Description

Description du sujet :
Le risque NaTech (Natural Hazards Triggering Technological Disasters) caractérise la survenue d'un accident technologique déclenché par un aléa naturel. Dans un contexte d'intensification des extrêmes climatiques, la vulnérabilité des infrastructures industrielles et agricoles s'accroît, particulièrement face aux inondations, déclencheurs les plus fréquents de ces catastrophes.
En zone de topographie marquée, le ruissellement et la dynamique des fluides sur les versants exacerbent la propagation rapide des polluants (pesticides, métaux, nitrates) vers les écosystèmes et les populations en aval. L'évaluation de ces chaînes accidentelles complexes se heurte aujourd'hui à trois verrous scientifiques majeurs : (i) la rareté des événements extrêmes, rendant les statistiques classiques inadéquates, (ii) l'incertitude inhérente aux effets cascades et (iii) le manque de confrontation des modèles numériques avec des données de terrain réelles. La problématique centrale de cette thèse est la suivante : Comment coupler la Théorie des Valeurs Extrêmes (TVE) et les Réseaux Bayésiens (RB) pour construire un modèle prédictif et dynamique du risque NaTech ?
L’objectif est de dépasser les modèles phénoménologiques classiques, qui peinent à simuler la complexité des transferts lors d'événements hors-normes, en développant un cadre méthodologique innovant. La première étape consiste à caractériser l'aléa. Ici l’utilisation de la TVE pour modéliser les queues de distribution des précipitations et des crues (centennales à millénales) permet d'anticiper les sollicitations extrêmes sur les structures. La seconde étape repose sur la modélisation de la cascade accidentelle. Les Réseaux Bayésiens permettent de formaliser la chaîne causale (Inondation  Défaillance de confinement  Fuite  Pollution) et propager les incertitudes de manière probabiliste. Enfin Ce projet lève le verrou du dialogue entre les modèles déterministes et stochastiques en utilisant les données de terrain. Contrairement à la majorité des études NaTech purement numériques, ce projet s’appuie sur un corpus de données réelles grâce à la collaboration du laboratoire CRBE. Il bénéficie notamment des données de suivi haute fréquence sur 2 ans des pesticides, nitrates et métaux. Les chroniques des observatoires d'Auradé et de La Save permettent d'établir des relations robustes entre les débits, les Matières En Suspension (MES) et les polluants non mesurés en continu. L'exploitation de ces données (topographie, historiques d'écoulement, indicateurs de vulnérabilité) assure la calibration et la validation des modèles. La simulation de Monte Carlo assure la propagation de l'incertitude à travers le réseau bayésien, aboutissant à une distribution probabiliste du risque de pollution.
En définitive, ce travail fournit aux gestionnaires de territoire un outil d'aide à la décision capable de quantifier non seulement les dommages structurels, mais surtout l'impact environnemental associé à ces crises hybrides. Ce projet s’inscrit par ailleurs dans la continuité d'une collaboration scientifique étroite avec l’Université d’Okayama (Japon). Une mobilité internationale est programmée avec l’équipe du Professeur MAEDA afin de confronter les modèles développés à différents contextes géomorphologiques. Cette comparaison constitue un levier majeur pour valider le caractère générique et transposable de la méthodologie proposée.

Compétences requises

Profil recherché : • Diplôme ingénieur ou équivalent. • Connaissances souhaitées : Génie de l’environnement et/ou Génie des procédés, Simulation numérique, Programmation en python • Langues : français et anglais (niveau opérationnel technique).