vendredi 22 juin 2018

Soutenance de thèse de Rémi Stroh (mardi 26 juin)

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.

lundi 11 juin 2018

Prix de thèse AMIES 2018

Les candidatures pour le prix de thèse AMIES 2018 sont ouvertes jusqu'au 3 juillet.




Extrait du site de l'AMIES : "Ce prix de thèse, a été créé en 2013 pour promouvoir les thèses de Mathématiques en entreprise. Il est destiné à récompenser un travail de thèse réalisé en partie en collaboration avec une entreprise et ayant directement des retombées pour celle-ci. Ce travail doit également être pertinent du point de vue de la recherche en mathématique. La thèse doit avoir été soutenue en France dans l'année civile précédant la remise du prix."



vendredi 8 juin 2018

Workshop optimization-and-machine-learning September 2018 Toulouse

I'd like to advertize the following workshop.
http://www.cimi.univ-toulouse.fr/optimisation/en/workshop-optimization-and-machine-learning
Optimization-and-machine-learning
September 10-13
Institut de Mathématiques de Toulouse