Quantification et réduction de l'incertitude concernant les propriétés de monotonie d'un code de calcul coûteux à évaluer
Abstract
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.
Origin | Files produced by the author(s) |
---|
Loading...