Dans les installations nucléaires, la surveillance obligatoire de la contamination aéroportée est opérée par des instruments dédiés (CAM - Continuous Air Monitor) qui collectent les aérosols sur un filtre, mesurent la radioactivité déposée et déclenchent une alarme lorsqu'un seuil prédéterminé en activité est dépassé. Cette mesure et donc les alarmes sont très influencées par les variations en taille et concentration des aérosols. Afin de les prendre en compte, nous utilisons des méthodes d'apprentissage automatique à partir d'un jeu de données semi-synthétique. Nous présenterons dans cette communication la construction de ce jeu de données et les résultats des apprentissages : la présence d'une contamination a été correctement évaluée par un réseau de neurones.

In nuclear facilities, the mandatory airborne contamination surveillance is operated by dedicated Continuous Air Monitors (CAM) that collect all airborne aerosol on a filter, measure the radioactivity and trig an alarm when a predetermined activity concentration is exceeded. This measurement and therefore the alarms are very integrated by the variations in size and concentration of the aerosols. To consider it, we use machine learning methods from a semi-synthetic dataset. We present in this communication the construction of this dataset and the learning results: the presence of a contamination was correctly provided by a neural network.