Rémi Stroh soutiendra sa thèse mardi prochain, 26 juin, à 14h à CentraleSupélec.
Cette soutenance sera (évidemment) suivie d'un pot...
Pour plus de détails, voir ci-dessous. Venez nombreux !
L'Ecole doctorale STIC
(Sciences et Technologies de l'Information
et de la Communication)
et le Laboratoire de recherche L2S
(Laboratoire des Signaux et Systèmes)
présentent
l’AVIS DE SOUTENANCE de Monsieur Rémi STROH
Autorisé à présenter ses travaux en vue de l’obtention du Doctorat
de l'Université Paris-Saclay, préparé à CentraleSupélec en :
Traitement du signal et des images
« Planification d’expériences numériques en
multi-fidélité. Application à un simulateur d’incendies. »
le MARDI 26 JUIN 2018
à 14h00
à
Amphithéâtre Janet
CentraleSupélec, bâtiment Breguet,
3, rue Joliot-Curie; 91190
Gif-sur-Yvette.
Membres du jury :
M. David GINSBOURGER - Rapporteur
Chercheur senior, Institut de Recherche Idiap (UQOD), Suisse
Professeur titulaire, Université de Berne (IMSV), Suisse
Mme Amandine MARREL - Rapporteur
Ingénieur de Recherche, CEA (DER/SESI), France
M. Hervé MONOD - Examinateur
Directeur de Recherche, INRA (MaIAGE), France
M. Bernard PORTERIE - Examinateur
Professeur, Université d’Aix-Marseille (IUSTI), France
M. Julien BECT - Directeur de thèse
Maître de conférences, CentraleSupélec (L2S), France
Mme Séverine DEMEYER - Encadrante
Docteur-ingénieur, LNE (FranceDMS),
M. Bertrand IOOSS - Invité
Chercheur senior, EDF R&D (PRISME), France
M. Nicolas FISCHER - Encadrant, invité
Docteur-ingénieur, LNE (DMS), France
M. Damien MARQUIS - Encadrant, invité
Docteur-ingénieur, LNE (DCFSI), France
M. Emmanuel VAZQUEZ - Encadrant, invité
Maître de conférences, CentraleSupélec (L2S), France
Résumé :
Les travaux présentés
portent sur l'étude de modèles numériques multi-fidèles,
déterministes ou stochastiques. Plus précisément, les modèles
considérés disposent d'un paramètre réglant la qualité de la
simulation, comme une taille de maille dans un modèle par
différences finies, ou un nombre d'échantillons dans un modèle de
Monte-Carlo. Dans ce cas, il est possible de lancer des
simulations basse fidélité, rapides mais grossières, et des
simulations haute fidélité, fiables mais coûteuses. L'intérêt
d'une approche multi-fidèle est de combiner les résultats obtenus
aux différents niveaux de fidélité afin d'économiser du temps de
simulation. La méthode considérée est fondée sur une approche
bayésienne. Le simulateur est décrit par un modèle de processus
gaussiens multi-niveaux développé dans la littérature que nous
adaptons aux cas stochastiques dans une approche complètement
bayésienne. Ce méta-modèle du simulateur permet d'obtenir des
estimations de quantités d'intérêt, accompagnés d'une mesure de
l'incertitude associée. L'objectif est alors de choisir de
nouvelles expériences à lancer afin d'améliorer les estimations.
En particulier, la planification doit sélectionner le niveau de
fidélité réalisant le meilleur compromis entre coût d'observation
et gain d'information. Pour cela, nous proposons une stratégie
séquentielle adaptée au cas où les coûts d'observation sont
variables. Cette stratégie, intitulée "Maximal Rate of Uncertainty
Reduction" (MRUR), consiste à choisir le point d'observation
maximisant le rapport entre la réduction d'incertitude et le coût.
La méthodologie est illustrée en sécurité incendie, où nous
cherchons à estimer des probabilités de défaillance d'un système
de désenfumage.
Abstract :
The presented works focus
on the study of multi-fidelity numerical models, deterministic or
stochastic. More precisely, the considered models have a parameter
which rules the quality of the simulation, as a mesh size in a
finite difference model or a number of samples in a Monte-Carlo
model. In that case, the numerical model can run low-fidelity
simulations, fast but coarse, or high-fidelity simulations,
accurate but expensive. A multi-fidelity approach aims to combine
results coming from different levels of fidelity in order to save
computational time. The considered method is based on a Bayesian
approach. The simulator is described by a state-of-art multilevel
Gaussian process model which we adapt to stochastic cases in a
fully-Bayesian approach. This meta-model of the simulator allows
estimating any quantity of interest with a measure of uncertainty.
The goal is to choose new experiments to run in order to improve
the estimations. In particular, the design must select the level
of fidelity meeting the best trade-off between cost of observation
and information gain. To do this, we propose a sequential strategy
dedicated to the cases of variable costs, called Maximum Rate of
Uncertainty Reduction (MRUR), which consists of choosing the input
point maximizing the ratio between the uncertainty reduction and
the cost. The methodology is illustrated in fire safety science,
where we estimate probabilities of failure of a fire protection
system.
