Développée par une équipe de l’Institut des Sciences industrielles de l’Université de Tokyo, au Japon, une nouvelle IA est aujourd’hui capable de prendre en compte les variables d’un accident et les conditions météorologiques dominantes pour déterminer la propagation de retombées radioactives, et ce jusqu’à 33 heures à l’avance.
Lorsqu’un accident nucléaire se produit et que des matières radioactives sont libérées, il est essentiel d’évacuer la population proche le plus rapidement possible. Cependant, il peut être difficile de prédire la propagation des retombées radioactives, ce qui rend la prévention de l’exposition d’un grand nombre de personnes quasiment impossible. Un moyen de surmonter cette difficulté serait de s’appuyer – une fois de plus – sur l’intelligence artificielle, capable d’élaborer des scénarios en prenant en compte un grand nombre de variables complexes.
« Notre nouvel outil a d’abord été formé en utilisant des années de données météorologiques pour prédire où la radioactivité serait distribuée si elle était libérée d’un point particulier », explique l’un des membres de l’équipe, Takao Yoshikane. « Dans les tests suivants, il pouvait prédire la direction de la dispersion avec au moins 85 % de précision. Nous pouvions monter à 95 % de précision en hiver, avec des conditions météorologiques plus prévisibles ».
Grâce à ce nouvel outil capable de prédire avec plus de 30 heures à l’avance où les matières radioactives émises atterriront, les procédures d’évacuation pourraient être mises en place plus rapidement et plus efficacement. Ce nouveau dispositif pourrait en effet permettre de connaître à l’avance les zones les plus touchées qui devraient être évacuées, et celles qui présentent un risque plus faible.
Notons qu’avec les températures élevées associées à une catastrophe nucléaire, les matières radioactives peuvent grimper jusqu’à 2 000 mètres d’altitude, atteignant des vents dans la haute troposphère qui peuvent répandre des retombées partout dans le monde. C’est pourquoi les variables météorologiques doivent être prises en compte pour obtenir un modèle qui fonctionne.
Vous retrouverez les détails de cette étude dans Scientific Reports.
Source
Articles liés :
