MI7 de Rocquigny

EDF, E.
de Rocquigny
Incertitudes,
risques et
environnement
Quelques problmes mathmatiques pour un industriel

SMAI 7me Rencontres Math-Industrie Mathmatiques et Environnement
E. de Rocquigny, EDF R&D
Ing. Senior Statistiques, simulation dans les risques et lenvironnement
Coordinateur du Programme Incertitudes / rseau europen ESReDA
EDF, E. de Rocquigny
SMAI 7me Rencontres Math-Industrie Mathmatiques et Environnement , 2007
Incertitudes, risques et
environnement
Des exemples point de dpart
Cadre de modlisation gnral et panorama
des problmatiques
Deux problmatiques particulires
Estimation de risque via propagation dincertitudes
Identification de variabilit par approche inverse
probabiliste / assimilation
Exemples
Enjeu principal Exemple Domaine
Justification matrise
dimpacts
Matrise des missions
industrielles (e.g. CO2)
Mtrologie
Justification risques
lis lenvironnement
Niveaux marins extrmes et
calage des centrales

Stat. Extrmes pour
Dimensionnement dune
protection
Optimisation de
lexploitation / contexte
environnemental
Productible olien Optimisation technico-
conomique sous
incertitude
Thermique Nuclaire Renouvelable
/ hydraulique
Thermique classique:
missions de CO
2

Fuel tons
Carbon %
Emissio
n
K Factor
t combust.
Carbone %
Emission
FE Facteur
Finalit Dclarer rejets polluants dun site
industriel (ex : t
CO2
annuelles) avec x% de
prcision
>> justification rglementaire +
optimisation chane/march dmissions
Critre %inc
t CO2
< x %

Sources/mo
dle

Erreurs capteurs variabilit naturelle
charbon mconnaissance du process
Modle phys. = formule analytique
Propagation
) (
) var(
. ) (
) ( . 2
1
%
2
1
2
1
Z E
Z
k z z
Z E
inc
z
~ =
+ o o
1
2
i
X
N
i
i
Y
Inc
X
Y
Inc

=
|
|
.
|
\
|
c
c
~
Source dincertitude ni
Sensibilit de la variable
dintrt la source ni

Z
t
= niveau de mer complet
x(t) = mare astro. dterministe
Y
t
= dcote de basse mer (alatoire)
Estimer les niveaux de retour
rares de la variable Z superposant
un signal dterministe complexe
et une variable alatoire.
(stat. extrmes + simulation)
Niveaux marins
extrmes et centrales
t t
Y t x Z = ) (
Variabilit du vent et
production olienne
Courbe puissance = P(vitesse) Courbe puissance = P(vitesse)
On mesure le vent ici
(direction, vitesse)
On mesure le vent ici
On veut prvoir le vent ici
On veut prvoir le vent ici
Logiciel WASP
(quations
dterministes)
Logiciel WASP
(quations
dterministes)
Atlas des vents
Vitesse : loi de Weibull pour chaque direction
Atlas des vents Atlas des vents
Vitesse : loi de Weibull pour chaque direction
Finalit Comprendre le risque de
msestimation du productible
hirarchiser les incertitudes
optimiser le lieu des oliennes
Critre
%inc sur productible
Sources
/modle

Erreurs destimation du vent (erreur
spatiale, chantill. Temporel ); Inc.
de modle
Modle intrinsquement statistique
du vent / du productible
Quantifi
cation /
propaga
tion
Estimation statistique (moments,
max. vraisemblance )
Propagation par cumul
quadratique simple
Courbe puissance = P(vitesse)
Cadre commun de
modlisation
Vers un cadre mthodo.
commun
Cadre de modlisation Cadre de modlisation
Var. alatoires
(sources dincert .)
(pas toujours observables)
Modles coupls/chans
( multi - physiques,
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
des variables post -
traites )
Var. alatoires
(sources dincert .)
Modles coupls/chans
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
traites )
Cadre de modlisation (physico-
probabiliste)
Var. alatoires
(sources dincert .)
Modles coupls/chans
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
traites )
Var. alatoires
(sources dincert .)
Modles coupls/chans
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
traites )
probabiliste)
x, d z = G(x, d)
Var. sources dincertitudes : incertaines,
observables (stat. ou jug. dexpert)
Var. fixes : dcisionnelles, de scnario,
ou peu incertaines, ou incertaines mais
pnalises en dterministe
Var. finales : incertaines, non
observables, calculables par le modle
physico-industriel G(.,.)
G
Fonction dterministe complexe :
reprsentant lobjet physico-industriel
Var. alatoires
(sources dincert .)
Modles coupls/chans
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
traites )
Var. alatoires
(sources dincert .)
Modles coupls/chans
conomique etc.)
Critres
quantitatifs
(souvent
probabiliss, sur
traites )
probabiliste)
x, d z = G(x, d)
Var. sources dincertitudes : incertaines,
observables (stat. ou jug. dexpert)
Var. fixes : dcisionnelles, de scnario,
ou peu incertaines, ou incertaines mais
pnalises en dterministe
Var. finales : incertaines, non
observables, calculables par le modle
physico-industriel G(.,.)
G
Fonction dterministe complexe :
reprsentant lobjet physico-industriel
X, d Z = G(X, d)
Lincertitude sur x est modlise
par le vecteur alatoire
X ~ f
X
(x \u
X
)
Lincertitude rsultante sur z est un v.a.
suivant la loi (a priori trs complexe)
Z ~ f
Z
(z \u
X
, d)
G
d reste dterministe
c
Z
= F(f
Z
(z\u
X ,
d)
On sintresse gnralement un critre
dincertitude bien spcifique
c
Z
= P(z > z
s
), var Z ,
) (
) var(
.
Z E
Z
k
X, d Z = G(X, d)
X ~ f
X
(x \u
X
)
Z ~ f
Z
(z \u
X
, d)
G
d reste dterministe
c
Z
= F(f
Z
(z\u
X ,
d)
c
Z
= P(z > z
s
), var Z ,
) (
) var(
.
Z E
Z
k
Les grandes tapes X, d Z = G(X, d)
X ~ f
X
(x \u
X
)
Z ~ f
Z
(z \u
X
, d)
G
d reste dterministe
c
Z
= F(f
Z
(z\u
X ,
d)
c
Z
= P(z > z
s
), var Z ,
) (
) var(
.
Z E
Z
k
X, d Z = G(X, d)
X ~ f
X
(x \u
X
)
Z ~ f
Z
(z \u
X
, d)
G
d reste dterministe
c
Z
= F(f
Z
(z\u
X ,
d)
c
Z
= P(z > z
s
), var Z ,
) (
) var(
.
Z E
Z
k
Etape
A
Spcifier le
problme
Choisir x, d, G(.,.) et un
critre (C
Z
= P(Z > z
s
) ou
var Z )
Sciences de la dcision, analyse
du risque, cadre classique ou
baysien
Etape
B
Quantifier les
sources
Uncertainty
modelling
Modliser X en estimant
u
X
daprs (X
j
)
j
ou
expertise
Echantillonnage paramtrique
classique ou baysien
Mais aussi : non-paramtrique,
copules (loi jointe)
Etape
C
Propager
U. Propagation /
U. Analysis
Estimer f
Z
(ou plutt C
Z
) Taylor, Monte-Carlo et
acclres, Form-Sorm, Plans
dExp./Surfaces de Rponse
Etape
C
Hirarchiser
limportance des
sources
Sensitivity analysis
Estimer des S
X
(selon C
Z
)
S
X
= ,
Idem + RCC/ PRCC, indices de
Sobol estims par MCS, quasi-
MC , FAST,
=
N
i
i
i
X Z Corr
X Z Corr
1
) , (
) , (
) (
]) \ [ (
Z Var
X Z E Var
i
Deux problmatiques
Sujet n 1 Estimation de risque via
propagation dincertitudes
Sujet n 2 Identification de variabilit par
approche inverse probabiliste / assimilation
Estimation de risque via
Si Cz=var(Z), facile : Monte-Carlo, Approx. Diffrentielle,
surfaces de rponses standard , chaos polynmial
Si Cz=P[Z>zs] rare et Z=G(X) lourd >> difficile (dtre
robuste)
Estimation de risque via
Estimer une intgrale (ultra-complexe)

Alternatives classiques
Intgration numrique (pb. de la dimension de X et du
contrle d erreur)
Simulation (Monte-Carlo, importance sampling )
Optimisation Form-Sorm et drives
Surfaces de rponse (dont E.F. stochastiques)
Vrai dfi : justifier robustesse selon rgularit de
G
}
>
= > = =
X
x z d X G s
X d X f z d X G z P Pf
s
) ( 1 ) ) , ( (
) , (
Monte-Carlo
}
>
=
X
x z d X G
X d X f Pf
s
) ( 1
) , (
G(Z1,Z2)=0
Domaine de Fiabilit
Z1
Z2
Simulation Monte Carlo Standard
f(Z1)
f(Z2)
Domaine de Dfaillance
( ) { }
=
<
=
N
i
Z G
i
N
1
0
1
1
u
nombre moyen de dfaillances
obtenues parmi N tirages
(somme de 0 et de 1)
=
( )
( )
N
P P
Var
F F
N
=
1
u Variance de lestimateur :
Importance Sampling : on biaise la densit de tirage
Mais la convergence est moins rapide / contrlable
=
>
=
n j
j X
j X
z d X G f
X f
X f
n
P
s j
.. 1
) , (
) (
~
) (
1
1
Form Sorm et ses
limites
G vrai <0
G FORM <0
G vrai <0
G vrai <0
G vrai <0

Principe : trouver par optimisation le point de
dpassement de seuil (i.e. G(X,d) = zs) le plus
proche de lorigine E(X) puis approximer par
une surface rgulire
U
1
U
2
FORM
SORM
Failure
Safe
|
G
U*
o
O
La stratgie des surfaces
de rponse
On remplace G(.) (lourd en CPU) par une
surface de rponse
i.e. approximant bien G(.) et se calcule vite
polynmes, chaos polynmial, rseaux de neurone

u x G x u x G x G
l
l l
+ = + =

| ). (
~
) ( ) (
~
) (
Estimation aux OMS / GLM
l
|
(.)
~
G

(Rarement mentionn) bien contrler lincertitude du rsidu pour
un calcul conservatif de Pf demande statistiquement beaucoup de
calculs
(.)
~
G
le cas difficile de physiques
irrgulires

X
i
Z=G(X)
z
s
Quantile prdit
Prdit par la SR ) (
~
x G
Quantile vrai
u x G x u x G x G
l
l l
+ = + =

| ). (
~
) ( ) (
~
) (

Lhypothse gaussienne
sur u fausse lestimation
de la probabilit
Mieux contrler u suppose
des calculs
supplmentaires a priori
nombreux
Au-del de la propagation simple
Cumuler les incertitudes des incertitudes
X, d Z = G(X, d)
La source dincertitude sur x est
modlise par le vecteur alatoire
X ~ f
X
(x \u
X
)
G
c
Z
= F(f
Z
(z\u
X
,
d))
c
Z
= P(z > z
s
), var Z ,
Lestimation deu
X
donnes
finies produit => variance non
ngligeable sur
Mme u
X
parfaitement connu, contraintes
CPU de propagation => variance
destimation parfois non ngligeable
X
u
) (
X z
C u
Le problme n2 : inverse
x, d
y = H(x, d)
z = G(x, d)
On a des observations,
non pas sur X, mais sur Y
(via le bruit U) Y
m
=Y + U
Ltape inverse dans le
processus incertitudes
B, C et C sont relativement classiques pour les spcialistes
dincertitudes

B lest beaucoup moins elle a un potentiel industriel norme !
(matrise dynamique des incertitudes)
f
X
(x \u)
(y
i
)
i
C
Z
(f
Z
)
f
Z
Ltape inverse dans le processus
incertitudes (stationnaire)
Observations (Y
j
)
j

Modle a priori Identification/recalage
Incertitudes a priori
( bauche ) f
b
(x)
Modle a posteriori
(ou cal )
-Performance sur critre a priori
C
Z
(b)
(e.g. proba. de dpassement de
seuil de sret)
-Hirarchisation de limportance a
priori des incertitudes
-Performance sur critre a
posteriori C
Z
(a)

(e.g. proba. de
dpassement de seuil de sret)
-Hirarchisation de limportance
a posteriori des incertitudes
Incertitudes a
posteriori f
a
(x)
Formalisation du problme (1)
H est dterministe et
connu, mais lourd
calculer (e.g. Elm. Finis)
gnralement non-linaire
On observe les y avec des carts mesure-
modle incertains (supposs additifs) mais
indp. et de lois connues (e.g. centre de
variance R, mais vent. dpendante de dj et
non gaussienne) ou non
( ) ) ( \ ~ *
j
d
U j
u
U
f
j
U u
x, d
y = H(x, d)
z = G(x, d)
dj = conditions de
fonctionnement / dessais
variant de faon dterministe et
connue selon les n observations
Xj* est inobservable on
cherche sa pdf
Sa taille vectorielle = 3 15
Une partie du vecteur Xj* est de loi
ventuellement connue manque
) / ( ~
) / ( ~
*
un
X
j
un
X
j
un
kn
X
j
kn
X
j
kn
j
un
j
kn
j
x f X
x f X
X
X
X
un
kn
u
u
|
|
.
|
\
|
=
un
X
u
n j U d X H U Y Y
j j j j j j m
.. 1 *, ) , * ( * * = + = + =
x, d
y = H(x, d)
z = G(x, d)
Connaissant ainsi que et par
calcul numrique (lourd)
Identifier de sorte que
( )
n j
j U j
j
m
d Y
.. 1
, ,
=
u
) , ( d x H
un
X
u
kn
X
u
j j j
j
m
U d X H Y * ) , * ( + ~
n j U d X H Y
j j j j m
.. 1 *, ) , * ( = + =
n j U d X H Y
j j j j m
.. 1 *, ) , * ( = + =
x, d
y = H(x, d)
z = G(x, d)
Par exemple, maximiser la vraisemblance (en ajustant )
Linaire gaussien
Non linaire non Gaussien
+ =

j
m j
j m
j j m j
j m
un
X
j m
x H y H V H R x H y y LL ) ( ) ' ( )' ( ... ) \ (
1
u
un
X
u
( )
[
}
[
} }
(
+ =
(
+ =
=
=
=
(
j
x u
j
u x H y
un
X X j U
j
j
x
u x H y
un
X X j
u
U
un
X
n j
j m
j
j j
j m
j
j j
j m
j
j
u d x d x f u f
u d x d x f u f y Lik
* *,
* *) (
*
* *) (
*
.. 1
* * 1 ) \ * ( *) (
* *] 1 ) \ * ( *)[ ( \
u
u u
Algorithmes de rsolution
Max. Vraisemblance trop gros en gnral
optimiser en direct
Ide : insrer un PE/SR adaptatif dans les
algorithmes itratifs MV
Linarisation (adaptative) puis E-M gaussien (Circ)
SAEM
MCMC
Cf. www.jds2006.fr/prob-ouverts.php
Classification de quelques
algorithmes
La 1re question essentielle : en A.D., X* ne devient une v.a. que par
erreur destimation : sa vraie valeur est unique, dterministe
Papiers CEA (Circ)
Gaussien (X et U)
Papier INRIA/EDF (SAEM) ?
Param. non gaussien (en X)
Max. Vraisemblance
Papier JUSSIEU
Mthode des moments
oui
"Identification intrinsque"
BLUE, 3/4DVar,KF ... (classique ou baysien)
Cadre linaire
Papier IFP
Cadre non linaire
non
"Assimilation"
X* est-il alatoire ?
Un modle physique simplifi (analytique, 4 var. incertaines) mais limage dun modle
physico-probabiliste industriel

Critre dintrt = probabilit de dbordement < 10-3

On mesure ( bruits de variances connues) :

4 variables alatoires, triangulaires ou gaussiennes : 3 v.a. de paramtres inconnus, identifier
L
Zm
Z
v
H
dbit Q
Z
c
Ks (frottement)
Zd
|
|
.
|
\
|
+
|
|
.
|
\
| +
= + = +
|
|
.
|
\
|
=
|
|
.
|
\
|
=
V
Z
v
c c
m
U
U
B h
Q
h Z
U d X H U
V
Z
V
Z
Y
.
) , (
*
*
( ) ( )
1
) 1 .(

+ =
= = =
Q e
t
e Q
kn t
m v s Q
X Q Q
B L Q d X X Z Z K X X
Lexemple numrique
des crues
) ( ) , ( h Z Z d X G Z
v seuil
+ = =
5 / 3
. ) ( .
|
|
|
|
.
|
\
|
=
B
L
Z Z
K
Q
h
v m
s
| | { }
3
10 0
1

< <
=
Z P
Z
c
Pour aller plus loin
- Problme ouvert dintrt industriel Statistiques,
mesures et calcul scientifique inverse ,
http://www.jds2006.fr/prob-ouverts.php
- de Rocquigny, La matrise des incertitudes dans un
contexte industriel Journ. Soc. Fran. Stat. n147, 2006,
pp.33-106
- GdR CNRS : MASCOT
- Groupe Incertitudes et Industrie de lInstitut de Matrise
des Risques : www.imdr-asso.fr

MI7 de Rocquigny

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MI7 de Rocquigny

Transféré par

Droits d'auteur :

Formats disponibles

EDF, E.

Vous aimerez peut-être aussi