Vous êtes sur la page 1sur 4

Simulation stochastique

1. Définition et Généralités
Le calcul stochastique est l’étude des phénomènes aléatoires dépendant du
temps. L'hypothèse primordiale est de considérer la variable régionalisée z(x)
comme UNE réalisation particulière d’une fonction aléatoire Z(x) continue
dans l’espace et obéissant à une loi spatiale. Cette hypothèse implique que
l’on se place volontairement dans une optique probabiliste où, d'une manière
générale, le résultat quantitatif n’a de valeur que s’il est calculé par prise de
moyenne sur un échantillon suffisamment grand.

2. Principe des simulations stochastiques

En construisant les simulations stochastiques, l’objectif n’est pas de "tirer le


bon numéro", c’est-à-dire de simuler exactement là réalisation qui correspond
à la variable régionalisée réelle, mais de générer une famille de réalisations
ayant les mêmes propriétés statistiques afin de pouvoir donner des résultats
probabilistes par prise de moyenne sur un grand nombre. C’est la loi forte
des grands nombres, qui mathématiquement peut se traduire par la relation
suivante.

Avec g, une fonction analytique quelconque, pourvu que l’espérance existe.


Le processus de génération de simulations stochastiques permet, non pas
d'obtenir la meilleure estimation (comme dans le processus de krigeage), mais
de reproduire la variabilité spatiale de la propriété étudiée. Cependant,
aucune réalisation ne peut prétendre être plus proche de la réalité qu’une
autre : elles sont toutes équiprobables. Les simulations stochastiques
fournissent en quelque sorte des exemples de ce que pourrait être la réalité
(inconnue) à l’intérieur de la fourchette d’incertitude donnée par l’estimation.
Méthodes de construction des simulations stochastiques
De nombreuses méthodes géostatistiques permettent de générer des fonctions
aléatoires. Parmi ces méthodes, on distingue les méthodes gaussiennes et les
méthodes non-gaussiennes.
Méthodes gaussiennes
Les approches gaussiennes produisent des images d'une variable continue de
loi de distribution gaussienne, possédant toutes la même espérance, la même
variance et la même fonction de variogramme (ou de covariance). Les
algorithmes les plus utilisés sont ceux de la méthode des bandes tournantes,
des méthodes spectrales, de la méthode de décomposition LU de Cholesky, et
de la méthode des simulations gaussiennes séquentielles.
Méthode non gaussiennes
Les approches non-gaussiennes produisent, elles, des images dont la variable
ne suit pas une loi de distribution gaussienne. Cette approche regroupe entre
autre les méthodes de simulation des indicatrices, l'algorithme du recuit
simulé, l'approche booléenne, et la méthode des chaînes de Markov.
Seuillage des simulations stochastiques
Toutes les méthodes gaussiennes citées ci-dessus génèrent directement des
champs de conductivité hydraulique sans passer par la création d’une image
de la géologie du sous-sol. Ces méthodes fournissent des variations de la
valeur du paramètre étudié autour d’une moyenne supposée constante. Elles
reproduisent donc la variabilité (continue) de la propriété étudiée.
CAS PRATIQUE : simulation stochastique des fractures pour déterminer
la granulométrie in situ dans un gisement de cuivre.

Simulation conditionnelle
1. Définition et Généralités
On parle de simulation conditionnelle lorsque les valeurs de la variable
régionalisée en certains points sont définies. En pratique, on veut souvent
que la simulation respecte les deux premiers moments du processus, son
histogramme et son variogramme.
Une simulation conditionnelle est une version plausible de la réalité qui
respecte les informations locales ou régionales disponibles.

2. Principe des simulations conditionnelles

La démarche est la suivante :


Soit N points conditionnants et n points à simuler. On place dans un vecteur
les N points conditionnants suivi des n points à simuler. La matrice K(𝑁 +
𝑛)(𝑁 + 𝑛) est décomposée comme auparavant en LU. On partitionne L en 4
blocs distincts :
𝐿11 0
L=
𝐿21 𝐿22
Le bloc L11 correspond aux points conditionnants, le bloc L22 aux points à
simuler, le bloc L21 mets en relation les points à simuler et les points
conditionnants.
On forme un vecteur y(N+n) de valeurs N (0,1). On a alors :
𝑍1 𝐿11 0 𝑌1
=
𝑍2 𝐿12 𝐿22 𝑌2
D’où on tire :
Z1=L11Y1
Z2=L21Y1+L22Y2
On a observé Z1=z1. Il faut donc imposer y1=L11-1 z1. Connaissant y1, il
ne reste qu’à tirer aléatoirement ¨n¨ valeurs d’une N(0,1) pour former y2 et
ensuite calculer z2 en utilisant l’expression ci-haut (notez que L21y1 est
constant et n’a pas besoin d’être recalculé pour chaque nouvelle réalisation).

Notes :
• Cette méthode de simulation est extrêmement efficace et rapide car une
seule inversion de matrice est requise. Des réalisations additionnelles
peuvent être obtenues aisément à très faible coût. La principale limitation en
est une de mémoire. En effet, (N+n) ne peut excéder quelques milliers car
alors la matrice K devient trop large et ne peut être stockée en mémoire.
• Il faut que K soit non-singulière pour pouvoir effectuer la décomposition
de Cholesky. Ceci implique que l’on ne doit pas faire coïncider un point à
simuler avec un point observé.
• Il existe d’autres décompositions possibles de K Ainsi, on peut utiliser une
décomposition en vecteurs propres, valeurs propres de K.

3. Les méthodes de simulations conditionnelles


Les simulations conditionnelles sont multiples et équiprobables (ayant la
même probabilité d’occurrence). Nous pouvons ainsi noter :

• La méthode de Bandes tournantes


• La Simulation matricielle
• La Simulation gausienne séquentielle
• La méthode de Monthe carlo &&&&
CAS PRATIQUE : simulation conditionnelle pour estimation d’un
gisement de diamant

Vous aimerez peut-être aussi