IA et centrale nucléaire : du réacteur à la distribution (2/2)

L’IA et la centrale nucléaire forment désormais un duo inséparable, du réacteur connecté à la distribution électrique. Après avoir exploré l’amont du cycle (extraction, transport, enrichissement) dans une première partie consacrée à l’IA et au cycle du combustible, ce deuxième volet décrypte l’utilisation de l’intelligence artificielle au cœur des centrales et jusqu’au consommateur final. Maintenance prédictive, détection d’anomalies, gestion des déchets à haute activité, pilotage du réseau RTE : à chaque étape, l’IA et la centrale nucléaire interagissent dans une logique de performance, de sûreté et de souveraineté. Une convergence stratégique pour la filière française, exposée à l’espionnage industriel et aux cybermenaces.

Le réacteur connecté, vers une maintenance prédictive et une exploitation assistée ?

Agents IA et maintenance prédictive

L’arrêt non planifié d’une tranche pendant une journée représente un coût estimé à 1 million d’euros en termes de production d’électricité. Actuellement, les opérations de maintenance ne sont pas optimales puisqu’elles nécessitent l’arrêt des machines suivie d’une recherche minutieuse des potentielles anomalies sur de nombreuses pièces imbriquées. Par exemple, si l’on prend uniquement les groupes motopompes primaires, cela représente déjà plus de 1300 pièces différentes à inspecter. De plus, il faut garder à l’esprit que l’état du matériel reste aléatoire, à la fois dans le cadre d’une maintenance périodique mais également en cas de panne ou de casse, ce qui rend l’estimation du temps de maintenance très aléatoire.

L’enjeu est alors de conjuguer les besoins en électricité dans les secteurs de technologies porteuses (IA, quantique …) tout en assurant une performance optimale des centrales. Dans ce contexte, des solutions de maintenance prédictive appuyées par l’intelligence artificielle font l’objet de recherches et d’expérimentations afin d’optimiser le maintien de l’activité. L’objectif de la maintenance prédictive est alors de dresser l’état du matériel afin prévenir des défaillances et faciliter les opérations de maintenance.

Concrètement, ces approches novatrices se matérialisent via certaines entreprises telle que Amiral Technologies avec sa solution Diagfit. L’ambition de cette start-up Grenobloise spécialisée dans l’analyse des données industrielles est «d’augmenter la disponibilité des systèmes de production en réduisant au maximum les pannes et le nombre d’arrêt machine non souhaité». Des cas d’usage ont déjà été effectués dans le secteur du nucléaire par cette entreprise avec par exemple l’application de la solution aux cryopompes. Même si les résultats dans le secteur du nucléaire sont concrets, Amiral Technologies cherche également à étendre sa solution au niveau des équipements de distribution et de production de l’énergie, dans les énergies renouvelables, laissant ouverture à l’intelligence artificielle dans encore plus de domaines.

Au-delà de cette solution française, d’autres résultats émanent de la part d’entreprises japonaises avec Hitachi, chinoises avec la China National Nuclear Corporation et américaines avec pour leader Westinghouse Electric Company, sans toutefois atteindre une démocratisation mondiale. Néanmoins, les avancés restent opaques puisque les entreprises communiquent très peu sur leurs découvertes. Dans un souci de concurrence internationale rude, la communication est ciblée et fait uniquement par de la recherche sans précisions complémentaires ni évocation des résultats qui en découlent.

Même si l’utilisation de l’IA dans la maintenance prédictive se fait dans une optique d’optimisation des processus, il ne faut pas occulter la sensibilité des données qui sont traitées. En effet, si l’IA s’appuie sur les données qui lui sont injectées, celles-ci restent délicates (historique d’exploitation, données de capteurs, …) et n’ont pas vocation à être exportées dans des solutions étrangères. Les données nucléaires restent un levier stratégique à la fois de concurrence mais aussi de résilience qui doivent être manipulées dans une optique la plus souveraine possible.

Détection d’anomalies et aide à la décision en situation de crise

L’intelligence artificielle ne se limite pas à la maintenance prédictive mais se développe également au regard de la détection d’anomalies au cours du fonctionnement des centrales. Cette application de l’intelligence artificielle sert à la fois de lanceur d’alerte mais aussi d’aide à la décision en assistant une action humaine qui garde la finalité de la décision.

Pour détecter les anomalies, l’IA est alimentée par les données d’exploitation dont elle dispose en continu ou semi continu grâce à des capteurs intégrés aux installations. Elle agrège également à ces données celles historiques qui lui permettent de dégager des tendances et des variables lui permettant ainsi de déclencher une alerte en cas d’anomalie. Cette utilisation permet de gagner en rapidité, notamment au niveau des calculs qui sont conséquents. Ce gain de temps entraîne une meilleure réactivité dans les détections des anomalies, faisant de l’IA un outil de support accélérateur.

Ces solutions sont toujours en cours de développement en France, dans la même optique que la maintenance prédictive. En 2020, Framatome a signé un partenariat avec la startup Adagos afin de développer une technologie d’intelligence artificielle qui permettrait de réduire le temps de calcul en centrale nucléaire. D’autres pays cherchent à intégrer ces solutions, notamment les États-Unis avec Arizona Public Service qui a conçu une solution de détection des anomalies avec l’IA.

Néanmoins, ces innovations restent marginales. En effet, elles nécessitent de mettre en œuvre des moyens conséquents dans la recherche et le développement, tel qu’EDF qui a développé son propre laboratoire de recherche nommé Data Innovation Lab. Toutefois, l’un des défis majeurs réside dans l’acceptation de l’intelligence artificielle dans le secteur du nucléaire. Les collaborateurs restent sceptiques quant à son utilisation car les données traitées sont sensibles et confidentielles. De plus, les organismes de contrôle demeurent en partie réticents pour des raisons similaires, mais également en raison des interrogations que soulève la conformité de ces dispositifs au cadre réglementaire en vigueur.

Maîtriser la fin de vie du combustible et la distribution intelligente de l’énergie

Démantèlement des centrales, retraitement des déchets, stockage des déchets à haute activité et à vie longue (Cigéo à terme)

La fin de vie du combustible nucléaire constitue un maillon stratégique souvent moins visible que l’extraction ou l’enrichissement, mais tout aussi déterminant. Après irradiation en réacteur, les assemblages combustibles doivent être transportés vers des installations spécialisées. En France, cette étape concerne notamment l’usine de retraitement de La Hague, exploitée par Orano. Le transport mobilise des convois hautement sécurisés, soumis à des normes internationales strictes définies par l’International Atomic Energy Agency. Ces flux constituent des points sensibles. Ils impliquent des enjeux de sûreté, de sécurité et de résilience face aux menaces hybrides.

Le retraitement permet de séparer les matières valorisables, notamment le plutonium et l’uranium recyclé, des déchets ultimes (Haute Activité Vie Longue). D’après EDF, « 96 % du combustible usé est réutilisé ». Cette capacité confère à la France une autonomie relative dans la gestion de son cycle du combustible. Il est néanmoins intéressant de préciser que lorsque la France recycle son combustible usé, elle en extrait du plutonium (utilisé pour le combustible MOX) et de l’uranium de retraitement (URT). Pour être réutilisé dans les réacteurs français, cet URT doit être de nouveau enrichi. Or, l’usine d’enrichissement française (Georges Besse II) n’est pas conçue pour traiter l’uranium de synthèse, car celui-ci contient des isotopes U-232 et U-236 qui contaminent les centrifugeuses classiques. Jusqu’à très récemment, seule la Russie disposait d’une usine (à Seversk) capable d’enrichir l’URT à l’échelle industrielle pour le compte d’EDF. Cela illustre une légère dépendance de la France à Rosatom. Notre pays se distingue tout de même d’États qui optent pour le stockage direct. Toutefois, cela soulève des enjeux géopolitiques, car la maîtrise des technologies de séparation isotopique reste étroitement liée aux problématiques de prolifération.

Les déchets de haute activité et à vie longue représentent l’ultime défi. Leur radiotoxicité impose des solutions de confinement sur des échelles de temps qui dépassent largement les cycles politiques classiques. En France, le projet Cigéo, porté par l’Agence nationale pour la gestion des déchets radioactifs (ANDRA), prévoit un stockage géologique profond à Bure, dans la Meuse. Ce site vise à assurer un confinement durable à plusieurs centaines de mètres sous terre. L’acceptabilité locale, la contestation environnementale et la question de la réversibilité du stockage illustrent la dimension complexe de la fin de cycle.

Dans cette perspective, l’intelligence artificielle peut intervenir à plusieurs niveaux. Elle peut optimiser la planification logistique des transports sensibles en améliorant la surveillance en temps réel des conteneurs. Elle peut également permettre de modéliser l’évolution thermique et radiologique des colis de déchets sur des décennies, voire des siècles, grâce à des simulations avancées. L’usage de l’IA dans ces domaines critiques soulève aussi des questions de cybersécurité et de résilience numérique. Les données sensibles collectées grâces aux outils d’IA doivent impérativement être stockées dans des serveurs sécurisés et souverains dans le but d’éviter le vol de données

Pilotage et optimisation de la distribution de l’énergie vers les clients finaux

Enfin, l’ultime étape ne concerne plus la matière fissile mais l’électricité produite. Une fois générée dans les centrales, cette énergie doit être acheminée de manière stable et fiable vers les consommateurs. En France, cette mission repose principalement sur le gestionnaire du réseau de transport RTE et sur Enedis. La gestion du système électrique devient cependant de plus en plus complexe. L’intégration croissante des énergies renouvelables, la variabilité de la demande et l’électrification de nombreux usages exigent une coordination beaucoup plus fine des flux d’électricité.

Dans ce contexte, l’intelligence artificielle est un outil central pour améliorer le pilotage du réseau. Les gestionnaires de réseau exploitent désormais d’immenses volumes de données issues de capteurs, de compteurs communicants et de systèmes de supervision. En France, le déploiement du compteur intelligent Linky permet par exemple de collecter des données détaillées sur les profils de consommation. Les algorithmes d’apprentissage automatique peuvent analyser ces informations afin de prévoir la demande électrique à différentes échelles temporelles. Ces prévisions permettent d’ajuster la production en amont et de limiter les déséquilibres sur le réseau. Ces derniers pourraient sinon provoquer des surcharges ou des coupures.

L’IA contribue également à optimiser la gestion des infrastructures électriques. Les systèmes d’analyse prédictive permettent d’anticiper les pannes sur certaines lignes à haute tension ou sur des transformateurs critiques. Les opérateurs peuvent planifier les interventions de maintenance avant qu’un incident ne se produise. Pour un système fortement nucléarisé comme celui de la France, cette fiabilité du réseau est essentielle. Les centrales nucléaires fournissent une production massive et relativement stable. Le réseau doit donc être capable d’absorber et de redistribuer ces flux de manière efficace.

Les réseaux électriques sont désormais considérés comme des infrastructures critiques au cœur de la sécurité nationale. Des attaques informatiques visant les systèmes énergétiques ont déjà été observées dans plusieurs contextes géopolitiques, notamment lors de cyberattaques contre le réseau ukrainien. Ces événements illustrent la vulnérabilité potentielle des systèmes électriques hautement numérisés.

L’enjeu de la sécurisation des données intégrées aux intelligences artificielles est donc central pour la continuité de son évolution et sa démocratisation. La législation et particulièrement la conformité à celle-ci doit également évoluer et intégrer l’intelligence artificielle dans ses standards avec cohérence. La sécurisation des données implique aussi ceux qui les traitent. Le secteur nucléaire, en raison de son caractère hautement stratégique, est particulièrement exposé à l’espionnage industriel. Cela implique de prendre en compte les enjeux de fuite des talents et les risques associés de captation d’informations sensibles.

Ambroise GENET et Annabelle DELALANDRE
Pour le Club Data et IA de l’AEGE

Pour aller plus loin :