Nucléaire : vers des opérations plus efficaces grâce à l’IA

La réaffirmation par l’État de la place centrale de l’atome dans le mix énergétique français répond à un double impératif stratégique. Source pilotable d’énergie décarbonée, le nucléaire est essentiel à la transition énergétique. Il est par ailleurs le garant de l’indépendance et de la souveraineté énergétique du pays, et cela dans le respect des standards de sûreté et de sécurité les plus stricts.

Au cours des années à venir, la filière nucléaire doit faire face à de multiples défis :

• prolonger d’environ une vingtaine d’années la durée d’exploitation du parc existant ;
• construire rapidement un nombre important de nouvelles centrales, avec l’ambition de réduire les délais de construction à 70 mois ;
• développer une nouvelle génération de réacteurs (AMR et SMR) pour la production de la chaleur industrielle et le chauffage urbain, garantissant une couverture des besoins énergétiques grâce à une source d’énergie pilotable.

L’IA apparaît comme l’un des outils privilégiés pour atteindre ces objectifs, mais ce sera une IA qui devra se plier aux exigences du nucléaire : apporter des garanties de sûreté, de fiabilité et de performance. L’ingénierie, en particulier, devra se transformer. Cette technologie sera un levier important de cette mutation, en associant étroitement les IA prédictive et générative, les modèles physiques et l’expertise métier.

Grâce à cette approche, les équipes pourront ainsi exploiter en toute confiance le potentiel de l’IA, que ce soit pour rédiger des documents techniques, automatiser les flux de travail d’ingénierie, concevoir de nouvelles solutions et vérifier leur conformité, ou encore optimiser la planification et les coûts des opérations de maintenance. Cette ingénierie plus efficace, plus innovante, plus agile, qui se réinvente autour de ces IA est ce que nous appelons l’ingénierie augmentée.

Nous avons identifié, étudié et mis en œuvre de nombreux cas d’usage d’IA aux bénéfices mesurables pour des acteurs du nucléaire et pour d’autres industries où la précision, la fiabilité, et la sûreté sont essentielles. Ces cas d’usage peuvent se répartir en trois domaines clés : l’efficacité opérationnelle, la sûreté et la conformité, et la conception et la construction.

Cas d’usage pour gagner en efficacité opérationnelle 

Capgemini a développé un modèle d’IA pour optimiser le programme de maintenance d’un grand site nucléaire de traitement des déchets radioactifs. Ce modèle de détection automatique des modes de défaillance d’un composant clé a permis de réduire les coûts de maintenance et de 50 % le temps d’arrêt de l’usine.

Un acteur majeur de la production d’électricité nucléaire souhaitait accélérer la recherche et l’extraction d’informations dans ses riches et très hétérogènes bases de documents techniques. Nous avons proposé une approche basée sur l’IA prédictive pour l’extraction des informations des documents numérisés, et l’IA générative pour la correction des informations extraites, ce qui a permis d’augmenter de 60 % la précision de l’information finalement obtenue.

Cas d’usage pour renforcer la sûreté et la conformité

Longue mais essentielle, la production des rapports de sûreté peut être considérablement accélérée au moyen d’une approche combinant IA et graphes de connaissance. Cette solution identifie automatiquement les sections des rapports de sûreté en lien avec les exigences règlementaires, ce qui facilite la recherche des études de sûreté impactées en cas, par exemple, de changement des exigences. Combiner IA générative et graphes de connaissance permet de structurer l’information dans les rapports de sûreté et dans les documents règlementaires, ce qui pourrait aussi permettre d’aider à la vérification en continu de leur cohérence, au fil des modifications.

Condition sine qua non de la sécurité, la bonne exécution des procédures de maintenance peut être nettement renforcée en facilitant la gestion de la documentation technique avant et après les interventions. Combinée à des graphes de connaissance, l’IA générative peut sélectionner et synthétiser les documents appropriés, établir le plan d’intervention, puis aider les techniciens à créer les retours d’expérience.

Cas d’usage pour accélérer la conception et la construction

Le processus d’ingénierie nécessite de collecter des informations dans une multitude de sources (plans, spécifications, dossiers techniques…), tâche que l’IA peut drastiquement accélérer. Ainsi, un opérateur d’infrastructures ferroviaires a élaboré une solution associant l’IA prédictive et générative pour identifier et extraire les exigences spécifiées dans les documents et données techniques, les analyser, les rationaliser et produire une matrice de traçabilité. Avec cette solution, qui pourrait être répliquée dans le nucléaire, l’entreprise estime que le travail accompli aurait représenté pour ses équipes une charge 100 fois supérieure.

Des précautions renforcées dans un domaine sensible  

L’incertitude qui entoure encore parfois les résultats de l’IA rend toutefois nécessaire une justification d’un niveau de confiance que l’on peut lui accorder dans un contexte aussi exigeant que le nucléaire. Il s’agit par conséquent de mettre en place des dispositifs afin d’éliminer – ou, a minima, d’évaluer – cette incertitude.

Trois enjeux clés doivent être abordés dès la conception de la solution :

1. La fiabilité : pour obtenir des résultats fiables, avec un minimum de biais et d’hallucinations, il est important d’entraîner l’IA sur une base de données représentative pour lui apporter le contexte nécessaire, et de la coupler à des modèles d’ingénierie robustes. On peut aussi lui demander de préciser ses sources et d’attribuer un score de confiance aux résultats qu’elle produit, ce qui permet aux experts de ne se concentrer que sur les cas les plus douteux.
2. La sécurité : dans le domaine nucléaire, les données sont extrêmement sensibles et confidentielles, et il est impératif de mettre en place des mécanismes (cryptographie, anonymisation, DLP…) pour éviter tout risque de fuite, d’exposition malencontreuse ou d’empoisonnement.
3. La performance et le passage à l’échelle : il ne suffit pas de faire des démonstrateurs prometteurs ; pour que la solution apporte véritablement les bénéfices qu’elle laisse espérer, il faut qu’elle puisse être utilisée à l’échelle de l’organisation, dans le contexte technique et métier du quotidien, et qu’elle offre aux utilisateurs une expérience satisfaisante, notamment en termes de temps de réponse.

En pleine renaissance, la filière nucléaire française aura besoin de l’intelligence artificielle pour être en capacité d’atteindre ses objectifs. En prenant les précautions appropriées, en particulier sur la qualité et la représentativité des données et via des approches robustes, les équipes peuvent développer en toute confiance les solutions qui leur permettront de gagner en efficacité à chaque étape du cycle de vie des installations, et ce sans jamais transiger sur les exigences de rigueur et de sûreté. Dès à présent, le secteur recueille les fruits de ses premiers cas d’usage concrets de l’IA prédictive et de l’IA générative, avant d’engager la révolution de l’IA agentique.