Application sur le cas d’étude

Les résultats obtenus sur notre cas maîtrisé justifient l’application du krigeage à tendance non-linéaire conditionné par la dérivée (KNLD) sur notre cas d’étude. Le conditionnement par la dérivée n’est effectué que sur les paliers initiaux et finaux, où les valeurs de dérivées sont en dessous d’un certain seuil, proche de zéro.

Dans un premier temps, nous avons essayé, comme sur le cas maîtrisé, de conditionner par les dérivées en chacun des points d’expériences, mais les résultats nous ont montré que le processus était trop contraint pour s’ajuster efficacement et nous rappelons de plus, que les oscillations surviennent sur les deux paliers à proximité de la décroissance, d’où notre choix de ne tenir compte de l’information de la dérivée uniquement sur les paliers.

La démarche d’application sur notre cas d’étude reprend le cheminement suivit dans la section 3.1.4.2, c’est-à-dire dans un premier temps, tous les essais sont pris pour l’estimation des paramètres et nous prédisons la sortie pour l’essai 10, puis dans un second temps, nous réalisons la prédiction pour tous les essais, avec chaque fois l’exclusion du jeu prédit de l’ensemble d’apprentissage.

La première étape nous permet de constater l’amélioration apportée par le conditionnement, la seconde de conclure quant à la pertinence de notre méthode.

Prédictions pour un essai inclus dans le domaine d’apprentissage

Comme précédemment, nous avons prisnT = 15 points uniformément répartis selon la température sur chacune desn= 20 expériences, soitn1= 300 points contenus dans le vecteurs. Parmi ces points, ceux dont la dérivée selon la température est inférieure à un certain seuil (proche de 0), sont sélectionnés pour former le vecteurv.

À partir de ces deux vecteurs, nous construisons la matrice d’expériencesX = [s v]^T et le vecteur des sorties Y associées, et estimons les paramètres de notre modèle, afin de prédire les sortiesHC et CO pour un de ces essais. Les figures 3.9a et 3.9b illustrent respectivement pour la sortie CO et HC, les résultats de prédiction pour l’essai 10, le même que celui présenté dans la section 3.1.4.2, pour pouvoir comparer les résultats obtenus par les deux méthodes.

50 100 150 200 250 300 350 400 450

−1000 0 1000 2000 3000 4000 5000 6000 7000

yCO

Température (°C) CO essai n°10

Résultat expérimental Tendance Prédiction Points expérimentaux

(a) Prédiction pour la sortieCO

50 100 150 200 250 300 350 400 450

−500 0 500 1000 1500 2000

yHC

Température (°C) HC essai n°10

Résultat expérimental Tendance Prédiction Points expérimentaux

(b) Prédiction pour la sortieHC

Figure 3.9 – Résultats de prédiction pour un essai inclus dans le domaine d’apprentissage

Première remarque, le simulateur (courbe en pointillé verte) est plus proche des résultats expérimentaux que ce que l’on observe sur la courbe 3.3. Cependant, les résultats de prédiction sont relativement proches des résultats précédents.

Lors de l’application du krigeage à tendance non linéaire, on rappelle que nous avions observé des oscillations en fin de décroissance pourCOet HC et également au début de la décroissance pour HC.

On en conclut que le conditionnement par la dérivée mis en place permet de répondre en partie à ce problème. En effet, pour la sortieCO, on remarque que non seulement la prédiction est très bonne, mais de plus, les oscillations ont disparus. Pour la sortieHC, les oscillations sur le palier initial ont été éliminées, mais, en revanche, il subsiste sur le palier final, à la base de la décroissance une oscillation.

Cette constatation met en lumière la plus grande difficulté d’estimation des paramètres pour la sortie HC. En effet, on a pu voir que la non linéarité pour cette sortie est très forte, la non-stationnarité du phénomène est d’autant plus marquée, alors que le noyau utilisé dans notre approche est un noyau stationnaire. Autrement dit, les observations du complément de modèlez, ne peuvent être considérées comme stationnaires enT. Nous revenons sur ce point dans la section conclusions et limites (section 3.2.4).

Prédictions pour un essai exclu du domaine d’apprentissage

La méthode d’échantillonnage utilisée est identique à celle des précédentes applications, c’est-à-dire nT = 15 points uniformément répartis sur 19 des 20 expériences, et la prédiction est effectuée sur la vingtième. Les valeurs des EMQ (équation 3.25) pour chacun des essais sont données sur les figures 3.10a et 3.10b.

0 5 10 15 20

0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.055 0.06

EMQ pour CO

n° exp

(a) Valeurs des EMQ pourCO

0 5 10 15 20

0 0.005 0.01 0.015 0.02 0.025 0.03

EMQ pour HC

n° exp

(b) Valeurs des EMQ pourHC

Figure 3.10 – Valeurs des EMQ obtenues pour chaque jeu de données à disposition selon chacune des deux sorties par krigeage à tendance non-linéaire conditionné par la dérivée

D’une manière générale, pour les deux sorties, les valeurs des EMQ sont inférieures aux valeurs observées des EMQ pour le krigeage à tendance non-linéaire sans conditionnement. On constate donc que l’information apportée par les dérivées entraîne une réelle amélioration de nos prédictions.

Pour ce qui est deCO, on retrouve nos trois essais à forte EMQ (essais 1, 3 et 4). Dans les autres cas, les valeurs des EMQ sont soit inférieures soit très proches des valeurs précédentes.

On note tout de même que seul un cas est radicalement modifié, l’essai 5, dont l’EMQ est plus élevée (valeur multipliée par 4). L’essai 5 est un essai à très forte teneur en O2 et très faible en HC, l’oxydation du CO est donc rapide et le comportement en sortie duCO est atypique (pas de points proches). Cette particularité peut expliquer que pour ce cas le conditionnement par la dérivée dégrade la prédiction.

En ce qui concerne les valeurs des EMQ pour HC, on remarque une très nette amélioration, par rapport aux valeurs obtenues par KNL, d’une manière générale. Si l’on étudie de plus près ces valeurs une à une, et qu’on les compare à celles de la figure 3.4b, on constate que des valeurs très faibles précédemment (essai 2, 15, 20) sont

légèrement moins bonnes et inversement les valeurs très fortes sont meilleures (essais 1, 3, 7, 10, 19). On assiste à un nivellement de ces valeurs, qui d’une manière générale se traduit par une amélioration des prédictions.

Pour illustrer ces améliorations de prédiction, nous exposons les résultats pour la sortieCOde l’essai 11, figure 3.11a et pour la sortieHC de l’essai 12, figure 3.11b, et les comparons à ceux présentés précédemment (figures 3.5b et 3.6b). Ces deux essais correspondent aux meilleurs essais au sens de l’EMQ pour le KNL.

Les résultats pour les pires cas (essais 1 pourCOet essai 3 pourHC) ne sont pas exposés car comme précédem-ment, on observe que la prédiction correspond au simulateur, du fait du manque d’information pour ces essais (zone d’extrapolation éloignée). On notera toutefois que pour leHC, le simulateur est de meilleure qualité, ceci explique la valeur plus faible de l’EMQ.

50 100 150 200 250 300 350 400

0 100 200 300 400 500 600 700 800

yCO

Température (°C) CO essai n°11

Résultat expérimental Tendance Prédiction

(a) Résultat du KNLD pour l’essai 11, sortieCO

50 100 150 200 250 300 350 400

0 200 400 600 800 1000 1200

yHC

Température (°C) HC essai n°12

Résultat expérimental Tendance Prédiction

(b) Résultat du KNLD pour l’essai 12, sortieHC

Figure 3.11 – Résultats de la prédiction par krigeage non-linéaire conditionné par la dérivée pour les deux essais exposés dans la section 3.1.4.2

Tout d’abord, pour les deux sorties, les prédictions sont très bonnes. La prédiction deCOpour l’essai 11 arrive à représenter le palier intermédiaire et est très proche du résultat expérimental alors que le modèle numérique (simulateur) ne respecte pas la forme même de la courbe.

Sur la figure 3.11b, la prédiction de la sortieHCpour l’essai 12 est également très proche du résultat expérimental.

On observe une amélioration de cette prédiction comparée à celle obtenue par KNL (figure 3.6b). En revanche, bien que l’oscillation sur le palier final soit plus localisée, cette dernière est toujours présente, et entraine des prédictions de concentrations négatives.

Là encore, la non stationnarité des résidus du phénomène observé est à l’origine de ce constat. On en conclut donc que pour leCO, la méthode donne de bons résultats, en revanche pourHC, ce n’est pas le cas.

Afin de mieux visualiser les limites de la méthode pour la sortie, nous donnons pour l’essai 1, la prédiction de la sortieHC sur la figure 3.12.

Ce contre-exemple du bon comportement du KNLD illustre bien le problème de non-stationnarité. En effet, on constate que dans le cas où le simulateur est très mauvais, la prédiction arrive à être meilleure sur la décroissance, à ne plus avoir d’oscillations sur le palier initial, mais en revanche, on observe une forte oscillation, en fin de décroissance, un comportement inacceptable.

50 100 150 200 250 300 350 400

−1500

−1000

−500 0 500 1000 1500 2000 2500 3000 3500 4000

yHC

Température (°C) HC essai n°1

Résultat expérimental Tendance Prédiction

Figure 3.12 – Contre-exemple du bon comportement du KNLD sur notre cas d’étude