3.5 Le as des modèles numériques stohastiques
3.5.3 Appliation aux modèles à entrée fontionnelle
Les résultats i-dessus (Eqs. (3.80) et (3.81)) sont relativement simples mais nouveaux. Iooss &
Ribatet[101 ℄ les illustrent surlafontion test nomméeWN-Ishigami,quifaitintervenir unparamètre
d'entrée fontionnelque l'ontraite ommeunparamètre d'entrée inontrlable :
Y = f(X 1 , X 2 , ε(t)) = sin(X 1 ) + 7 sin(X 2 ) 2 + 0.1[max
t (ε(t))] 4 sin(X 1 )
(3.83)où
X i ∼ U [ − π; π]
pouri = 1, 2
etε(t)
est un bruit-blan (un proessus stohastique i.i.d gaussien de loiN (0, 1)
), disrétisé sur100
pas de temps. Il représente le paramètre d'entrée fontionnel donton souhaite estimer l'indie de Sobol total. Pour ajuster les modèles joints, un éhantillon aléatoire
(X 1 , X 2 , ε(t))
de taillen = 500
est généré,etleveteur de sorties orrespondantes estalulé à l'aide dela fontion(3.83). Lesrésultatsobtenus sontles suivants:⋆
unGLMjoint(de typepolynmialdedegré4
)estonstruitenutilisantlesoutilsd'analysede déviane etde testsde Student pour onserveruniquement les termes expliatifs dans
lesomposantesmoyenne etdispersion. La omposantemoyenne obtenues'érit :
Y m = 1.77 + 4.75X 1 + 1.99X 2 2 − 0.51X 1 3 − 0.26X 2 4 .
(3.84)Ladévianeexpliquéedee modèlevaut
D expl = 73%
etsonoeient depréditivité(par rapportàlafontionWN-Ishigami)alulésurunéhantillon testvautQ 2 = 70%
.Pourlaomposantedispersion,auuntermesigniatifnepeutêtreretenuetunesimpleonstante
demeure :
log(Y d ) = 1.97 .
(3.85)Le GLM joint se résume don à un GLM simple et le aratère hétérosédastique de la
fontionWN-Ishigami (dûà l'interation entre
ε(t)
etX 1
) n'est pasretrouvé;⋆
unGAMjoint est onstruiten utilisant lestests deStudent (pour lapartie paramétrique) etlesstatistiques de Fisher(pour lapartie nonparamétrique) pour onserveruniquementlestermes expliatifs :
Y m = 3.76 − 5.54X 1 + s 1 (X 1 ) + s 2 (X 2 ) ,
log(Y d ) = 1.05 + s d1 (X 1 ) ,
(3.86)où
s 1 ( · )
,s 2 ( · )
ets d1 ( · )
sont des termes de splines de régression. La déviane expliquéede e modèle vautD expl = 92%
et son oeient de préditivité (par rapport à la fontionWN-Ishigami) alulé sur un éhantillon test vaut
Q 2 = 77%
, e qui montre une netteamélioration parrapportau GLMjoint.Deplus, laexibilité duGAMa permis de
déte-ter
X 1
ommevariable expliative de la omposante dispersion, e qui orrespond bien à l'interation entreX 1
etleparamètre fontionnelε(t)
danslafontion WN-Ishigami.Les deuxmodèles joints sont alors utilisés pour estimer les indiesde Soboldesvariables d'entrée
(Eqs(3.80)et(3.81))parMonteCarlo(f.3.2.4).LaFigure3.5donnelesrésultatsdeesestimations.
Diérents éhantillons d'apprentissage pour le modèle joint sont simulés an d'obtenir la dispersion
des estimations des indies orrespondant à la modélisation par modèles joints. On note que pour le
GAM joint, l'intervalle interquartile de haque boxplot ontient la valeur de référene, e qui n'est
pas le as pour le GLM joint. Cei montre l'intérêt du GAM joint par rapport au GLM joint, mais
plusgénéralement d'unmodèlenonparamétrique par rapportà unmodèleparamétrique pourajuster
des fontions hahutées. Finalement, les gures du bas montrent que l'estimation de
S T ε
à l'aidedu oeient de préditivité
Q 2
deY m
(gure de droite) est nettement plus préise qu'à l'aide del'espéranedelaomposantedispersion(guredegauhe).Ceiillustrelameilleurepréisionquel'on
asurl'estimation de laomposante moyenne quesurl'estimation de laomposante dispersion.
Joint GLM Joint GAM
0.40 0.50 0.60 0.70
S 1
Joint GLM Joint GAM
0.00 0.10 0.20 0.30
S 2
Joint GLM Joint GAM
0.1 0.2 0.3 0.4 0.5
S T ε
Joint GLM Joint GAM
0.1 0.2 0.3 0.4 0.5
1−Q 2
Fig. 3.5 Boxplots des estimations d'indies de Sobol à l'aide des GLM joint et GAM joint pour
la fontion WN-Ishigami (taille de la base d'apprentissage
n = 500
), obtenues à l'aide de100
basesd'apprentissage diérentes. Pour haque indie, laligne horizontale estlavaleur de référenealulée
diretement surlafontion WN-Ishigamipar MonteCarlo.
L'approhe par modèle joint a étéappliquée ave suèssur deuxproblématiques industrielles où
lesparamètres inontrlables orrespondaient àdesentrées fontionnelles :
⊲
unproessus stohastique temporelε(t)
(bruit-blan) modélisant l'inertitude surla puis-sane(évoluant ave le temps)dansunode desimulation del'irradiation duombustibleenréateur (Iooss &Ribatet [101℄);
⊲
un hamp aléatoire spatialε(r)
modélisant la perméabilité d'une ouhe hydrogéologique dansunode simulant letransfert deontaminants danslessols(Ioosset al. [102 ℄).sensibilité de odesde alul ave entrées fontionnelles. Celles-ipeuvent apporter desinformations
supplémentaires àelles donnéespar lamodélisationjointemaisont desonditions d'utilisationassez
sévères:
⋄
Pour résoudrele problèmedesvariables d'entrée orrélées dansl'estimation desindiesde Sobol, Jaquesetal.[107 ℄ proposent d'utiliserles indiesdesensibilité multidimensionnelsdénis par Sobol[201 ℄. Chaquegroupe de variables d'entrée orrélées est examiné omme
un seul maroparamètre. Il est également possible de onsidérer une entrée fontionnelle
ommeunmaroparamètre.LesindiesdeSobolpeuvent alorsêtreestimésenutilisantles
algorithmesbaséssurdestiragesMonteCarlosimples.Malheureusement, etype
d'éhan-tillonnage,quinéessiteplusieurs milliersd'observations,rendette méthodeextrêmement
oûteuse en nombre d'évaluations du ode de alul etn'a pas pu être envisagée surmes
appliations.
⋄
Tarantolaetal.[210℄ proposent deremplaerl'entrée fontionnelleparunparamètre trig-ger (qui signie gâhette)ξ ∼ U [0; 1]
qui gouverne la simulation ou non du proessusstohastique. Lors des simulations de Monte Carlo, si
ξ < 0.5
alorsε = 0
, sinonε
estsimulée.L'indie desensibilitéde
ξ
permetdon de quantier l'inuenedu proessussto-hastique sur la variable de sortie. Par rapport à la méthode préédente, la méthode de
Tarantola permet de aluler les indies de Sobol ave tout type d'éhantillonnage (e.g.
Monte Carlo simple, FAST, quasiMonte Carlo, Random Balane Design),e qui permet
de l'envisager pour des odes moyennement oûteux. Cependant,
ξ
reète uniquement lapréseneoul'absenede
ε
.Var[ E (Y | ξ)]
ne quantiedon pasorretement laontribution delavariabilité del'entréefontionnellesurlavariabilitéde laréponseY
.Iooss&Ribatet[101 ℄ ont illustréei surun exemple jouésimple.
⋄
Réemment,Busbyetal.[30℄ ont proposéde déomposer l'entrée fontionnelle(un hamp aléatoire gaussien dans leur appliation) dans une base de fontions (Karhunen-Loève)pour réaliser l'analyse de sensibilité sur les omposantes prinipales de la déomposition.
Le nombre restreint de omposantes onservées (une trentaine) permet aux auteurs de
onstruire unmétamodèlePG àl'aide de
200
simulations duode de alul.Ainsi, par si-mulationsMonte Carlosure métamodèle, desindiesde Sobolsontobtenus pour haqueoeient des omposantes de la déomposition de Karhunen-Loève du hamp aléatoire.
Cette méthode est don partiulièrement rihe en terme de résultats. Elle permet
égale-ment,ontrairement auGAMjoint,d'obtenir desindiesde sensibilitépour haque entrée
fontionnelle s'il y en a plusieurs. Elle est subordonnée ependant à la faisabilité de la
déomposition de l'entrée fontionnelle ave un faible nombre de fontions de base, qui
impatediretementladimension
d
duproblème. Parexemple,elle nepeutpasêtreappli-quée surle problème de Iooss &Ribatet [101 ℄ où l'entrée fontionnelle est un bruit-blan
(disrétisé sur
3558
valeurs).Pour l'analyse de sensibilité, les avantages de l'approhe par modélisation jointe sont don sa
généralité,sapréisionetlefaibleoûtennombred'évaluationsdumodèlequ'ellenéessite.Parontre,
elle ne proure pas pour l'instant toutes les informations dont on souhaiterait disposer. Par ailleurs,
l'approhe par modélisation jointe fournit un métamodèle que l'on peut utiliser pour la propagation
d'inertitudes (Zabalza-Mezghani[232 ℄), pour laplaniation robuste d'expérienes(Bates etal. [17℄)
oupour larésolution de problèmes d'optimisation. Tous esthèmesonstituent desaxes de reherhe
ouverts.
3.6 Conlusion
Mes sixpremières annéesde reherhe au CEA s'ahèvent don ave e hapitre. Durant les trois
premières années, je me suis essentiellement onsaré à des problèmes d'ingénierie nuléaire, relatifs
sein des projets de ma diretion, des appliations néessitant des eorts de reherhe de ma part,
soit du fait de mon inaptitude initiale à les résoudre, soit du fait d'un problème non traité dans la
littérature.Parexemple,j'aiommenéàm'intéresseràlathématiquedesmétamodèles(etdonàelle
desexpérienesnumériques)enrenontrant desappliationsnéessitantl'utilisation deodesdealul
oûteux.Au vu de sonomniprésene danslalittérature etdu fait de maformation en géostatistique,
le adre du krigeage m'a alors partiulièrement intéressé et j'ai ÷uvré pour le rendre appliable sur
desmodèles relativement omplexes. Par ailleurs,l'analyse etlamodélisationstatistiques deodesde
alulstohastiquessontdessujetsenorepeuabordés,surlesquelsj'aiessayé d'apporterde premiers
élémentsde réponse.
Dansledomaine delastatistiqueappliquée,l'environnement logiielR (RDevelopment Coreteam
[172 ℄)est l'un des adres privilégiés de développement informatique et de ollaboration pour la
om-munautéinternationale. Laplupart desméthodesstatistiquesquej'aiprésentées danse hapitresont
ainsidisponiblesdansl'environnementR.Jesuisd'ailleurso-auteuraveMathieuRibatetdupakage
JointModeling qui permet la modélisation de GLM et de GAM joints. Sur les méthodes d'analyse
de sensibilité, je suis administrateur du pakage sensitivity développé par Gilles Pujol 10
. Celui-i
ontient la plupart des méthodes dérites aux paragraphes 3.2.1, 3.2.3 et 3.2.4. D'autre part, sur la
base de mes travaux et de ontributions de stagiaires et dotorants, j'ai développé en R le logiiel
SSURFER(Iooss[93 ℄)quisupervisediversestehniquesdepropagationd'inertitudes,deonstrution
demétamodèles etd'analysedesensibilité.Lestehniquesdelissagesont,quant àelles,intégréesdans
lepakage CompModSA de CurtisStorlie 11
.Une monographieestenours d'élaboration ave Gilles
Pujol, Curtis Storlie et Hervé Monod 12
(qui prépare un pakage R sur les plans d'expérienes) pour
réaliserune revueet unguided'utilisation desméthodesd'analysede sensibilitédansR .
Parmi lestravauxde reherhe que j'aiévoqués danse hapitre, ertainssont loin d'êtreaboutis.
Tout d'abord, il reste beauoup de travail pour omparer, étudier les propriétés et perfetionner les
algorithmesd'estimationdequantilesdeodesqui,noussemblenttrèsprometteurs.Parailleurs,la
thé-matiquedesodesde alulstohastiquesestsujetteà divers axesde reherhe ouverts :planiation
desexpérienes, omparaison demétamodèles hétérosédastiques, développement d'outils de
diagnos-tis, ... Conernant les entrées fontionnelles, j'ai proposé une astue pour ne pas traiter l'aspet
fontionnel du problème. Des voies de reherhe intégrant la struture du proessus stohastique en
entrée dumodèlesontàenvisager.Enn,unaxedereherheomplémentaire etpeuexploréonerne
la planiation des aluls intégrant des proessus stohastiques ou des hamps aléatoires en entrée
du ode. Sur e sujet,des premiers travaux ont été réalisés sur des éhantillonnages LHS de hamps
aléatoiresgaussiens (Pebesma &Heuvelink[166 ℄), maisde multiples approhesrestent àexplorer.
Dans un futur prohe, je prévois de m'intéresser de plus près à l'aspet planiation des aluls,
phaseprimordialepourlesuèsdesanalysesultérieuresetsurlaquellejemesuispeupenhéjusqu'ii.
L'aspetséquentieletadaptatif desplansd'expérieneestnotamment essentielpourrendreappliable
lestehniquesd'analysestatistiquesurlesodesdealulindustrielsexessivementoûteux.J'ai
égale-mentommené àregarderlaplaniation desaluls devalidation d'unmétamodèle,quionditionne
nosappréiations surses qualités.Il me semble quedeseorts plus onséquentsdevraient être portés
suresujetquelquepeuoublié.Surlethèmedesproessusgaussiens,jenemesuispasenoreintéressé
à des ovarianes propres à modéliser des phénomènes non stationnaires. Ce type de omportement
à seuil des modèles est en eet présent dans ertaines de mes appliations, par exemple dans les
sénarios d'aident de fusion du ÷ur d'une entrale nuléaire. Cette thématique a été identiée au
sein du GdR MASCOT-NUM 13
omme un axe de reherhe important. Enn, de premiers travaux
apparaissent sur la modélisation des variables de sortie fontionnelles (Campbell et al. [34℄, Fang et
al. [62℄, Marrel [141℄). Les réponses desmodèles sont souvent temporelles, voire spatiales, et un
trai-10
ÉoledesMinesdeSaint-Etienne
11
DepartmentofMathematisandStatistis,UniversityofNewMexio,USA
12
INRA,UnitédeMathématiquesetInformatiqueAppliquées
13
Groupement de Reherhe du CNRS nommé Méthodes d'Analyse Stohastique pour les COdes et Traitements
NUMériques,f.hap.4
auxmodélisateursetutilisateursdesodes. Plusieursthèsesontétéréemment initiéessuresujeten
Frane, dont elle de Benjamin Auderque je o-enadre ave GérardBiau 14
.Comme préédemment,
lesaspets planiation, diagnostisetomparaison de modèles devrontêtre étudiéssoigneusement.
Vis-à-vis de l'intérêt que porte la Diretionde l'Énergie Nuléaire du CEA sur esméthodes
mo-dernes d'analysed'expérienes numériques, de vastes hamps de reherhes etd'appliations peuvent
êtreentrevus:
⋄
problématiques de oneption tenant ompte des inertitudes à l'aide de modèles numé-riqueslourds (e.g. oneptiondessystèmes nuléaires futurs);⋄
analyseetvalidationdesgros systèmesnumériques, potentiellement spatialiséset/ou tem-poralisés(e.g.qualiationdesodesdeméaniquedesuides,alulsd'impatenvironne-mentaux);
⋄
simulationspluridisiplinaires (e.g. ouplage desodessimulant le÷ur d'unréateur nu-léaire:neutronique, méanique etthermohydraulique);⋄
simulations multiéhelles (e.g. aluls simulant les déformations de matériaux aux dié-renteséhelles nanoetmiro);⋄
analyse des systèmes omplexes et oûteux (e.g. transitoires thermohydrauliques, sûreté desréateurs dequatrièmegénération, odesneutroniquesde typeMonteCarlo);⋄
traitement des inertitudes pour l'évaluation des marges de sûreté (e.g. dans les études d'aidents).Toutes esthématiques partiipent à un enjeu plus global,qui fait partie desgrandes préoupations
etprérogativesduCommissariatàl'ÉnergieAtomique,etquiestelui delamaîtriseetdel'utilisation
desoutilsde lasimulation numérique.
14
LaboratoiredeStatistiqueThéoriqueetAppliquée,UniversitéParis VI
Bilan et perspetives
Monativitédereherhes'estdondélinéeautourdutraitementdesinertitudesenmodélisation
numérique au ours de deux phases bien distintes :la première portant surle thème de la
propaga-tion d'ondes en milieu aléatoire, la deuxième ayant trait à la thématique de l'exploration statistique
desexpérienes numériques. Les objetifsde mes travaux de reherhe ont été essentiellement portés
par les appliations, e qui apparaît lairement dans la présentation que j'enai faite. L'aspet
trans-versede mestravauxm'anéanmoins permisd'aborder uneimportantediversitéd'appliations,soure
d'enrihissementsprofessionnelsetpersonnelsimportants,enpermettantnotammentderenontrerdes
interlouteursissusd'horizonsmultiples(ingénieurs,mathématiiens,physiiens,himistes,exploitants
d'installations, ...). Cei implique de gros eorts de ommuniation, de ompréhension mutuelle et
parfoisdevulgarisation.
Au niveau de la Diretion de l'Énergie Nuléaire du CEA, l'équipe dédiée au traitement des
in-ertitudes dans laquelle j'évolue est en harge de la diusion d'une ulture probabiliste au sein des
diérents projets où des besoins se font sentir. Elle a notamment été identiée pour répondre à
di-versesdemandes d'assistane et d'expertise émanant d'autres unités sur desdossiers les plus souvent
urgents,omme par exempledesdossiersde sûretéonernant desessais àréaliseroudesinstallations
nuléaires. Cette missionpermet de resteren phase ave lesbesoins réelsdesingénieurs et des
physi-iens métier de l'institut. Le travail de R&D proprement dit onsiste ainsisouvent à omprendre le
besoind'undemandeur(exploitant,responsabledeprogrammes,ingénieur,...),àposerleproblèmede
manièrerigoureuse,puisàproposeretàdévelopperlasolutionlaplusadéquatedansletemps imparti.
Pourpouvoirperdurer,esativités desoutiensontbien entenduonditionnéesau maintien d'une
veille sientique et d'ativités de reherhe plus amont dans le domaine de la statistique, an de
ontinueràapporterdesréponsespertinentesauxquestionsposées.Iladonéténéessairedemultiplier
les ontats à l'extérieurdu CEA, e qui nousa permisd'établir un grand nombre de ollaborations.
L'équipeInertitudes àlaquellej'appartiensestàprésentinvestiedansplusieursadresollaboratifs:
⊲
le Groupe de Travail et Réexion Inertitudes de l'Institut de Maîtrise des Risques (IMdR), réseau d'éhanges inter-industriels, de valorisation méthodologique et dansle-quel partiipe (entre autres) CEA, EDF, LNE, IRSN,ONERA, Dassault, EADS, CNES,
INERIS, SNCF. Dans e groupe, j'ai notamment partiipé au montage d'une formation
professionnelle surle traitement des inertitudes, qui fournit à présent un dispositif
om-pletpour former lesingénieurs de nosinstitutsrespetifs;
⊲
le Groupement de Reherhe (GdR) MASCOT-NUM (Méthodes d'Analyse Stohastique pour les COdes et Traitements NUMériques), struture oielle reonnue par le CNRS,etqui regroupe la quasitotalité des laboratoires de reherhe etsientiques français
tra-vaillantsurlesujet.Ceadred'éhangesapourvoationdefailiterlaréalisationdetravaux
de reherhe entre universitaires et ingénieurs de reherhe, notamment grâe à
l'organi-sation régulière de journées sientiques (dont j'ai eu la harge en 2008) et d'ateliers de
travail.Il doit permettre àterme d'atteindre une visibilité sientiquede premier planau
niveau françaisetinternational.
ommeeuxlanésparl'AgeneNationaledelaReherhe.Cettedernièreported'ailleursuneattention
partiulière aux thèmes de la simulation numérique et de la oneption sous inertitudes à l'aide de
modèles préditifs.
L'une des prohaines étapes sera de s'insrire dans un adre plus international où énormément
de reherhes ont déjà été eetuées sur le thème des expérienes numériques. Je pense notamment
aux ontats que je peux d'ores et déjà avoir ave l'unité de statistique du Joint Researh Centre
d'Ispra(Italie)leaderdansledomaine del'analysedesensibilité.Auniveauamériain,leslaboratoires
nationaux de Sandia (Albuquerque, Nouveau-Mexique) travaillent sur des thématiques extrêmement
prohesdeellesquel'onaauCEA,notammentsurlessénarios destokagedesdéhetsnuléairesoù
lagestiondesinertitudesest uneproblématique majeure. LestravauxdeJon Helton sont fondateurs
danse domaine etdeplus amplesollaborations sont àprévoirave les équipes deSandia.
Pour onlure e mémoire, je souhaite disserter quelque peu sur troisobjetifs importants que je
mesuisxédansmontravaildeherheur:laommuniation, laollaborationetl'enadrement.Ilme
semble, qu'outre les nouveaux résultats obtenus et les innovations réalisées, l'un des aboutissements
de la reherhe est la présentation de ses résultats devant ses pairs. Cela passe bien entendu par la
partiipation à des séminaires et à des onférenes mais également par la rédation de publiations
dans des revues à omité de leture bien iblées. La plupart de mes expérienes en e domaine sont
extrêmement positives etles remarques desrapporteurs ont souvent ététrès onstrutives. L'une des
grandes satisfations, que j'ai eue jusqu'ii, est elle de voir mon travail de reherhe repris, ritiqué
et poursuivi par d'autres herheurs. La ollaboration orrespond aussi au prinipal plaisir que me
proure e métier, à savoir, travailler en équipe. Cei permet de toyer de multiples personnalités,
demettre en avant ses propres qualitésetfaiblesses, deserenouveler etnalement d'avanervers des
idées neuves. Les prinipaux résultats que j'ai obtenus au CEA l'ont été grâe à des ollaborations
frutueusesave d'exellentsmathématiiensissusdel'université,maisaussiavedesphysiiensetdes
ingénieurs duCEA onfrontés à desproblématiques passionnantes. Enn, l'expériened'enadrement
dedotorantsoudestagiairesserévèleêtrepartiulièremententhousiasmante,nonseulementauniveau
desrelations humaines surlesquelles elle débouhe, mais aussipar la remise en question permanente
qu'elle provoque. Ce travail de transmission, qui est au ÷ur du métier de herheur etqui est lié à
nospropres engagementsetsens desresponsabilités, estàmon avisl'une destâhes lesplus diiles.
perspetives
My researh ativity deals with unertainty management in numerial modelling. I have mainly
worked on two main subjets.The rstone is relatedto thewave propagationinrandom media. The
seondonerns the statistialexplorationof numerial experiments. Theirobjetiveswereessentially
arriedbyappliations. Nevertheless,thetransversalityof myworksallows to takle awide varietyof
appliations.That givesmetheopportunityto meetresearhers oming fromverydierent elds
(en-gineers, mathematiians, physiists, hemists, failitiesoperator, ...). Ofourse,it impliesimportant
ommuniationand mutualunderstanding eorts
InNulearEnergyDivisionofCEA,myteamhandlesthediusionofaprobabilistiulturewithin
various engineering projets. We give some assistane and expertise on statistial and mathematial
questions.Theselatteraresometimesurgent,asforexampleinnulearsafetyanalysisforinstitutional
questions.Theselatteraresometimesurgent,asforexampleinnulearsafetyanalysisforinstitutional