4. Propagation d’incertitudes
4.6. Comparaison des méthodes de propagation d’incertitudes
4.6.4. Bilan des comparaisons et positionnement
La méthode des Simulations de Monte-Carlo est précise et simple à mettre en œuvre mais le
nombre élevé d’appels au modèle de dimensionnement souvent complexe la rend impossible à
utiliser dans un contexte industriel, où les temps de calcul doivent rester raisonnables. Les
Simulations de Monte-Carlo améliorées par le plan d’expériences Latin Hypercube ou sur un
métamodèle de type Taylor présentent de bons résultats mais leur mise en œuvre est plus
94
difficile que les Simulations de Monte-Carlo sur le modèle exact. Cependant, ce sont des
méthodes numériques qui ne donnent pas la possibilité de conserver les liens entre les Moments
statistiques des performances et ceux des paramètres de conception. La méthode Univariate
Dimension Reduction donne des résultats précis et peut demander un faible nombre d’appels
au modèle si le nombre de points d’interpolation de la méthode de quadrature utilisé est peu
élevé. Cependant, la méthode de quadrature utilisée pour déterminer ces points d’interpolation
et les poids associés est très contraignante. Elle nécessite de connaître les Moments ordinaires
de chaque paramètre à différents ordres (fonction du nombre de points d’interpolation à
déterminer). Ensuite, les mécanismes mathématiques de cette méthode de quadrature sont
lourds à mettre en œuvre (inversion et résolution de matrices, résolution d’équations,…). La
méthode des Polynômes de Chaos n’a pas été testée sur le modèle de dimensionnement du
moteur électrique, ce qui ne permet donc pas une comparaison des résultats. Nous avons
cependant observé que les mécanismes mathématiques à mettre en œuvre sont nombreux et
complexes. En effet, cette méthode a l’avantage de proposer de nombreuses approches pour le
calcul des coefficients du développement en Polynômes de Chaos. Cet avantage peut se révéler
être un inconvénient pour l’utilisateur lorsque les informations pour choisir les paramètres
fonctionnels de la méthode ne sont pas données ni clarifiées. Les résultats obtenus par la
méthode Propagation of Variance sont eux aussi précis pour un développement de Taylor au
2
ndordre. En effet, l’approche quadratique est plus adaptée que l’approche linéaire pour le
dimensionnement de produit où les modèles présentent généralement de nombreuses
non-linéarités. Cette méthode permet l’emploi d’algorithmes d’optimisation déterministes dans le
cas où les dérivées (Gradient et Hessian) du modèle de dimensionnement sont exprimées de
manière formelle. Les dérivées du modèle peuvent être estimées par des méthodes numériques
par différences finies par exemple. Les mécanismes mathématiques utilisés par cette méthode
sont rapides à comprendre et à mettre en œuvre ce qui la rend facile d’emploi. Enfin, les temps
de calculs sont moins importants que pour les Simulations de Monte-Carlo ce qui rend cette
méthode utilisable dans un contexte industriel.
Suite à cette étude comparative des méthodes pour la propagation d’incertitude, nous optons
pour l’utilisation de la méthode Propagation of Variance pour un développement de Taylor du
modèle de dimensionnement au 2
ndordre. En effet, cette méthode présente de nombreux
avantages qui pourront être exploités dans la suite de ce travail.
4.7. Conclusion
Ce chapitre consacré à la propagation d’incertitudes révèle la diversité des méthodes dans le
cas où les incertitudes sont de type probabiliste. Nous avons choisi la modélisation probabiliste
pour représenter les variations des paramètres de conception. Dans ce chapitre nous avons
fourni des informations sur la modélisation probabiliste, nécessaires à la compréhension des
méthodes de propagation d’incertitudes. Nous avons défini les variables aléatoires continues,
les lois de probabilités, les notions de Moments statistiques, de covariance et d’indépendance
des paramètres. Des méthodes de transformations probabilistes ont aussi été introduites.
La propagation d’incertitudes peut avoir plusieurs applications possibles telles que l’analyse de
sensibilité et l’analyse d’incertitude. Alors que les méthodes pour réaliser ces deux applications
95
sont les mêmes, leurs objectifs diffèrent. En effet, l’analyse de sensibilité peut être réalisée au
préalable pour diminuer la dimension d’un problème afin d’alléger les calculs. L’analyse
d’incertitude permet d’évaluer la robustesse d’un dimensionnement. C’est cette dernière
application que nous avons étudiée à travers ce chapitre.
Cinq familles de méthodes de propagation d’incertitudes ont été présentées dans ce chapitre :
1. Les Simulations de Monte-Carlo sur le modèle de dimensionnement exact
2. Les Simulations de Monte-Carlo améliorées par l’utilisation d’un métamodèle ou d’un
plan d’expériences
3. La méthode de Propagation of Variance basée sur un développement de Taylor au 1
erordre ou au 2
ndordre
4. La méthode Dimension Reduction et plus particulièrement Univariate Dimension
Reduction présentant un développement du modèle à 𝑛 dimensions en somme de
fonctions à une dimension
5. La méthode des Polynômes de Chaos
Nous avons proposé une comparaison de ces méthodes sur différents critères relatifs à la théorie
et à l’implémentation. Les critères relatifs à la théorie font référence aux mécanismes
mathématiques mis en œuvre pour le calcul des variations des performances en fonction des
variations des paramètres de conception du modèle. Les critères relatifs à l’implémentation
portent sur la facilité de compréhension de la méthode et de sa mise en œuvre, sur le temps de
calcul et la précision de ses résultats. Les différentes comparaisons de ces méthodes nous ont
permis de choisir d'utiliser la méthode Propagation of Variance pour un développement de
97
Dans le document
Contribution à la conception préliminaire robuste en ingéniérie de produit
(Page 102-106)