Proper Generalized Decomposition et rduction de modle a priori pour la

propagation dincertitudes paramtriques dans les modles de grande

dimension

Anthony Nouy

GeM Institut de Recherche en Gnie Civil et Mcanique

CNRS, Universit de Nantes, Centrale Nantes

Les mthodes spectrales stochastiques fournissent une dmarche gnrale pour la

rsolution numrique dune grande classe de modles rgis par des quations aux drives
partielles stochastiques (EDPS) ou paramtres. En permettant la construction dune
reprsentation explicite de la solution en fonction des paramtres alatoires du modle, ces
mthodes permettent diverses analyses a posteriori telles que lanalyse statistique, lanalyse
de sensibilit, loptimisation ou encore lanalyse inverse.

Les approches de type Galerkin s'appuient sur une formulation faible des EDPS et
l'introduction d'un espace d'approximation qui est le produit tensoriel despaces
dapproximation dterministe et stochastique. Elles reposent sur un cadre mathmatique
rigoureux permettant une bonne matrise de lapproximation. Cependant, la dimension des
problmes rsoudre est telle que lutilisation de techniques de rsolution classiques nest
plus envisageable. De plus, ces approches ncessitent une bonne matrise de la structure
mathmatique du modle afin dtendre au cadre stochastique les solveurs dterministes
usuels.

On exposera une famille de mthodes alternatives, baptises Generalized Spectral

Decompositions ou plus rcemment Proper Generalized Decompositions, qui tentent de
pallier les limitations des approches classiques. Ces mthodes reposent sur la construction a
priori dune dcomposition en variables spares de la solution, qui exploite la structure
produit tensoriel de lespace de travail. Elles peuvent sinterprter comme une gnralisation
des dcompositions spectrales de type Karhunen-Love et sont applicables une large
classe de problmes formuls sur des espaces produits tensoriels.

Dans le contexte des problmes stochastiques, on utilise tout dabord ces mthodes pour la
sparation des variables dterministes et des variables alatoires. Elles permettent ainsi la
construction a priori d'une reprsentation (quasi)optimale de la solution alatoire sous la
forme d'une srie de produits de fonctions dterministes et de fonctions stochastiques. Cette
sparation dterministe/stochastique ne rpond cependant pas la maldiction de la
dimensionnalit, associe laugmentation dramatique de la dimension des espaces
dapproximation stochastique, lorsquon travaille avec un grand nombre de paramtres
alatoires. Afin de vaincre cette maldiction, on utilise alors une extension multi-
dimensionnelle des Proper Generalized Decompositions pour la reprsentation en variables
spares des fonctions stochastiques, les variables spares tant ici les diffrents
paramtres alatoires du modle. Pour de nombreux modles, la stratgie propose permet
ainsi de construire une solution approche vivant dans des espaces dapproximation de trs
grande taille (10^50, 10^100, ), cette solution tant inaccessible par des approches
traditionnelles.