Quantification et réduction de lincertitude concernant les propriétés de monotonie dun code de calcul coûteux à évaluerReportar como inadecuado




Quantification et réduction de lincertitude concernant les propriétés de monotonie dun code de calcul coûteux à évaluer - Descarga este documento en PDF. Documentación en PDF para descargar gratis. Disponible también para leer online.

1 SSE - Département Signaux et Systèmes Electroniques GdR MASCOT-NUM - Méthodes d-Analyse Stochastique des Codes et Traitements Numériques, E3S - Supélec Sciences des Systèmes Gif-sur-Yvette 2 EDF & RD, Département Management des Risques Industriels 3 GdR MASCOT-NUM - Méthodes d-Analyse Stochastique des Codes et Traitements Numériques 4 MATIS - Majeure MATIS

Résumé : Nous nous intéressons à l-estimation de propriétés de monotonie d-un modèle numérique dont la sortie est supposée scalaire - par exemple, un modèle de type éléments finis associé à un post-traitement. Plusieurs indicateurs quantitatifs de monotonie sont considérés extrema et taux de positivité des dérivées partielles. L-évaluation de la sortie du modèle numérique étant usuellement coûteuse, par exemple en temps de calcul, l-estimation de ces indicateurs doit pouvoir être conduite avec un budget réduit d-évaluations. Nous adoptons dans cet article une démarche bayésienne, dans laquelle le modèle numérique est lui-même modélisé par un processus gaussien, et nous estimons au moyen de simulations conditionnelles les lois a posteriori des indicateurs proposés. Cette démarche permet d-envisager une planification séquentielle d-expériences supplémentaires, visant à réduire l-incertitude sur certains des indicateurs de monotonie. Nous appliquons cette approche à un modèle numérique d-un composant passif dans une centrale électrique.

Mots-clés : Fiabilité probabiliste Processus gaussiens Planification et analyse d-expériences numériques Théorie bayésienne séquentielle de la décision Optimisation





Autor: Julien Bect - Bousquet Nicolas - Bertrand Iooss - Shijie Liu - Alice Mabille - Anne-Laure Popelin - Thibault Rivière - Rémi Str

Fuente: https://hal.archives-ouvertes.fr/



DESCARGAR PDF




Documentos relacionados