sur le fait que le rapport du rendement relatif sur le rendement de détection est une
constante (comme nous l’avons démontré dans l’équation 39). Le rendement relatif se calculerait
toujours à partir des raies d’un multi émetteur présent dans le spectre et que nous chercherions à
quantifier. La principale différence avec la méthode décrite précédemment repose sur la modélisation
d’une géométrie équivalente via un code de calcul Monte Carlo. Cette modélisation donnerait accès au
rendement de détection associé à cette géométrie aux énergies correspondantes aux raies du multi
émetteur. Si le rapport du rendement relatif sur le rendement détection calculé sur chaque énergie
d’intérêt est égal à une constante, alors la géométrie modélisée est équivalente à la géométrie de mesure,
d’un point de vue du comportement photonique. Si le rapport du rendement relatif sur le rendement
détection varie en fonction de l’énergie, cela signifierait que la géométrie modélisée n’est pas équivalente
à la géométrie de mesure. Nous procéderions alors à une nouvelle modélisation en faisant varier les
115
différents paramètres relatifs à la composition physico-chimique de la matrice, la localisation de la
source, la répartition de la source, … et nous recalculerions le rapport du rendement relatif sur le
rendement détection. Avec une telle méthode, un certain nombre d’itérations serait alors nécessaire pour
que la géométrie modélisée converge vers la géométrie de mesure.
La plus grosse difficulté pour développer cette technique serait de mettre au point un processus itératif
sur la géométrie équivalente. Les éléments clés pour la mise au point d’un processus itératif sont :
- les conditions initiales (en d’autres termes, quelle est la géométrie initiale qui permettrait de
converger le plus rapidement vers la géométrie de mesure),
- la transition entre les différentes itérations (en d’autres termes, quels paramètres géométriques
devront varier et comment ils devront varier d’une itération à l’autre),
- le critère de convergence du processus.
Dans notre cas, le critère de convergence serait la dispersion des différentes valeurs de rapport de
rendement : plus la dispersion est faible, plus nous nous rapprochons d’une constante et plus la
géométrie modélisée se rapproche de la géométrie de mesure. Cette dispersion pourrait être évaluée par
un test de comparaison de variance.
En ce qui concerne la transition entre les itérations, il existe des outils mathématiques qui permettent de
répondre à cette problématique, notamment certains qui sont implémentés dans SINBAD : les chaînes
de Markov (voir paragraphe III. 1.3) et l’algorithme de Metropolis-Hastings (voir paragraphe III. 1.3).
L’adaptation de ces outils permettrait de résoudre le problème de transition entre les itérations de
géométrie et de pouvoir faire converger le processus itératif vers la géométrie équivalente la plus
probable, c'est-à-dire celle qui aurait le comportement photonique le plus proche de la géométrie de
mesure.
116
117
118
V. Conclusion générale
Ce travail de thèse a permis d'optimiser l’exploitation des spectres de rayonnement gamma dans le cadre
de la caractérisation de déchets nucléaires et de la mesure des matières fissiles en rétention. L’exploitation
des spectres se faisant en deux étapes (restituer l’information contenue dans le spectre et déterminer le
rendement de détection de la mesure), le travail de thèse s’est divisé en deux parties.
La première partie du travail, sur la restitution des énergies et des surfaces nettes des pics d’absorption
présents dans le spectre, a permis, pour la première fois, de quantifier l’erreur due au logiciel de
déconvolution pour l’ensemble du traitement effectué sur le spectre. La première conséquence de cette
maîtrise de l’erreur due à la déconvolution est un affranchissement total du retour d’expérience,
auparavant indispensable pour estimer la pertinence de la déconvolution. Maîtriser l’erreur due à
l’extraction des énergies et des surfaces a aussi permis de mettre en place une déconvolution en mode
automatique alors qu’avant la thèse, elle se faisait au cas par cas. Le processus de quantification de
l'erreur mis au point dans ce doctorat peut être mis en place sur tous les logiciels de traitement de
spectre, permettant ainsi la validation complète de leur mode de traitement des spectres. Le premier
logiciel à avoir bénéficié de cette avancée est le logiciel de traitement probabiliste des spectres, SINBAD.
La validation de SINBAD a permis, au-delà de la maîtrise de l’extraction des données, de garantir la
déconvolution de pics qui étaient jusqu’à maintenant ignorés par les logiciels standards. La conséquence
directe est l'augmentation de la masse d'informations issues du spectre, ce qui améliore l’identification et
la quantification des radionucléides.
SINBAD ne permet pas à l’heure actuelle d’identifier ou de quantifier des radionucléides. Un
développement envisageable serait donc soit d’ajouter une fonctionnalité à SINBAD pour que
l’identification des radionucléides s’effectue parallèlement à la déconvolution du spectre soit d’adapter
des algorithmes d’identification déjà existants dans d’autres logiciels commercialisés. Au-delà du cadre de
la mesure par spectrométrie gamma, le recours à SINBAD peut être envisagé dès lors que l'information
recherchée est distribuée suivant une loi gaussienne, ce qui est le cas pour les analyses chimiques réalisées
par spectrométrie de masse à plasma induit (ICP-MS) ou par spectrométrie d'émission atomique à
plasma induit (ICP-AES).
La seconde partie du travail, relative à la détermination du rendement de détection, a pour but de définir
une méthodologie de calcul du rendement qui permet de s’affranchir des a priori formulés par les
119
opérateurs sur les caractéristiques géométriques et physico-chimique des colis à caractériser. Cette
méthodologie est basée sur l’utilisation des pics d'un radionucléide multi émetteur gamma présents dans
le spectre. Le travail fourni au cours de cette thèse a aboutit à la mise au point et à la démonstration de la
faisabilité d’une telle méthode. Cette technique, qui a recours à la notion de rendement relatif est
complètement nouvelle et permet de déterminer le rendement de détection des mesures de façon
automatique sans que l’opérateur ne fasse d’hypothèse sur le colis. Son domaine d’application se limite à
l’heure actuelle aux cas où les dimensions de l’objet sont très inférieures à la distance entre l’objet et le
détecteur mais pourrait être étendu par l’étude de l’influence de la géométrie de mesure à des distances
objet/détecteur plus faibles. Les recherches effectuées sur l’obtention du rendement de détection ont
aussi permis de fixer les bases d’une méthode itérative de modélisations numériques qui permettrait de
déterminer le rendement de détection pour n’importe quelle configuration de mesure. La faisabilité de
cette méthode n’a cependant pas encore été étudiée sur des cas réels. Cette méthode gagnerait à être
étudiée car son enjeu est la détermination de façon automatique du rendement de détection, sans
connaissance du colis, sans formulation d’a priori par l’opérateur et sans recours au retour d’expérience
de l’opérateur, indispensable à l’heure actuelle. Elle permettrait de plus, grâce à la mise en place de
critères rigoureux, d’estimer l’erreur faite sur le rendement de détection.
Alors que la caractérisation des radionucléides se fait actuellement au cas par cas et nécessite un retour
d’expériences important de la part de l'opérateur, le travail de thèse a permis d’initier l’automatisation
générale du processus de caractérisation. La première étape nécessaire à la caractérisation, l’extraction des
énergies et des surfaces nettes des pics présents dans le spectre, est d’ores et déjà automatisée et
opérationnelle. La seconde étape, la détermination du rendement de détection, est automatisable pour
des cas simples. Des études complémentaires sont nécessaires pour étendre cette automatisation à des
cas plus complexes.
120
121
122
VI. Bibliographie
[AIEA09] Agence Internationale de l’Energie Atomique. Gestion des déchets radioactifs avant
stockage définitif. Norme de sûreté de l'AIEA. N° GSR Part 5. ISSN 1020-
5829.Vienne. 2009.
[ANDRA09] Agence Nationale pour la gestion des Déchets Radioactifs. Inventaire national des
déchets radioactifs et des matières valorisables. 2009.
[BATAILLE05] C. Bataille, C.Birraux. Rapport sur l'état d'avancement et les perspectives de recherches sur la
gestion des déchets radioactifs. 2005.
[BARAT06] E. Barat, T. Dautremer. Nonparametric Bayesian estimation of X/γ ray spectra using a
hierarchical Dirichlet process-Pólya tree model. MaxEnt 2006.
[BE08] M.C. Bé, V. Chisté, C. Dulieu. Nucléide-LARA. Bibliothèque des émissions alpha, X et
gamma. Rapport CEA-R-6201. ISSN 0429-3460. 2008.
123
[BENOIST94] D. Benoist, Y. Tournier, S. Germain-Tournier. Plans d'expérience : constructions et
analyse. Éditions Lavoisier. ISBN : 2-85206-988-1. 1994.
[CANBERRA99] CANBERRA. ISOCS manual, validation and internal consistency testing of ISOCS efficiency
calibration. #9231205C. Meriden. 1999.
[CLOOP96] K.L. Cloop, C.L. Hollas. Epithermal interrogation of fissile waste. INMM annual
meeting. LA-UR 96-2573. 1996. Naples, Floride.
[COCHRAN57] W.G. Cochran, G.M. Cox. Experimental design. Éditions Wiley & sons. 2ème
édition. 1957.
[DUPONT09] P.L. Dupont, C. Galvez, Nathalie Le Grand. Interest of the ICP-MS for the analysis of
ultratraces in the electronic industry. Spectra Analyse. Volume 267. 2009.
124
[FOOS01] J. Foos. Manuel de radioactivité. Tome 2 : les désintégrations radioactives, les interactions
rayonnements matière, les applications de la radioactivité. Éditions Formascience. ISBN 2-
909336-14-X. Seconde édition. Orsay. 2001.
[FRANKS82] L.A. Franks, J.L. Pigg, J.T. Caldwell, M.R. Cates, W.E. Kunz. High sensitivity
transuranic waste assay by simultaneous photon and thermal neutron interrogation using an
electron linear accelerator. Nuclear instruments and methods 193 (1982) 571-576.
[GILMORE95] G. Gilmore, J. Hemingway. Pratical gamma-ray spectrometry. Éditions John Wiley &
Sons. The Atrium, Southern gate, Chichester, West Sussex, England. 1995.
[GUNNINK90] R. Gunnink. MGA: a gamma-ray spectrum analysis code for determining plutonium isotopic
abundances. Vol 1. Methods and algorithms. Ref UCRL-LR-103220. 1990.
[HARDIN93] R.H. Hardin, N.J.A. Sloane. A new approach to the construction of optimal designs. Journal
of statistical planning and inference. Volume 37, pages 339-369. 1993.
[HUBBELL82] J.H. Hubbell. Photon mass attenuation and energy absorption coefficients from 1 keV to 20
MeV. International Journal of Applied Radiation and Isotopes. Volume 3. pages
1269-1290. 1982.
[HUFF85] E.A. Huff, E.P. Horwitz. Inductively coupled plasma-atomic emission spectrometry (ICP-
AES) in support of nuclear waste management. Spectrochimica Acta Part B: Atomic
Spectrometry. Volume 40, pages 279-286. 1985.
[ISHWARAN02] H. Ishwaran, L.F. James. Approximate Dirichlet process computing in finite normal
mixtures: smoothing and prior information. Journal of computational and graphical
statistics, volume 11, number 3, pages 508-532. 2002.
125
[ITECH1] ITECH Instruments. INTERWINNER 7.0.
[JALLU99] F. Jallu. Double interrogation simultanée neutrons et photons utilisant un accélérateur d'électrons
pour la caractérisation séparée des actinides dans les déchets radioactifs enrobés. Thèse.
Université Blaise Pascal - Clermont Ferrand II. D.U. 1147. 1999.
[JORDAN05] M.I. Jordan. Dirichlet processes, chinese restaurant processes and all that. In NIPS2005.
2005
[KELLEY95] T.A. Kelley, T.E. Sampson, D.M. DeLapp. PC/FRAM: algorithms for the gamma-ray
spectrometry measurement of plutonium isotopic composition. American Nuclear Society.
Fifth international conference on facility operations-safeguards interface. Wyoming
USA. September 24-29. Ref LA-UR-95-3326. 1995.
[KNOLL89] G.F. Knoll. Radiation detection and measurement. Second edition. Éditions John Wiley &
Sons. Ann Arbor, Michigan. 1989.
[LANL05] Los Alamos National Laboratory. MCNPX User's manual. LANL. v2.5. 2005.
[LINDEN99] W. Von Der Linden, V. Dose, J. Padayachee, V. Prozesky. Signal and background
separation. Physical review E, volume 59, number 6. 1999.
126
[LAVINE92] M. Lavine. Some aspects of Pólya tree distribution for statistical modelling. The annals of
statistics, volume 20, number 3, pages 1222-1235. 1992.
[LYOUSSI94] A. Lyoussi. Dosage par photofissions induites de faible quantité d'actinides dans les déchets
radioactifs enrobés. Thèse CEA. 1994.
[MERMET11] J.M. Mermet, Ph. Bienvenu, G. Granier. Les paramètres opératoires en spectrométrie
d'émission atomique à couplage plasma (ICP AES). Note technique CETAMA
NT/DRCP/CETAMA/2011/02. 2011.
[MOREL87] J.Morel, B. Chauvenet et al. A non-destructive method based on gamma spectrometry for the
measurements of plutonium hold-up or plutonium waste. American Nuclear Society, 1987.
[MOREL89] J. Morel, M. Vallee, M. Etcheverry. Programme de mesure des quantités de plutonium par
spectrométrie gamma. Logiciel PUMA. Rapport CEA-R-5482. 1989.
[NEUILLY98] M. Neuilly & CETAMA. Modélisation et estimation des erreurs de mesure. Éditions
Lavoisier. ISBN 2-7430-0272-7. 1998.
[PEROT96] B. Perot. Optimisation des méthodes de mesure neutronique active pour les déchets radioactifs et
contribution à la modélisation d'un dispositif industriel. Thèse. Université Joseph Fourier –
Grenoble I. 1996.
[POUMAREDE03] B. Poumarède. Rappel de la classification des déchets radioactifs – application aux colis
CEDRA. Note technique DIMRI/SIAR/03-210. 2003.
[REILLY91] D. Reilly, N. Ensslin, H. Smith Jr. Passive non-destructive assay of nuclear materials. Los
Alamos National Laboratory. NUREG/CR-5550/LA-UR-90-732. 1991.
[ROBERT01] C.P. Robert. L'analyse statistique bayésienne. Courrier des statistiques Vol 100. 2001.
127
[ROBERT06] C.P. Robert. Le choix bayésien. Principes et pratique. Éditions Springer. Collection
statistiques et probabilités appliquées. 2006.
[SAMPSON89] T.E. Sampson, G.W. Nelson, T.A. Kelley. FRAM: a versatile code for analyzing the
isotopic composition of plutonium from gamma-ray pulse height spectra. Los Alamos National
Laboratory Document. LA-11720-MS. 1989.
[SAUREL02] N. Saurel. Tomographie des actinides par photofission dans des colis de déchets radioactifs de
grand volume. Thèse. Université Blaise Pascal – Clermont Ferrand II. 2002.
[SIMON05] A.C. Simon & al. A new computer code for the automatic determination of the isotopic
composition of actinides by X and gamma ray spectrometry. European Nuclear Conference.
Versailles. 2005.
[SIMON07] A.C. Simon, J.P. Both, I. Espagnon, J. Lefèvre, V.Picaud, A. Pluquet. Mesure de la
composition isotopique du plutonium, de l'uranium et autres actinides. Notice d'utilisation du
logiciel IGA. Rapport CEA. RAP/07-027. 2007.
[SIMONATO11] J. Simonato. Détermination de l'efficacité intrinsèque d'un détecteur GeHP appliqué aux
mesures sur déchets nucléaires. Mémoire de Diplôme de Recherche Technologique.
Institut polytechnique de Grenoble. 2011.
[STPIERRE09] N.R. St Pierre, W.P. Weiss. Designing and analysing quantitative factorial experiments.
Journal of Dairy Science, 92 (9), p.4581. 2009.
[VIGINEIX10] T. Vigineix. Manuel d'utilisation de SINBAD version 1.5. Note interne CEA. 2010.
128
129
130
VII. Annexes
équation 45
Les résultats complets sur les paramètres (test de Student, intervalle de confiance, …) sont fournis dans
le tableau 25. Nous pouvons noter l'absence des 4 facteurs relatifs au fond : IBF, FBF, w et a.
Mini Maxi
Paramètres Coefficient Écart-type t Student Confiance % Risque %
(2,50 %) (97,50 %)
Résidu ε 4.12E+00 0.3368 12.2258 100 0 3.41E+00 4.82E+00
αS1 -1.26E-04 3.69E-05 -3.4215 99.73 0.27 -2.03E-04 -4.93E-05
αKV1 4.80E-03 0.0007 6.5609 100 0 3.30E-03 6.40E-03
αS21 -1.47E+00 0.3726 -3.9485 99.92 0.08 -2.25E+00 -6.94E-01
αDKV -3.21E-01 0.123 -2.6124 98.33 1.67 -5.78E-01 -6.47E-02
βKV1 -2.09E-05 5.11E-06 -4.0922 99.94 0.06 -3.16E-05 -1.03E-05
βDKV 3.90E-01 0.142 2.7468 98.76 1.24 9.38E-02 6.86E-01
tableau 25 : Récapitulatif des coefficients et leur écart-type associé. La colonne "t Student" correspond à la variable de
Student (définie au §III. 2.1.e) page 60) La comparaison de cette valeur à la table de Student conduit à un indice de
confiance (en %) sur la valeur trouvée pour chaque coefficient. Le risque correspond à 100% moins la confiance. Les
deux dernières colonnes représentent l'intervalle à 95% relatif à chaque coefficient.
131
1.1.b) Pertinence du modèle
La pertinence globale du modèle est testée par le test de Fisher-Snedecor introduit au paragraphe III.
2.1.e) page 60. Les deux grandeurs comparées sont la variance du résidu et la somme de la variance de
tous les autres termes de la régression. Le résultat du test permettra de déterminer si le résidu du modèle,
ε, est significativement faible par rapport à la contribution de tous les autres facteurs. Si le test est positif,
le modèle est globalement pertinent.
Le test de Fisher-Snedecor (les résultats sont dans le tableau 26) nous permet de conclure que le modèle
est globalement pertinent. Nous pouvons donc utiliser le modèle pour identifier les facteurs les plus
influents sur la réponse ln(∆S1).
Confiance Risque
Source Variance t Fisher
(%) (%)
Régression 62.1387
Résidu 12.249 16.9098 100 0
Total 74.3877
tableau 26 : Résultat du test de Fisher-Snedecor sur la pertinence de la régression. "t Fisher" est la variable du test
(définie §III. 2.1.e) page 60). La confiance est obtenue en comparant la valeur de t Fisher à la table de Fisher. Le terme
"régression" englobe tous les termes du modèle autres que le résidu.
132
Contribution à la
Coefficient Variance
variance totale (%)
Résidu ε 12,2490 16,47
αS1 7,1697 9,64
αKV1 26,3635 35,44
αS21 9,5485 12,84
αDKV 4,1799 5,62
βKV1 10,2563 13,79
βDKV 4,6208 6,21
TOTAL 74,3877 100
tableau 27 : Variance de chaque coefficient du modèle et contribution (en %) de chaque facteur à la réponse ln(∆S2).
Contribution à
∆S2(%)
60
50
40
30
20
10
0
1
a
V
F
S1
w
21
V
IB
FB
de
K
n
sS
K
c1
tD
tio
itu
al
al
1
ce
pi
iti
l sa
en
pl
fin
Facteur
ic
fa
in
m
rf
ep
Pu
ur
nd
Su
A
nd
te
ts
gi
Fo
ar
Fo
er
or
Ec
En
pp
Ra
133
1.2. Analyse de l'écart sur l'énergie du petit pic ∆E2
Le tableau 28 (qui est un extrait du tableau 5) montre que sur les 7 pics déconvolués, ∆E2 est toujours
inférieur à 2 canaux (=0,4 keV).
∆E2
N° essai
(keV)
1 /
2 /
3 /
4 /
5 /
6 /
7 /
8 /
9 /
10 0,071
11 0,009
12 0,001
13 /
14 /
15 /
16 /
17 /
18 /
19 0,003
20 0,006
21 0,002
22 0,007
23 /
24 /
25 /
26 /
27 /
tableau 28 : valeurs de la réponse ∆E2 pour les 27 essais du plan fractionnaire.
134
2. Analyse du plan factoriel complet pour la validation des multiplets
135
2.2. Analyse de ln(∆S1) pour le fond 1
Mini Maxi
Paramètres Coefficient Écart type t Student Confiance % Risque %
(2,50 %) (97,50 %)
Résidu ε -0,6353 0,2889 -2,1990 95,88 4,12 -1,2423 -0,0283
αRSB -0,2405 0,0467 -5,1498 99,99 0,01 -0,3386 -0,1424
αS21 1,2759 0,4127 3,0915 99,37 0,63 0,4088 2,1430
αDKV -0,2449 0,0817 -2,9967 99,23 0,77 -0,4166 -0,0732
βRSB,S21 -0,3281 0,1155 -2,8402 98,91 1,09 -0,5709 -0,0854
βRSB,DKV -0,0735 0,0229 -3,2127 99,52 0,48 -0,1216 -0,0254
βS21,DKV 0,7189 0,2022 3,5558 99,77 0,23 0,2942 1,1437
βRSB,S21,DKV -0,1338 0,0566 -2,3644 97,05 2,95 -0,2527 -0,0149
βS21 -3,2223 1,4441 -2,2314 96,14 3,86 -6,2562 -0,1884
Mini Maxi
Paramètres Coefficient Écart type t Student Confiance % Risque %
(2,50 %) (97,50 %)
αRSB -0,1725 0,0403 -4,2833 99,97 0,03 -0,2561 -0,0890
αS21 1,0264 0,3560 2,8829 99,14 0,86 0,2881 1,7648
βS21,DKV 0,6815 0,1744 3,9072 99,92 0,08 0,3198 1,0432
βRSB,S21,DKV 0,1574 0,0488 3,2233 99,61 0,39 0,0561 0,2587
βS21 -5,2176 0,7193 -7,2539 100,00 0,00 -6,7092 -3,7259
136
2.4. Analyse de ln(∆S2) pour le fond 2
Mini Maxi
Paramètres Coefficient Écart type t Student Confiance % Risque %
(2,50 %) (97,50 %)
αRSB -0,1379 0,0442 -3,1218 99,50 0,50 -0,2295 -0,0463
αS21 -2,2318 0,3903 -5,7177 100,00 0,00 -3,0413 -1,4223
αDKV -0,2071 0,0773 -2,6792 98,63 1,37 -0,3673 -0,0468
βS21,DKV 0,6960 0,1912 3,6398 99,86 0,14 0,2994 1,0926
βS21 3,3984 0,7886 4,3096 99,97 0,03 1,7630 5,0337
Mini Maxi
Paramètres Coefficient Écart type t Student Confiance % Risque %
(2,50 %) (97,50 %)
αRSB -0,2199 0,0351 -6,2643 100,00 0,00 -0,2929 -0,1469
αS21 1,6949 0,3102 5,4635 100,00 0,00 1,0498 2,3400
αDKV -0,1243 0,0614 -2,0229 94,40 5,60 -0,2520 0,0035
βS21,DKV 0,5642 0,1520 3,7126 99,87 0,13 0,2482 0,8803
βRSB,S21,DKV 0,1122 0,0425 2,6361 98,46 1,54 0,0237 0,2006
βS21 -4,0319 0,6267 -6,4334 100,00 0,00 -5,3352 -2,7285
137
2.6. Analyse de ln(∆S2) pour le fond 3
Mini Maxi
Paramètres Coefficient Écart type t Student Confiance % Risque %
(2,50 %) (97,50 %)
Résidu ε -0,2449 0,0572 -4,2793 99,97 0,03 -0,3635 -0,1262
αRSB -2,1613 0,5057 -4,2735 99,97 0,03 -3,2101 -1,1125
αS21 -0,2372 0,1001 -2,3683 97,29 2,71 -0,4448 -0,0295
αDKV 0,9128 0,2478 3,6843 99,87 0,13 0,3990 1,4267
βS21,DKV 5,2322 1,0217 5,1211 100,00 0,00 3,1134 7,3511
βS21 -0,2449 0,0572 -4,2793 99,97 0,03 -0,3635 -0,1262
138