Académique Documents
Professionnel Documents
Culture Documents
0
1. Introduction
1
A cet égard, la méthode MC représente une véritable aubaine pour l’Agence Congolaise
des Grands Travaux dans la mesure où elle permettra de renforcer la culture d’analyse des
risques qui est déjà d’application dans son environnement professionnel et d’aiguiser
l’expertise de l’ACGT dans le développement des projets d’infrastructures
financièrement et économiquement rentables.
2. Principe de la méthode de Monte Carlo
2.1. Généralités
Un avantage fondamental des méthodes d’échantillonnage est leur utilisation directe sur les
données expérimentales pour obtenir des solutions mathématiques ou des informations
probabilistes concernant des problèmes dont les équations du système ne peuvent pas être
résolues facilement par des procédures connues.
La méthode de Monte Carlo consiste en la génération numérique de variables et fonctions
aléatoires, l’analyse statistique des résultats des essais et des techniques de réduction des
variables.
La procédure de calcul par la méthode de MCS est assez simple. Elle se présente comme
suit :
2
(1) Sélectionner un type de distribution pour la variable aléatoire
(2) Générer un ensemble d’échantillonnage à partir de la distribution
(3) Effectuer des simulations à l’aide de l’ensemble d’échantillonnage généré
L’exemple présenté dans la figure 2.1 montre clairement l’idée de base et les aspects
critiques de la méthode de Monte Carlo. Un échantillonnage aléatoire simple est un outil
possible pour mesurer la zone S choisie arbitrairement à partir du plan carré unitaire.
3
de la zone S. Il est évident que le type de distribution et la forme de la frontière limite sont
des éléments déterminants dans la procédure d’échantillonnage.
L’une des étapes clés dans la simulation Monte Carlo est la génération d’une série de
valeurs d’une ou de plusieurs variables aléatoires suivant une densité de probabilités
connue. La méthode de génération la plus généralement connue est la méthode de
transformation inverse.
Considérons que ( ) est la fonction de répartition de la variable . Par définition, la
valeur de ( ) est comprise dans lintervalle 0,1 ; en supposant que
est un nombre
aléatoire généré suivant une distribution uniforme, la méthode de transformation inverse
conduit à établir que les relations suivantes :
Il est possible de générer des nombres aléatoires uniformément distribués via des roulettes
automatisées ou les propriétés de bruit des circuits électroniques. Ces générateurs ont
tendance à être lents et non reproductibles, de sorte qu’une «expérience» ne peut jamais
être vérifiée.
4
L’approche pratique la plus courante consiste à utiliser un «pseudo» générateur de
nombres aléatoires (PRNG) qui est disponible sur pratiquement tous les systèmes
informatiques. Ils sont appelés «pseudo» car ils utilisent une formule pour générer une
séquence de nombres. Bien que cette séquence soit reproductible et se répète après
(normalement) un long intervalle de cycle, pour la plupart des applications pratiques, elle
ne peut être distinguée d’une séquence de nombres aléatoires strictement vrais.
Comme cela est dit plus haut, les techniques de simulation de Monte Carlo impliquent un
tirage au hasard pour simuler artificiellement un grand nombre d’expériences et observer
le résultat. Dans le cas d’une analyse de fiabilité structurale, cela revient simplement à
échantillonner chaque variable aléatoire Xi de manière aléatoire pour donner une valeur
d’échantillon . La fonction d’état limite G(x)=0 est ensuite vérifiée à l’aide de
l’échantillon de valeurs .
Si la fonction d’état limite est violée (c’est-à-dire G ( ) ≤ 0), la structure a cédé.
L’expérience est répétée plusieurs fois, à chaque fois avec un vecteur choisi au hasard à
partir de valeurs . Si N essais sont effectués, la probabilité de défaillance est donnée
approximativement par :
1
Où n (G ( ) ≤ 0) est le nombre d’essais n pour lesquels (G ( ) ≤ 0). De toute évidence,
le nombre N d’essais requis est lié à la précision souhaitée pour la probabilité Pf.
L’approche de calcul présentée au point précédent représente la forme la plus simple pour
la mise en œuvre de la méthode Monte Carlo. Elle peut être perçue comme l’approche la
plus connue et la plus utilisée dans le monde. Cependant, elle ne se révèle pas efficace
particulièrement pour des systèmes complexes.
Tel que cela est montré plus haut, la rupture de la structure se produit quand G (X) ≤ 0 et
ainsi, la probabilité de défaillance est calculée comme suit :
2
5
Elle peut être exprimée autrement sous cette forme :
3
Où est une fonction indicateur qui vaut 1 si G (X) ≤ 0 est vraie et 0, dans le cas
contraire. Il peut facilement être compris que l’espérance de cette variable aléatoire
correspond à la probabilité de défaillance recherchée de G(X).
Ainsi, il est possible d’écrire :
4
Pour évaluer la probabilité Pf par la méthode Monte Carlo, un échantillon de valeurs des
variables aléatoires xi doit être généré sur base de la fonction de répartition ( ). Cet
échantillonnage des variables peut obtenu au départ de la génération automatique d’une
suite de nombres aléatoires uniformément distribués ui (0≤ ≤ 1), et en s’appuyant sur la
méthode de transformation inverse pour remonter à la variable aléatoire xi.
Ainsi les nombres aléatoires u1, u2, u3,…. Un sont obtenus à partir de la densité de
probabilité ( ) et la probabilité Pf est déterminé par :
5
6
3. Cas d’application avec le logiciel Excel
Nous allons à ce stade appliquer la méthode de Monte Carlo en utilisant le logiciel Excel.
Pour ce faire, il sied de signaler que le logiciel Excel comprend la plupart des fonctions de
distributions des probabilités que nous rencontrons dans les problèmes d’ingénierie. Ce qui
rend Excel plus intéressant pour le calcul suivant Monte Carlo est qu’il contient non
seulement les fonctions de distributions des probabilités mais aussi les fonctions de
répartition inverses correspondantes.
LOI.GAMMA.INVERSE.N, LOI.NORMALE.INVERSE.N,
LOI.LOGNORMALE.INVERSE.N, LOI.STUDENT.INVERSE.N, etc.
7
Par ailleurs, pour la génération des suites aléatoires, Excel dispose d’une fonction
suffisamment puissante désignée ‘’ ALEA’’ qui permet de produire une série de nombres
aléatoires compris entre 0 et 1.
Par la suite, la série des valeurs de g sont obtenues en passant par les valeurs aléatoires de
chacune de quatre variables P, L, W, T générés automatiquement en utilisant la syntaxe
suivante :
LOI.NORMALE.INVERSE.N(ALEA();espérance ;écart-type)
, = *, ./
.
Les détails du calcul réalisé dans Excel sont montrés dans la figure affichée sur la page
suivante.
Par ailleurs, la valeur exacte de l’indice de fiabilité déterminé par la méthode analytique
exacte vaut :
,∗ = *, .12/1
8
9
4. Conclusion
La méthode Monte Carlo est une approche de calcul approché basée sur la technique
d’échantillonnage aléatoire sur un ensemble de variables qui interviennent dans la
définition de la fonction étudiée. Il présente l’avantage de permettre la détermination des
intégrales de défaillance des systèmes quelle que soit la complexité de la fonction d’état
limite qui caractérise ce système. Ce qui fait de la méthode de Monte Carlo l’un des outils
puissants pour l’analyse de la fiabilité structurale des ouvrages de génie civil.
Il s’agit d’une méthode de calcul bulldozzer à laquelle il est fait recours lorsque les
approches de calcul analytique classique ne peuvent être appliquées.
La génération d’une série de valeurs des variables aléatoires suivant une densité de
probabilités connue constitue la composante la plus importante dans la procédure de mise
en œuvre de la simulation Monte Carlo.
La méthode de génération la plus généralement connue est la méthode de transformation
inverse. Ce type d’opération requiert l’utilisation des ordinateurs puissants et d’outils
logiciels performants qui contiennent une gamme des densités de probabilités
suffisamment riche et des fonctions de génération automatique des variables aléatoires
suivant ces lois de probabilités prédéfinies.
Les logiciels MatLab et Excel figurent parmi les outils logiciels qui donnent la possibilité de
réaliser une simulation Monte Carlo. Au point 3 de la présente, nous avons développé un
cas pratique sur l’application de la méthode de Monte Carlo avec le logiciel Excel. Nous
avons pu générer jusqu’à 10 000 scénarios et la précision du résultat trouvé est largement
satisfaisante.
La méthode Monte Carlo est une approche extrêmement efficace pour l’analyse fiabiliste
des systèmes et comporte un domaine d’application très grand qui couvre l’ensemble des
sciences appliquées dont l’ingénierie des structures, l’ingénierie des projets et l’ingénierie
financière qui constituent toutes des filières d’activités prisées par l’Agence Congolaise des
Grands Travaux.
Enfin, ce travail représente un support intéressant pour l’ensemble du personnel de
l’ACGT tant les ingénieurs, les architectes que les administratifs en ce qu’il fournit des
connaissances de base et des notions pratiques pour lancer les premiers pas dans la mise en
œuvre de la simulation de Monte Carlo dans le cadre de l’analyse de performance de
systèmes.
10
Références bibliographiques
1. Robert E.Melchers, André T.Beck, Structural Reliability Analysis and Prediction, 3ème
edition, John Wiley & sons Ltd, 2018
2. Michel Roger, Méthodes de Monte Carlo, Service de Physique de l'Etat Condensé CEA
Saclay, octobre 2010
3. SETRA. Théorie de la fiabilité-Application à l’évaluation structurale des ouvrages d’art.
Sujet (41-03-02).2012
4. Kevin BABAKA. Analyse de la performance structurale: Méthodes FORM et SORM.
Présentation-Jeudi Technique-ACGT. Février 2019.
11