Mthode daide la dcision base sur un raisonnement

videntiel pour valuer lefficacit dun ouvrage torrentiel de

stabilisation
Simon CARLADOUS*,**,*** Jean-Marc TACNET* Jean DEZERT**** Corinne CURT*
Mireille BATTON-HUBERT**
* Irstea, UR ETGR Erosion Torrentielle Neige Avalanches (Grenoble),

UR OHAX Ouvrages hydrauliques et hydrologie (Aix-en-Provence)

2 rue de la papeterie BP 76, 38402 Saint-Martin-dHres Cedex, France.
{simon.carladous, jean-marc.tacnet, corinne.curt}@irstea.fr
** cole Nationale des Mines de Saint-tienne

29 rue Ponchardier, 42100 Saint-tienne,France.

*** AgroParisTech, Centre de Paris-Maine

19 avenue du Maine, 75015 Paris, France.

**** ONERA, Office National dtudes et de Recherches Arospatiales
Chemin de la Hunire, 91120 Palaiseau, France.

RSUM. Lvaluation dindicateurs defficacit structurale, fonctionnelle et conomique douvrages de gnie civil de protection contre
les risques naturels en montagne, tels que les barrages de correction torrentielle, est un enjeu essentiel pour les matres douvrage et
notamment lEtat Franais, propritaire de bon nombre de ces infrastructures. Cette valuation repose sur lexpertise souvent base sur
des informations imparfaites (imprcises, incompltes, incertaines) concernant les ouvrages et les scnarios de phnomnes naturels
(laves torrentielles, crues avec charriage, glissements latraux, etc.). Des mthodes daide multi-critres la dcision en univers
incertain, associant la thorie des fonctions de croyance, des possibilits et des ensembles flous, notamment les approches ER-MCDA
(Evidential Reasoning Multi-Criteria Decision Analysis) et FCOWA-ER (Fuzzy Cautious Ordered Weighted Averaging with Evidential
reasoning), sont utilises pour valuer les critres defficacit lchelle de louvrage et des dispositifs. La fusion dinformation
envisage des sources multiples ingalement fiables et les combine en vue de la dcision (choix de niveau defficacit, tri des ouvrages
les plus ou moins efficaces, rangement des sites). Cet article dcrit leur principe et montre leur intrt pour aider valuer lefficacit
fonctionnelle dun ouvrage torrentiel de stabilisation dans un contexte de forte incertitude.

Assessment of structural, functional and economic effectiveness of civil protective works against natural hazard, such as
torrential check dams, is a key issue for infrastructures assets owners and managers such as French government who owns many of
them. This assessment relies on imperfect information (imprecise, incomplete, uncertain), provided by several sources, which relates
as far to structures themselves than to natural phenomena scenarios. Decision-aid methods in uncertain contexts, coupling fuzzy sets,
possibility and belief function theories (notably ER-MCDA and FCOWA-ER) are used to assess protective single works and devices
effectiveness indicators. Information fusion considers multiple more or less reliable sources and combine them together in order to
help decision-making (choosing, sorting or ranking alternatives). This paper describes their principles and demonstrates their interest
for helping the assessment of torrent check dam functional effectiveness assessment in an environment of high uncertainty.

ABSTRACT.

MOTS-CLS :

aide la dcision, incertitude, thorie des fonctions de croyance, ouvrage de stabilisation torrentiel, efficacit

KEYWORDS:

decision-support, uncertainty, belief functions, torrential check dam, effectiveness

Aide dcider et raisonnement videntiel

1. Introduction
En application de la politique de Restauration des Terrains en Montagne (RTM) datant du 19e sicle, plus de 14.000
ouvrages de correction torrentielle sont entretenus en forts domaniales RTM. Regroups dans des dispositifs, ils sont
implants dans les bassins de rception des bassins versants dont les phnomnes torrentiels (laves torrentielles, crues
avec charriage) menacent des biens et des personnes. Leur entretien coteux vise maintenir le niveau de rduction du
risque naturel au niveau des enjeux. Pour cela, ces dispositifs de protection limitent lapport de matriaux provenant de
lamont, diminuant lala torrentiel. Ils ralisent diffrentes fonctions : par exemple, un dispositif stabilise les profils en
long et en travers du torrent pour limiter son incision et les rosions ou glissements de berges.
Le dispositif de stabilisation est compos de plusieurs ouvrages exposs aux phnomnes naturels sexprimant selon
diffrents niveaux dintensit, correspondant de multiples scnarios potentiels (Carladous et al., 2015). Dans ce contexte,
ces ouvrages doivent rsister structuralement et modifier les coulements torrentiels amont afin de provoquer un dpt
sdimentaire, de les recentrer et de les orienter pour ne pas impacter les berges latrales en aval (figure 1) (Ghariani et al.,
2014). Lefficacit fonctionnelle de chaque ouvrage est value en comparant la ralisation des fonctions principales avec
lobjectif donn pour les diffrents scnarios (Carladous et al., 2014).

Figure 1. Fonctions dun ouvrage de stabilisation torrentielle dans un dispositif expos aux phnomnes torrentiels

Chaque critre dvaluation de lefficacit correspond un mode de dfaillance (Curt et al., 2010). Leur valuation
se base sur celles de nombreux indicateurs valus imparfaitement : incertitude alatoire ou pistmique, imprcision,
incompltude, inconsistance (Tacnet, 2009). Louvrage est expos aux tats de la nature que sont les vnements torrentiels
dont lintensit est gnralement soumise incertitude pistmique. Lvaluation de lefficacit fonctionnelle dun ouvrage
de stabilisation est donc un problme daide la dcision multi-critres en univers incertain, bas sur des informations
imparfaites pouvant provenir de plusieurs sources (plusieurs experts par exemple).
Pour chaque critre, les systmes base de rgles agrgent les valuations dindicateurs (Curt et al., 2010). Les mthodes dAnalyse Multi-Critres (AMC) agrgent lvaluation de critres en tenant compte de limportance attribue
chacun par le dcideur. La mthode ER-MCDA est lextension de lAHP (Analytical Hierarchic Process) (Saaty, 1980)
dans le cadre thorique du raisonnement videntiel. Elle prend en compte limperfection de lvaluation de chaque critre
pouvant provenir de plusieurs sources puis les agrge (Tacnet, 2009). La mthode FCOWA-ER, simplification de la mthode COWA-ER (Cautious Ordered Weighted Averaging with Evidential Reasoning), elle-mme extension de lapproche
OWA (Ordered Weighted Averaging), aide la dcision dans un contexte de forte incertitude sur les tats de la nature en se
basant sur le raisonnement videntiel (Tacnet and Dezert, 2011; Han et al., 2012). Lobjectif de cet article est de montrer
lintrt des mthodes ER-MCDA et FCOWA-ER pour aider les valuations expertes dans le domaine torrentiel travers
leur application lvaluation de lefficacit fonctionnelle dun ouvrage de stabilisation.
La section 2 prsente le formalisme dun problme daide la dcision multi-critres en environnement incertain.
Les bases thoriques du raisonnement videntiel et des mthodes ER-MCDA et FCOWA-ER sont rappeles. La section 3
propose une formalisation du problme dvaluation de lefficacit fonctionnelle dun ouvrage torrentiel de stabilisation
puis prsente les rsultats obtenus en appliquant ces mthodes. Enfin, la section 4 met en avant les potentialits de ces
mthodes pour ce domaine dapplication tout en indiquant les difficults et les dveloppements restant mener.
JFMS2016 31 mars 1 avril 2016 Nancy

Aide dcider et raisonnement videntiel

2. tat de lart : lapport du raisonnement videntiel pour aider la dcision en contexte incertain
Laide la dcision compare q alternatives de A = {A1 , . . . , Ai , . . . , Aq } pour choisir la meilleure (Ai ), les ranger
ou les classer (Roy, 1985). Lvaluation de Ai est issue de lagrgation de celles de critres de G = {g1 , . . . , gj , . . . , gm }.
Elles sont bases sur des informations imparfaites issues de plusieurs sources s ( = 1, . . . , ) en univers incertain.

2.1. Formaliser laide la dcision selon des analyses multi-critres (AMC)

2.1.1. AMC de type agrgation totale, sans imperfections et en environnement certain : exemple de lAHP
PmLes m critres gj sont compars pour tablir leur importance respective j , avec = {1 , . . . , j , . . . , m } et
j=1 j = 1. La matrice [1] regroupe toutes les valuations directes xij de chaque alternative Ai selon gj . LAHP
aide valuer un critre unique de synthse Ci par Ai , regroups dans la matrice [2]. Pour chaque gj , une fonction de
tranformation uj (x) respecte les prfrences du dcideur entre les diffrentes alternatives. Cela permet dobtenir uj (xij )
dans une chelle dvaluation commune selonPlhypothse dun pr-ordre total. LAHP compare chaque xij deux deux
q
par une matrice de prfrences, impliquant i=1 uj (xij ) = 1. Le vecteur 2 [2] est tabli par agrgation pondre :
Pm
Ci = j=1 j .uj (xij ) pour lAHP. Pour un problme de choix, Ai est choisie avec i , arg maxi {Ci }.
2.1.2. AMC et traitement de lincertitude base sur les probabilits
Les rsultats des AMC dpendent du mode dagrgation et des imperfections. Celles sur uj (x) peuvent conduire
rfuter lhypothse de pr-ordre total comme pour les AMC de surclassement (Roy, 1985). j et xij peuvent tre imprcis, incertains et/ou inconsistants. On considre fixe. Les probabilits objectives reprsentent lincertitude alatoire
en univers risqu tandis que les subjectives reprsentent lincertitude pistmique en univers incertain. Leurs distributions peuvent tre discrtises selon les tats de la nature, regroups dans S = {S1 , . . . , Sk , . . . , Sn }, avec pk = P (Sk )
la
Pnprobabilit de Sk . La matrice de dcision [3] en dcoule. La maximisation de lesprance mathmatique E[Ci ] =

k=1 pk .Cik est gnralement la rgle de dcision prise en compte. La dcision se base alors sur [4] : Ai est choisie

avec i , arg maxi {E[Ci ]}.

A1
..
.
Ai
..
.
Aq

g1
x11
..
.

xi1

.
..
xq1

...
...
...
...

gj
x1j
..
.
xij
..
.
xqj

...
...
...
...

gm

x1m
..
.

xim

..
.
xqm

[1]

C1
..
.

Ci

..
.
Cq

S1
C11
..
.

Ci1

..
.
Cq1

[2]

...
...

Sk
C1k
..
.

...
...

...

Cik
..
.

...

...

Cqk

...

Sn

C1n
..
.

Cin

..
.
Cqn

E[C1 ]
..
.

E[Ci ]

.
..

[3]

[4]

E[Cq ]

2.2. AMC et traitement des imperfections en univers incertain bas sur le raisonnement videntiel
Aider dcider entre plusieurs alternatives en tenant compte des imperfections de linformation ncessite de les
reprsenter, de les propager et de proposer une rgle de dcision. Les probabilits ne reprsentent que lincertitude et les
ensembles que limprcision, ce qui les rend conservatifs. Les thories de la logique floue (ensembles flous (Zadeh, 1965)
et possibilits (Zadeh, 1978)) et des probabilits imprcises reprsentent limprcision et lincertitude. La reprsentation
de lincertitude pistmique par les probabilits subjectives est doublement critique : incapacit traiter lignorance et
modliser le comportement rel du dcideur avec peu dinformations. Le raisonnement videntiel tend les thories des
probabilits et des ensembles pour tenir compte de toutes les imperfections, dont lignorance et le conflit entre sources.
2.2.1. Bases thoriques du raisonnement videntiel
La reprsentation par les fonctions de croyance, introduite par la thorie de Demspter-Shafer (DST) (Shafer, 1976),
sappuie sur = {1 , . . . , s , . . . , S }, cadre de discernement fini de la dcision. Les lments de sont supposs exhaustifs et exclusifs. Lensemble 2 (power set) est celui des sous-ensembles de , y compris lensemble vide.
Une source dinformations
est caractrise par une fonction de masses de croyance (bba) m(.) : 2 [0, 1], avec
P
m() = 0 et A m(A) = 1, A 6= 2 . Lignorance totale correspond m () =P1. A partir de m(.),
on peut construire les fonctions de croyance Bel(.) et de plausibilit P l(.) avec Bel(A) =
BA|B2 m(B) et
P
P l(A) = BA6=|B2 m(B), gnralement considres comme les limites basses et hautes de la probabilit inconnue
de A.
JFMS2016 31 mars 1 avril 2016 Nancy

Aide dcider et raisonnement videntiel

La combinaison de > 2 masses de croyance m (.), issues de plusieurs sources s dfinies sur un mme cadre de
discernement , est obtenue par une rgle de fusion. Chaque m (.) peut-tre affaiblie en un nouveau jeu de masses m (.)
selon la fiabilit de s , avec [0, 1]. La premire rgle de fusion de Dempster introduite par Shafer (1976) est
dbattue depuis les critiques de Zadeh en 1979 sur son traitement du conflit entre sources (Dezert and Tchamova, 2014).
Depuis les annes 1990, les dveloppements, comme la thorie de Dezert-Smarandache (DSmT), tendent cette thorie
au raisonnement videntiel avec des hypothses non exclusives et non exhaustives. Des rgles de fusion, comme la PCR6
(Proportional Conflict Redistribution Rule n6), assurent une meilleure gestion du conflit (Smarandache and Dezert, 2004,
2006, 2009, 2015). Pour cet article, nous nous plaons dans la reprsentation de la DST avec 2 en utilisant la PCR6.
Connaissant m(.) sur 2 , diffrentes rgles de dcision reprsentent les attitudes du dcideur : choisir le maximum de
Bel(.) est pessimiste, le maximum de P l(.) est optimiste, le maximum de la probabilit pignistique de Smets BetP (.)
(Smets, 2005) ou de Dezert-Smarandache DSmP (.) sont des rgles dcisionnelles fournissant un bon compromis. Elles
sont souvent choisies (Smarandache and Dezert, 2004, 2006, 2009, 2015).
2.2.2. ER-MCDA (Tacnet, 2009; Dezert and Tacnet, 2011)
La mthode ER-MCDA aide classer chaque Ai selon les lments de en propageant limprcision et lincertitude
sur xij pouvant provenir de plusieurs sources s et limperfection sur uj (xij ). Elle tend lvaluation multi-critres
permettant dtablir [2] partir de [1]. Limperfection sur lvaluation de Ci est reprsente par une fonction de masse.
1. Formalisation du problme. LAHP aide structurer G et tablir . regroupe les valuations possibles des Ai .
2. Reprsentation des imperfections sur xij et sur uj (xij ). a) Limperfection de lvaluation de chaque xij , pour
chaque source s ( = 1, . . . , ), est reprsente par une distribution de possibilits (Zadeh, 1978). mij (.) est dduite
sur 2j avec j les valuations possibles xj de gj (Baudrit et al., 2005). b) Selon les ensembles-flous (Zadeh, 1965), une
fonction dappartenance chaque s de est dfinie par s (xj ), par laquelle mij (.) est transforme de 2j sur 2 .
3. Propagation en deux tapes de fusion. a) mij (.) sur 2 est affaiblie par pour donner mij (.) sur 2 (Shafer,
1976). La fusion des mij (.) donne mP CR6ij (.) sur 2 . b) mP CR6ij (.) est affaiblie par j pour donner mij (.) sur 2
(.)).
(Dezert et al., 2010). La fusion des mij (.) donne mP CR6i (.) sur 2 , finalement normalise (mnormalise
P CR6i
4. Dcision sur lvaluation de Ai dans partir de mnormalized
(.).
P CR6i
2.2.3. FCOWA-ER (Han et al., 2012)
Cette approche tend laide la dcision en environnement incertain permettant dtablir [4] partir de [3]. LOWA
propose par Yager (2008) reprsente la connaissance sur S = {S1 , . . . , Sk , . . . , Sn } par m(.) : 2S [0, 1] avec les
lments focaux Xl 2S (l = 1, . . . , r). Les sous-ensembles Mil = {Cik |Sk Xl } sont dduits de [3]. Pour chaque
Ai , le vecteur Wi = [wi1 , . . . , wik , . . . , win ] reprsente lattitude du dcideur : Wi = [1, 0, . . . , 0] pour loptimiste,
Wi =
P
[0, 0, . . . , 1] pour la pessimiste. La valeur OWA est donne par Vi , OWA(Ci1 , . . . , Cik , . . . , Cin ) = k wik .bik avec
bik le k me lment le plus important dans lensemble
{Ci1 , . . . , Cik , . . . , Cin } de [5]. On en dduit Vil = OWA(Mil ).
Pr
On dfinit une valeur espre gnralise Ci = l=1 m(Xl ).Vil . Elle remplace E[Ci ] dans la matrice [6].
Pour saffranchir du choix de Wi , difficile en pratique, la mthode COWA-ER propose par Tacnet and Dezert (2011)
extrait les rsultats pessimiste et optimiste (Cimin et Cimax ) dans la matrice dintervalles [5] qui encadre la matrice [4]. Elle
considre chaque intervalle de [5] comme une source dinformation pour tablir q bbas, relativement corrles. Le nombre
de fusions dpend directement de |A| ce qui peut impliquer un long temps de calcul. La mthode FCOWA-ER saffranchit
de ces deux limites (Han et al., 2012). Elle fait lhypothse que chaque colonne de [5] est une source dinformations par
des attitudes pessimiste et optimiste. On peut crer deux bbas non corrles en se basant sur la thorie des ensembles flous
et les fonctions de croyance (Baudrit et al., 2005; Florea et al., 2008). Elles sont ensuite fusionnes en une seule tape.
1. Formalisation du problme de dcision en tablissant la matrice [3].
2. Reprsentation des imperfections en dfinissant m(.) sur S.
3. Propagation a) Etablissement de [5]. b) Etablissement de [6] avec Nimin [0, 1](i = 1, . . . , q) la valeur normalise par
le maximum de la colonne pessimiste de [5] et Nimax [0, 1] celle par le maximum de loptimiste. c) [N1min , . . . , Nqmin ]
et [N1max , . . . , Nqmax ] sont deux fonctions dappartenance floue. Lapproche q -coupes en extrait mP ess (.) et mOpti (.),
indpendants sur = {A1 , . . . , Ai , . . . , Aq } (Florea et al., 2008). d) Leur fusion par la rgle PCR6 donne mP CR6 (.) sur
.
4. Dcision sur , partir de mP CR6 (.), selon la rgle de dcision adapte : par maximum de Bel(.), P l(.), BetP (.),
ou de DSmP (.).
JFMS2016 31 mars 1 avril 2016 Nancy

Aide dcider et raisonnement videntiel

[C1min , C1max ]
..

min . max

E[C]
[C
,
C
]
i
i

.
..

[N1min , N1max ]
..

min . max
F uzzy

E
[C] =
[N
,
N
]
i
i

.
..

[5]

[Cqmin , Cqmax ]

[6]

[Nqmin , Nqmax ]

3. Evaluation de lefficacit fonctionnelle douvrages de stabilisation

Les critres gj dvaluation de lefficacit fonctionnelle dun ouvrage sont les fonctions raliser (figure 1). Les
ouvrages sont exposs S qui est discrtis : lefficacit est value pour chaque Sk (k = 1, . . . , q).
3.1. Formalisation du problme de dcision : A, , S, G, , sources s
On note Ai chaque barrage avec q = 3 (dispositif de 3 ouvrages), A1 louvrage de base aval et A3 lamont. Lefficacit fonctionnelle Cik est value sur 2 avec = {1 efficace, 2 moyennement efficace, 3 peu efficace, 4
inefficace}. Elle peut aussi tre quantifie par des notes discrtes dans [1; 10]. La correspondance 4 = [1; 3], 3 = [4; 5],
2 = [6; 7] et 1 = [8; 10] permet dtablir une matrice dvaluation [5] quantitative. Elle est base sur le mme principe
que celle propose par Curt et al. (2010) mais est inverse pour une transformation croissante.
Les ouvrages sont exposs S : coulement permanent (S1 ), coulements torrentiels (S2 , S3 , S4 de dbit liquide
croissant) et laves torrentielles (S5 , S6 , S7 de dbit de lave croissant). Chaque ouvrage est suppos stable structuralement.
G est compos des fonctions principales de recentrage (g1 ), dorientation des coulements vers laxe de louvrage aval
(g2 ) et de cration dun point fixe un niveau attendu sur le profil en long (g3 ). Selon le contexte, lAHP aide tablir
pour chaque Ai (tableau 2). Dans cet exemple, les berges sont trs rodables. g1 est aussi important pour chaque Ai .
Par contre, limportance donne g2 augmente de laval vers lamont, alors que celle de g3 diminue, due aux processus
physiques de dgradations possibles : contournement depuis lamont, rupture en cascade depuis laval. Pour lvaluation
de chaque gj , nous considrons = 2 experts comme sources dinformations fiables (1 = 2 = 1).
3.2. ER-MCDA (cf 2.2.2)
Les bba mij (.) sur 2 du tableau 1 sont obtenues aprs valuation, par chaque source s , des alternatives Ai exposes
S4 selon chaque critre gj sous forme de distribution de possibilit, transforme en bba selon une chelle floue (Carladous et al., 2015). Ainsi, s1 considre la cuvette de A1 correctement dimensionne (m111 (1 ) = 0, 8), dorientation trs
mauvaise (m121 (4 ) = 0, 8) et de niveau de cuvette idal (m131 (1 ) = 0, 9). Les bba obtenues par la premire fusion sont
donnes dans le tableau 1. Leur affaiblissement en mij (.) et les bba obtenues par la deuxime fusion avec normalisation
sont rassembles dans le tableau 2. Cette dmarche peut tre reproduite pour tous les scnarios de S.
g1

Ai
A1

A2

A3

1
2
3
4
1
2
3
4
1
2
3
4

mi11 (.)
0,8
0,1
0,1
0
0
0
0,3
0,7
0,5
0,3
0,2
0

mi12 (.)
0,2
0,5
0,3
0
0,1
0,3
0,6
0
0,8
0,1
0,1
0

g2
mP CR6i1 (.)
0,607366
0,259679
0,132955
0
0,016250
0,108000
0,441346
0,434404
0,785879
0,132956
0,081167
0

mi21 (.)
0
0
0,2
0,8
0
0,1
0,3
0,6
0,8
0,2
0
0

mi22 (.)
0
0,2
0,6
0,2
0
0,2
0,6
0,2
0,7
0,3
0
0

g3
mP CR6i2 (.)
0
0,052000
0,365714
0,582286
0
0,089238
0,483429
0,427333
0,843434
0,156566
0
0

mi31 (.)
0,9
0,1
0
0
0
0,2
0,8
0
0
0,3
0,7
0

mi32 (.)
0,2
0,7
0,1
0
0
0,2
0,3
0,5
0,3
0,5
0,2
0

mP CR6i3 (.)
0,628708
0,357292
0,014000
0
0
0,124571
0,650154
0,225275
0,108000
0,376833
0,515167
0

Tableau 1. mij (.) issue de ltape 2 et mP CR6ij (.) aprs la fusion 1 de PCR6-MCDA pour chaque gj (tape 3a).
Lvaluation de Ai est donne par s avec s , arg maxs mnormalise
(s ). A1 est efficace, A2 est peu efficace et
P CR6i
normalise
A3 est efficace. A3 est plus efficace que A1 car mnormalise
(
)
>
m
(1 ).
1
P CR63
P CR61
JFMS2016 31 mars 1 avril 2016 Nancy

Aide dcider et raisonnement videntiel

Ai

A1

0,3

0,2

0,5

A2

0,3

0,3

0,4

A3

0,3

0,4

0,3

1
2
3
4

1
2
3
4

1
2
3
4

mi1 (.)

mi2 (.)

mi3 (.)

mP CR6i (.)

mnormalise
(.)
P CR6

0,7
0,182210
0,077904
0,039886
0
0,7
0,004875
0,032400
0,132404
0,130321
0,7
0,235764
0,039886
0,024350
0

0,8
0
0,010400
0,073143
0,116457
0,7
0
0,026771
0,145029
0,128200
0,6
0,337374
0,062626
0
0

0,5
0,314354
0,178646
0,007000
0
0,6
0
0,049828
0,260062
0,090110
0,7
0,032400
0,113050
0,154550
0

0,840508
0,103288
0,033334
0,008003
0,014867
0,851863
0,000031
0,005014
0,098882
0,044210
0,820670
0,138269
0,018279
0,022782
0

0
0,647603
0,209004
0,050177
0,093216
0
0,000208
0,033853
0,667502
0,298737
0
0,771029
0,101932
0,127039
0

Tableau 2. mij (.) aprs affaiblissement par les j puis mP CR6i (.) aprs la fusion 2 de PCR6-MCDA (tape 3b).
3.3. FCOWA-ER (cf 2.2.3)
Selon la correspondance dfinie dans 3.1, nous valuons Cik , comme par exemple pour S4 partir des rsultats de
3.2 : C14 = 8, C24 = 4 et C34 = 9. Selon le mme principe pour tous les Sk , la matrice [7] est tablie. On considre cinq
Xl : X1 = S1 S2 S5 , X2 = S1 S3 S6 , X3 = S1 S4 , X4 = S1 S7 et X4 = avec m(X1 ) = 0, 3, m(X2 ) = 0.2,
m(X3 ) = 0.1, m(X4 ) = 0.05, m() = 0.25. Ltape 3a de FCOWA-ER permet dobtenir la matrice dintervalles [8]
puis ltape 3b de normalisation donne [9]. Les tapes 3c, avec une approche par 3-coupes, et 3d permettent dextraire
les mP ess (.) et mOpti (.) puis de les fusionner. Enfin, ltape 4 permet de comparer les alternatives selon la rgle de
dcision choisie parmi celles du tableau 3. Quelle quelle soit, A3 est plus efficace fonctionnellement que A1 , et A2 est
louvrage le moins efficace.
S1

A1 10
A2 10
A3 10

S2
10
8
10

S3
9
6
10

Focal element

A3
A1 A3
A2 A3
A1 A2 A3

S4
8
4
9

S5
9
5
9

S6
6
2
6

mP ess (.)
0,018519
0,388889
0
0,592593

S7

3
1
5
mOpti (.)
0,076471
0
0,011765
0,911765

[7]

mP CR6 (.)
0,098148
0,354575
0,006972
0,540305

[3.30, 7.75]
[3.20, 7.85]
[5.40, 8.50]
Ai
A1
A2
A3

Bel(Ai )
0
0
0,098148

[8]

BetP (Ai )
0,357390
0,183590
0,459020

[0.98, 0.91]
[0.59, 0.92]
[1.00, 1.00]
DSmP (Ai )
0,000091
0,000056
0,999850

[9]

P l(Ai )
0,894880
0,547280
1

Tableau 3. Les deux bbas combiner (Etape 3c), bba issue de leur fusion (Etape 3d) et rsultats selon les rgles de
dcision possibles pour chaque Ai selon FCOWA-PCR6 (Etape 4).

4. Conclusion
Aprs avoir rappel les principes gnraux des AMC de type agrgation totale et du traitement de lincertitude par
les probabilits, cet article prsente les dveloppements AMC bass sur le raisonnement videntiel comme les mthodes
ER-MCDA et FCOWA-ER. Elles sont appliques indpendamment pour comparer plusieurs ouvrages selon leur efficacit
fonctionnelle, dont les critres dvaluation sont issus dune analyse fonctionnelle pralable. Leur intrt est mis en avant
par les rsultats obtenus pour traiter, dune part, de limperfection de lvaluation des indicateurs et critres et, dautre part,
pour traiter un problme daide la dcision dans un contexte de forte incertitude pistmique lie aux alas torrentiels.
La connexion entre les deux mthodes est tablie au niveau de lvaluation de Cik dune alternative pour un scnario
donn. Cependant, la propagation complte de limperfection de lvaluation ncessite dintgrer la fonction de masse
reprsentant cette valuation dans [3] sur laquelle sappuie ensuite FCOWA-ER. Lvaluation des fonctions de masse sur
S reste un verrou oprationnel important pour la mise en oeuvre pratique de cette mthode.
Dun point de vue oprationnel, lvaluation de lefficacit fonctionnelle doit intgrer les diffrents niveaux defficacit
structurale dont elle est dpendante. Elle doit permettre ensuite dvaluer celle du dispositif global ncessitant un chanJFMS2016 31 mars 1 avril 2016 Nancy

Aide dcider et raisonnement videntiel

gement dchelle. Finalement, les cots de maintenance de ces ouvrages pour maintenir leur niveau defficacit doivent
tre compars aux bnfices quils assurent en protgeant les enjeux conomiques situs laval, permettant dintgrer la
composante conomique de lefficacit lvaluation globale.
Remerciements
Les auteurs souhaitent remercier le Ministre de lEcologie, du Dveloppement Durable et lEnergie (MEDDE), le Ministre de lAgriculture, de lAgroalimentaire et de la Fort (MAAF) qui ont en partie financ ces dveloppements.

5. Bibliographie
Baudrit C., Guyonnet D., Dubois D., Postprocessing the hybrid method for addressing uncertainty in risk assessments, Environmental
Engineering, vol. 131, n2, 2005, p. 1750-1754.
Carladous S., Tacnet J.-M., Eckert N., Curt C., Batton-Hubert M., Vers une analyse intgre de lefficacit des ouvrages de protection
contre les risques naturels en montagne : valuation conomique en complment des volets structurels et fonctionnels, Actes des
8mes Journes Fiabilit, Matriaux et Structures - analyse de risques et fiabilit des systmes dans leur environnement, Aix-enProvence, France, 9-10 avril 2014, p 61-74.
Carladous S., Tacnet J.-M., Dezert J., Batton-Hubert M., Belief function theory based decision support methods : Application to torrent
protection work effectiveness and reliability assessment, Actes de la confrence Safety and Reliability of Complex Engineered
Systems, Zrich, Suisse, 7-10 septembre 2015, Londres, UK, Taylor and Francis Group, p 3643-3652.
Curt C., Peyras L., Boissier D., A Knowledge Formalization and Aggregation-Based Method for the Assessment of Dam Performance,
Computer-Aided Civil and Infrastructure Engineering, vol. 25, 2010, p 171-184.
Dezert J., Tacnet J.-M., Evidential Reasoning for Multi-Criteria Analysis based on DSmT-AHP, Actes de lInternational Symposium
on AHP, Sorrento, Italie, 2011.
Dezert J., Tchamova A., On the validity of Dempsters fusion rule and its interpretation as a generalization of Bayesian fusion rule,
International Journal of Intelligent Systems, vol. 29, n3, 2014, p.223-252.
Dezert J., Tacnet J.-M., Batton-Hubert M., Smarandache F., Multi-criteria decision making based on DSmT-AHP, Actes de BELIEF :
Workshop on the Theory of Belief Functions, Brest, France, 1-2 avril 2010.
Florea M.C., Jousselme A.-L., Grenier D., Boss E., Approximation techniques for the transformation of fuzzy sets into random sets,
Fuzzy Sets and Systems, vol. 159, 2008, p. 270-288.
Ghariani N., Curt C., Tacnet J.-M., Analyse des dysfonctionnements des ouvrages de protection contre les crues torrentielles, Actes
des 8mes Journes Fiabilit, Matriaux et Structures - analyse de risques et fiabilit des systmes dans leur environnement, Aixen-Provence, France, 9-10 avril 2014, p 47-59.
Han D., Dezert J., Tacnet J.-M., Han C., A fuzzy-cautious OWA approach with evidential reasoning, Actes de la 15me International
Conference on Information Fusion, Singapour, 9-12 juillet 2012, p. 278-285.
Roy R., Mthodologie Multicritre dAide la Dcision, Economica Collection Gestion - Srie Production et techniques quantitatives
appliques la gestion, Paris, France, 1985.
Saaty T. L., Multicriteria Decision Making - The Analytic Hierarchy Process : Planning, Priority Setting, resource Allocation, McgrawHill (Tx), 1980.
Shafer G., A Mathematical Theory of Evidence, Princeton Univ. Press, 1976.
Smarandache F., Dezert J., Advances and Applications of DSmT for Information Fusion - Collected Works, Vol. 1-4. American Research
Press, 2004, 2006, 2009, 2015.
Smets, P., Decision making in the TBM : The necessity of the pignistic transformation, International Journal of Approximate Reasoning,
vol. 38, 2005.
Tacnet J.-M., Dezert J., Cautious OWA and evidential reasoning for decision making under uncertainty, Actes de la 14me International
Conference on Information Fusion Proceedings, Chicago, Illinois, 5-8 juillet 2011, p. 2074-2081.
Tacnet J.-M., Prise en compte de lincertitude dans lexpertise des risques naturels en montagne par analyse multicritres et fusion
dinformation, Thse de doctorat, Ecole Nationale suprieure des Mines de Saint-Etienne, 2009.
Yager R., Decision making under Dempster-Shafer uncertainties, Studies in Fuzziness and Soft Computing, vol. 219, 2008, p. 619-632.
Zadeh L. A., Fuzzy sets, Information and control, vol. 8, n3, 1965, p. 338-353.
Zadeh L. A., Fuzzy sets as a basis for a theory of possibility. Fuzzy sets and systems, vol. 1, 1978, p. 3-28.

JFMS2016 31 mars 1 avril 2016 Nancy