Quantification et réduction de l'incertitude concernant les propriétés de monotonie d'un code de calcul coûteux à évaluer

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.
Document type :
Conference papers
Complete list of metadatas

Cited literature [7 references]  Display  Hide  Download

https://hal-supelec.archives-ouvertes.fr/hal-01057322
Contributor : Julien Bect <>
Submitted on : Friday, August 22, 2014 - 11:30:07 AM
Last modification on : Friday, December 21, 2018 - 11:10:11 AM
Long-term archiving on : Thursday, November 27, 2014 - 1:40:38 PM

Files

jds14-monotonie.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01057322, version 1

Collections

Citation

Julien Bect, Bousquet Nicolas, Bertrand Iooss, Shijie Liu, Alice Mabille, et al.. Quantification et réduction de l'incertitude concernant les propriétés de monotonie d'un code de calcul coûteux à évaluer. 46èmes Journées de Statistique de la SFdS (JdS 2014), Jun 2014, Rennes, France. 6 p. ⟨hal-01057322⟩

Share

Metrics

Record views

531

Files downloads

206