Figure 3.9 – Extrait de ODE : concepts d’algorithme d’optimisation

L’ontologie propos´ee ne red´efinit pas les concepts d´ej`a d´efinis dans d’autres ontologies.

L’´etat de l’art (cf. chapitre 2) a permis d’identifier plusieurs ontologies et mod`eles de

donn´ees d´ecrivant des concepts li´es au processus de PEN.

L’AP 209 de la norme ISODIS 10303, intitul´e ”Multidisciplinary analysis and design”,

d´etaille, entre autres, les concepts li´es `a la simulation num´erique. Ce protocole donne

une d´efinition d´etaill´ee des mod`eles num´eriques utilis´es dans le domaine de la m´ecanique,

pour des ´etudes de m´ecanique des solides et des fluides. Il d´ecrit ´egalement le lien entre

ces mod`eles de simulation et les diff´erents mod`eles g´eom´etriques. Il fournit la description

des maillages, des r´esultats et des propri´et´es des produits. A titre d’exemple, un mod`ele

par ´el´ements-finis est d´ecrit par un num´ero d’identification, un nom, une description, les

logiciels utilis´es pour cr´eer le mod`ele et ex´ecuter la simulation, la description d´etaill´ee du

maillage spatio-temporel associ´e, ainsi que la d´efinition de chaque composant du produit

et de leurs comportements respectifs. Chaque ex´ecution est capitalis´ee et d´ecrite par

un identifiant, un nom, une description et les r´esultats de l’ex´ecution. Cette description

normalis´ee et d´etaill´ee du concept de mod`ele num´erique initial, dans le cadre d’applications

en m´ecanique, est ajout´ee `a l’ontologie propos´ee sous la forme d’une nouvelle classe,

nomm´ee "ISO_10303_AP209_Analysis"li´ee `a la classe "Finite_element_models",

elle-mˆeme sous-classe de "Initial_ Models". D’autres concepts peuvent ˆetre enrichis par

cette norme, tels que les donn´ees relatives aux projets, aux liens entre le processus de

simulation, le processus de PEN et le processus de conception de produit.

PARO est une ontologie bas´ee sur un mod`ele de donn´ees g´en´erique d´ecrivant les relations

entre les produits, les processus, les organisations et les ressources [Le Duigou 11]. La

classe ”Resources” int`egre les ressources humaines, techniques, et m´ethodologiques. Cette

description ´etend celle propos´ee initialement, et peut directement ˆetre li´ee `a la classe

"Resources" de l’ontologie propos´ee. D’autres concepts, tels que ceux d´ecrivant les projets,

enrichissent les concepts d´etaill´es dans l’AP 209.

L’ontologie EXPO [Soldatova 06] couvre le domaine des exp´eriences scientifiques. EXPO

d´ecrit les concepts d’exp´eriences physiques et num´eriques, de r´esultats exp´erimentaux,

des tests statistiques permettant d’analyser les r´esultats et enfin les concepts li´ees `a

la tra¸cabilit´e des exp´eriences (auteurs, titre, etc.). Certains des concepts d’EXPO sont

redondants avec ceux de l’ontologie propos´ee, tels que les concepts de facteurs (classe

”Factor”) et de variable d’int´erˆet (classe ”TargetVariable”). La gestion des redondances

est g´er´ee par la propri´et´e owl :equivalentClass sp´ecifi´ee dans OWL. EXPO est elle-mˆeme

bas´ee sur l’ontologie SUMO, d´ecrivant des concepts plus g´en´eraux, tels que les unit´es de

mesure, le temps, etc.

L’ontologie ”Expos´e” [Vanschoren 10], bas´ee sur EXPO, porte sur les exp´eriences r´ealis´ees

sp´ecifiquement pour des applications d’analyse de donn´ees (data mining). Elle d´efinit les

concepts d’ensemble de donn´ees (pour l’apprentissage), de param`etre, de pr´ediction, de

ressources informatiques (au sens mat´eriel). Elle sp´ecifie ´egalement les processus et les

flux (workflow) associ´es. Elle propose une description d´etaill´ee de toutes les principales

m´ethodes d’analyse de donn´ees pour ´evaluer la pr´edictivit´e des mod`eles, effectuer des

classifications, etc. Les classes"NDOE" et"Surrogate_Model_Type", par exemple, peuvent

ˆ

est un ensemble de donn´ees (dataset). Parmi les classes contenues dans la classe ”predictive

algorithm”, les sous-classes ”Gaussian processes” ou encore ”neural network algorithm” sont

pr´esentes et d´ecrivent respectivement les mod`eles de type krigeage et r´eseaux de neurones.

STATO

est une ontologie d´edi´ee aux outils statistiques utilis´es pour des applications

en biologie, g´enomique et neuro-sciences. Cette ontologie comprend 678 classes et 53

propri´et´es. Une grande partie de ces classes sont sp´ecifiques aux ´etudes biologiques.

Certaines classes sont plus g´en´erales. Les classes ”generically dependent continuant” et

”planned process” contiennent des sous-classes d´efinissant, de mani`ere tr`es d´etaill´ee, les

concepts li´ees aux tests statistiques (tests d’hypoth`eses, analyse de la variance,etc.),

aux mesures d’erreurs, aux lois de probabilit´es, `a certains mod`eles de r´egression, aux

plans d’exp´eriences d´edi´es aux exp´eriences physiques (ex : plan de Box-Behnken, plan

composites, etc.) ou encore `a la nature des variables. La classe ”data transformation”,

sous-classe de ”planned process” et couvrant de nombreuses m´ethodes d’analyse statistique,

peut constituer une classe de r´ef´erence pour les classes de ODE, notamment pour les

classes "Statistical_Distribution" et"Sensitivity_Methods".

Les liens avec ces cinq ontologies ont ´et´e int´egr´es dans ODE (Figure3.10). La Figure3.11

illustre l’un des liens existant avec STATO entre la classe"NDoE_Type" et la classe ”study

-design” de STATO, marquant l’´equivalence de ces deux concepts. Par cette ´equivalence, la

classe "NDoE_Type" couvre ainsi plus de types de PEN, d´ej`a d´efinis dans d’autres travaux,

et compl`ete la classe de STATO par de nouveau types dePEN si besoin.