Quelques problématiques en aéroélasticité stochastique

Dimension: px
Commencer à balayer dès la page:

Download "Quelques problématiques en aéroélasticité stochastique"

Transcription

1 Quelques problématiques en aéroélasticité stochastique J-C Chassaing, D. Lucor, A. Vincenti C.T. Nitschke (PhD Student) J. Maruani, M. Touil (Masters Student) Axe transverse Interactions Fluide-Structure Institut d Alembert, Université Pierre et Marie Curie Journée Optimisation sous incertitude, ONERA Palaiseau, 12 nov Optimisation sous incertitude, ONERA 1 / 30

2 Cadre général Interactions Fluide-Structure Structure : corps profilés Aérodynamique: incompressible supersonique Instabilités dynamiques: telles que les charges aérodynamiques dépendent du mouvement même de la structure Conséquences: - usure prématurée, ruine immédiate - certification nécessaire Optimisation sous incertitude, ONERA 2 / 30

3 Cadre général Interactions Fluide-Structure Structure : corps profilés Aérodynamique: incompressible supersonique Instabilités dynamiques: telles que les charges aérodynamiques dépendent du mouvement même de la structure Conséquences: - usure prématurée, ruine immédiate - certification nécessaire Variables d intérêt: Vitesse de flottement Amplitude des cycles limites Optimisation sous incertitude, ONERA 2 / 30

4 Quantification d incertitudes en Aéroélasticité Principe : U f = f i ( x) + ˆε i Nature des incertitudes: - f i : modèle - x paramétrique - ˆε i différence entre observation et prédiction (Poirion 2000, Romero 2001, Pettit 2003, Livne 2003) Les grandes étapes... Propagation directe (solveurs non-intrusifs), analyse de sensibilité Inférence statistique, optimisation robuste... dans un environnement hostile : Non-linéarité, dimensionnalité, modèles déterministes haute fidélité multi-physiques Optimisation sous incertitude, ONERA 3 / 30

5 Quelques problématiques en aéroélasticité stochastique Plan de l exposé 1 Quantification d incertitudes paramétriques : Solveur déterministe CFD haute fidélité Problème fortement non-linéaire Flottement de structure en matériaux composites 2 Propagation d incertitudes de modèles et calibration 3 Optimisation robuste avec critères aéroélastiques 4 Perspectives Optimisation sous incertitude, ONERA 4 / 30

6 1.1 Quantification d incertitudes en cfd compressible Profil d aile en présence d incertitudes aérodynamiques Couplage Chaos polynomial généralisé (gpc) / rsm-rans 2D Naca 0012 (Re ), écoulement transsonique stationnaire Paramètres incertains variable distribution polynômes 1. angle d attaque: α = 5 ± 1 deg uniforme Legendre (P = 7) 2. nombre de Mach: M = 0.65 ± 0.05 uniforme Legendre (P = 7) PDF et coefficients de sensibilité Isentropic Mach number M is Chassaing, Lucor, AIAA J. 45(8) 2010 Optimisation sous incertitude, ONERA 5 / 30

7 1.1 Quantification 1.4 d incertitudes en 1.4 cfd compressible nq=6 Profil d aile en présence d incertitudes nq=7 aérodynamiques Couplage 0.6 Chaos polynomial généralisé (gpc) / rsm-rans 2D Naca 0012 (Re ), écoulement transsonique stationnaire 0.2 Paramètres incertains 0 variable distribution polynômes x/c 1. angle d attaque: α = 5 ± 1 deg uniforme Legendre x/c (P = 7) 2. nombre de Mach: M = 0.65 ± 0.05 uniforme Legendre (P = 7) M is Variances de c p et c f nq=2 nq=3 nq=4 nq=5 nq=8 en fonction de P M is nq=2 nq=3 nq=4 nq=5 nq=6 nq=7 nq= Fig. C1 Effect of the number of collocation points n q on the distribution of the mean value of M is for case D, 5 deg and M1 0: CHASSAING AND LUCOR σ 2 C p p = 2 p = 3 p = 4 p = 5 p = 6 p = 7 σ 2 C f ( 106 ) x/c x/c Fig. C2 Influence Importance of the polynomial du ratioorder x/ ξ P on the pressure 1 coefficient C p and the skin-friction C f variances along the airfoil surfaces (case D). Convergence lente: gpc à support global n est pas adapté à la CFD non-linéaire cessary Optimisation to increase sous theincertitude, number of collocation ONERA points per random (Fig. C2, right). Indeed, the skin friction is avery sensitivequantity 5 / to 30

8 1.1 Quantification d incertitudes en cfd compressible Pour aller plus loin: couplage uq-adaptative/cfd pour N d 10 Approche par collocation adaptative et anisotrope grilles creuses et interpolations hiearchiques (Klimke, 2006) Solveur déterministe: rans Configuration: Tuyère transsonique kth-vm100 (Bron, 2006) 6 incertitudes : P tin, P out, T u, l t, h bump,l bump mean 2Dp 2Dg 3D 4D 6D # samples variance # samples Gorle, Labit, Lucor, Chassaing, submitted to IFASD 2013, June, Bristol [UK] anr-capcao, Conception Assistée par Paramétrisation pour une Conception Aéroélastique Optimisée (ecl, upmc, fluorem) Optimisation sous incertitude, ONERA 6 / 30

9 1.2 Aéroélasticité non-linéaire stochastique Profil à 2 dll en flexion/torsion α k α h k ξ a h b x α b Modèle déterministe ( ) ξ,, + x αα,, ω ω 2 + 2ζ ξ U ξ, + U k ξ ξ = 1 πµ C L(τ) ( ) x α rα 2 ξ,, + α,, + 2 ζα U α, + U k(α) = πµrα 2 C M (τ) Formulation analytique de l opérateur aérodynamique instationnaire (Lee et al. JSV 2005) Modèle de raideur pentique rigidifiant (k α3 > 0) ou assouplissant (k α3 < 0) k(α) = k α1 α + k α3 α 3 + k α5 α 5 Optimisation sous incertitude, ONERA 7 / 30

10 1.2 Formulation gpc multi-éléments adaptative (ME-gPC) 1. Partionnement de l espace aléatoire Décomposition D de B = d i=1[a i, b i ] Nouvelle variable aléatoire ξ k et sa PDF conditionnelle ˆf k (ξ k I Bk = 1) Approximation gpc par morceaux du champ aléatoire N e N e M u r (ξ) = û k (ξ k )I Bk = û k,j Φ k,j (ξ k )I Bk 2. h-adapativité k=1 k=1 j=0 Estimation du taux de décroissance de l erreur relative de la variance η k = σ2 k,p σk,p 1 2 M P, σ 2 σk,p 1 2 k,p = ûk,je[φ 2 2 k,j] Critère adaptatif: η γ k Pr(I B k = 1) θ 1 Réduction du coût global par raffinement anisotrope Wan and Karniadakis, JCP 209(2005) Foo, Wan and Karniadakis, JCP 227(2008) j=1 Optimisation sous incertitude, ONERA 8 / 30

11 1.2 Diagramme de bifurcation stochastique et convergence αa (deg) σkα 1 = 0.2;σkα 3 = 0.75 σkα 1 = 0 ;σkα 3 = 0.75 σkα 1 = 0 ;σkα 3 = 0 PDF Normalized errl2(σ αa ) e-05 1e U U* U = 6.34 U = P = 2 P = 3 P = 4 P = 5 1e-07 irregular RS 1e N errl2(σ 2 α A ) e-05 1e-06 1e-07 1e-08 1e-09 1e-10 1e-11 1e smooth RS N Optimisation sous incertitude, ONERA 9 /

12 1.3 Flottement de structures composites stratifiées Objectif Influence sur la vitesse de flottement (cadre linéaire) des incertitudes de fabrication et de mesure pour des ailes en matériaux composites stratifiés (modèle poutre composite) Sources d incertitude Module de Young et coefficients matériau, épaisseurs et orientation des angles des couches Modèle aéroélastique stochastique Structure: opérateur Rayleigh Ritz de type poutre / solveur aéroélastique V-g Aérodynamique: opérateur incompressible instationnaire analytique Solveur stochastique : Monte-carlo Etat de l art Optimisation déterministe par AG + LHS (Manan, Eng. Optim., 2010) Quantification d incertitudes pour l aéroélasticité de matériaux composites: Solveur Rayleigh-Ritz plaque + Lamination Parameters + gpc (Scarth & Cooper, 2012) Optimisation sous incertitude, ONERA 10 / 30

13 1.3 Flottement de structures composites stratifiées Modèle de poutre composite Théorie des composites stratifiés (CLT), Fibre unidirectionnelle par couche Solveur aéroélastique Rayleigh-Ritz + aérodynamique analytique + solveur V g Surface de réponse: séquence [β + δ/ β + δ/β + δ/ β + δ] s (!) sauts de modes aéroélastiques Optimisation sous incertitude, ONERA 11 / 30

14 1.3 Flottement de structures composites stratifiées Quantification d incertitudes par qmc Distributions Uniformes de ±3% (4 modules matériau, épaisseur et orientation par couche) = variations de 5 à 10 % sur V f Inconvénients Convergence lente, coût élevé si utilisation avec un modèle haute fidélité Dimensionalité du problème stochastique Interprétation physique de la sensibilité de la marge au flottement aux incertitudes délicate Optimisation sous incertitude, ONERA 12 / 30

15 1.3 Flottement de structures composites stratifiées Représentation polaire du stratifié (Verchery, 1979 ; Vannucci, Meccanica, 2005) Représentation par invariants, adaptée au changement de repère Les symétries du matériau sont facilement identifiables Réduction de la dimensionalité du problème par paramétrisation (N max d = 12) Statistique des paramètres polaires par MCs Représentation par les invariants de la séquence [β/ β/β/ β] s: φ 1 : direction de l axe d orthotropie, R 1 : rayon invariant R 0 cos4(φ 0 φ 1 ), R 0 sin4(φ 0 φ 1 ) Réponse de V f Distribution des paramètres polaires de flexion Optimisation sous incertitude, ONERA 13 / 30

16 2. UQ and model updating in aeroelasticity Uncertainty breakdown V f = f i (x, ξ) + ˆε i Lack of accuracy of a given model for a particular scenario Several competing models for the same physical phenomenon Sources of uncertainty - f i : model-form - ξ: parametric uncertainty - ˆε i : predictive uncertainty Reducing uncertainties and model updating Bayesian updating to Goland wing flutter with PC: Dwight et al., 2011 Adjustment factors approach: Riley and Grandhi, 2011 Bayesian model selection for nonlinear aeroelastic systems: Sandhu, Khalil et al., 2014 Nitchke et al., WCCM XI, July 2014 Barcelona Optimisation sous incertitude, ONERA 14 / 30

17 2. BMA: Deterministic aeroelastic model Flutter of a typical airfoil section (a) 2-DOF aeroelastic model b b ( PDF (Tw 0.16 α a h b x α b h k α k h 0.04 Governing equations ḧ b xα α h ω2 h b + PDF 0.8 Flutter Solution Method: Iterative frequency 0.2 matching V g method 0.6 L = 0 rα 2 ḧ α x α b r αω 2 αα 2 + Mα = 0 mb 2 (c) Critical flutter velocity (Two-states mb Theodorsen s approximation) exp. (Û L initial ) adjusted Incompressible flow, linear stiffnessess, no mechanical damping 0.4 Quantity of Interest and observation data: critical flutter speed V f 0 10 p(ul Û L 0.8 e a 0.6 a B Optimisation sous incertitude, ONERA U 15 / 430

18 2. BMA: Model-form uncertainty Flow model for harmonic motion High fidelity FEM-CFD based aeroelastic solver Low-order aerodynamic model: account for added-mass, quasi steady effects and wake vorticity with k = ωb U L = ρb 2 ( ) Uπ α + πḧ πba h α 2πρUbC(k) ( M α = ρb [π a h ( +2ρUb 2 1 π 2 + a h the reduced frequency { Uα + ḣ + b ( 1 2 a h ) ( ) ] Ub α + πb a2 h α a h πbḧ ) { ( ) } 1 C(k) Uα + ḣ + b 2 a h α Theodorsen s transfer function C(k) as structural uncertainty Riley (2011) constructs an adjusted model using 6 individual approximations of C(k) Present work: the model class is based on two surrogate models of C(k) with tunable (stochastic) coefficients C 4 (k) = 1 + α 1ik + α 2 k α 3 ik + α 4 k 2 C 8 (k) = β 1 + β 2 ik β 3 k 2 β 4 ik 3 + k 4 β 5 + β 6 ik β 7 k 2 β 8 ik 3 + 2k 4 Optimisation sous incertitude, ONERA 16 / 30 ) } α

19 2. BMA problem set-up Experimental data a b c d exp. case Scenario : varying frequency ratio ω h /ω α ωh/ωa Data set : D = {d a, d b, d c, d d } c d b a exp. case Observed variable: flutter velocity V f speed V f Objective: Given a set of models M = {C 4 (k), C 8 (k)} with uncertain coefficients α i, β j and experimental data D : 1 Calibrate the stochastic model coefficients using D 2 Summarize the effect of model-form uncertainty to make robust predictions of new cases 1 Optimisation sous incertitude, ONERA 17 / 30

20 2. BMA Statistical model (1/3) Bayesian Model Averaging (BMA) p(q D) = m p(q D, M i )P(M i D) i=1 p(q D) : distribution of the adjusted model of variable of interest q p(q D, M i ) : robust predictive distribution of model M i P(M i D) : posterior model probability here: q = V f, M = {C 2(k), C 4(k)} and D = {d a, d b, d c, d d } Optimisation sous incertitude, ONERA 18 / 30

21 2. BMA Statistical model (2/3) Robust predictive distribution p(q D, M i ) p(q D, M i ) = p(q, θ i, M i )p(θ i D, M i )dθ i with θ the model coefficients Predictive distribution p(q θ, D, M i ) (using Gaussian noise N (0, σ 2 )) ( 1 p(q θ i, M i ) = (2πσi ) exp (q y(θ ) i, M i )) 2 2σi 2 Likelihood function f N f N (D θ i, M i ) = Π n d j=1 1 2πσ 2 i exp ( (y(θ ) i, M i ) d j ) 2 2σ 2 i Posterior of the model coefficients p(θ i D, M i ) p(θ i D, M i ) = kf N (D θ i, M i )p(θ i M i ) Optimisation sous incertitude, ONERA 19 / 30

22 2. BMA Statistical model (3/3) Model probability P(M i D) P(M i D) = P(D M i )P(M i ) m j=1 P(D M j)p(m j ) P(M i ) : individual model probability of the prior (Uniform distribution) P(D M i ) : marginal likelihood P(D M i ) = f N (D θ, M i )p(θ M i )dθ with p(θ M i ) : prior density Practical considerations The likelihood f N is sampled using Markov-Chain Monte-Carlo applied to the V g solver The marginal posterior p(q D, M i ) is evaluated using basic Monte Carlo Optimisation sous incertitude, ONERA 20 / 30

23 2. BMA Calibration results Bayesian information criteria BIC = 2 ln(p(d M)) Influence of σ for D = {d a, d b, d c, d d } Inference with σ as hyperparameter Conclusion: optimal values strongly differ Optimisation sous incertitude, ONERA 21 / 30

24 2. BMA Calibration results Posterior of V f for C 8 (k) PDF 2 case A PDF 2 case B V f V f PDF 2 case C PDF 2 case D V f V f prior posterior Optimisation sous incertitude, ONERA 22 / 30

25 2. BMA Calibration results Posterior of model coefficients for C 8 (k) Adaptation of parameters coincides with sensitivity Selecting σ carrefully allows better adaption σ too low leads to overadaptation to certain (not all) points Optimisation sous incertitude, ONERA 23 / 30

26 2. BMA Prediction results c d b a exp. case Combined model from BMA 6.41 PDF p(q D, C 4) p(q D, C 8) p(q D) speed V f V f Model probability C 4(k) C 8(k) σ = σ = HPI Optimisation sous incertitude, ONERA 24 / 30

27 3. Optimisation aéroélastique robuste: les premiers pas... Objectif: Optimisation de la marge au flottement en présence d incertitudes paramétriques Cadre de l étude: Aéroélasticité linéaire, solution analytique du flottement (solveur Rayleigh-Ritz, écoulement incompressible), nb de V.A modéré (N < 10) Optimiseur: - Algorithme Génétique - Méthode ADP pour la prise en compte des contraintes - Optimisation en poids d un caisson d aile stratifié (contraintes mécaniques et de faisabilité sur les paramètres polaires) (Montemurro et al., J Optim Theory Appl 2012) Solveur stochastique: - quasi Monte-Carlo (qmc) - Chaos Polynomial généralisé (gpc) Optimisation sous incertitude, ONERA 25 / 30

28 3. Optimisation robuste Problème jouet #1 Profil d aile en flexion-torsion Optimisation déterministe (Nikbay TWMS J. App. Eng. Math., 2011) max {V f }, g 1 = ω 1 0, g 2 = r α 1 0 s d S S = {s d R, s lower s d s upper } ; s d = {k, x α, I α, m} Surface de response Capture de l optimum (déterministe) sur les frontières: = Algorithme génétique Surface de réponse régulière + dimension modérée = gpc candidat potentiel Optimisation sous incertitude, ONERA 26 / 30

29 3. Optimisation robuste Problème jouet #1: profil en flexion/torsion Formulation du problème d optimisation max{e Vf }, g 1 = ω 1 0, g 2 = r α 1 0, g 3 = COV(V f ) 2.5 S = {s det, s prob R, s lower s det s upper, s prob = N(µ, σ 2 )} s det = {k, I α} s prob = {x α, m} Flutter index Ecart-type Moyenne CoV (%) Cas initial Opti déterministe Opti robuste Optimisation sous incertitude, ONERA 27 / 30

30 3. Optimisation robuste en aéroélasticité Exemple 2: Aile avec effet de flèche et corde variable Formulation du problème max{e Vf } S = {s det, s prob R, s lower s det s upper, s prob = N(µ, σ 2 )} s det = {λ, R}, s prob = {ω 1, ω 2 } Temps de calcul: solveur Rayleigh-Ritz/AG/gPC Simulation déterministe AG + gpc AG/gPC AG/gPC AG/gPC AG/gPC N design N UQ Temps 4 sec 1h 4h 4h 16h 32h 50 individus, 20 générations, P = 3 Optimisation sous incertitude, ONERA 28 / 30

31 3. Optimisation robuste en aéroélasticité: Conclusion Développement d une approche low-fidelity pour l optimisation robuste en aéroélasticité linéaire Réduction des coûts de calcul: Etude en cours 1 Calcul stochastique en grande dimension/solution régulière = Quadrature de Stroud (N P=2 = N d + 1 et N P=3 = 2N d ) 2 Méta-modèle à deux niveaux 1. échantillonnage gpc sélectif sur un sous-ensemble d individus 2. Calcul des statistiques des individus restants par interpolations des coefficients modaux Optimisation sous incertitude, ONERA 29 / 30

32 4. Conclusion générale Objectifs des travaux en Aéroélasticité stochastique Capacités prédictives des modèles stochastiques de marge au flottement/lco limitation des surdimensionnements Intégration des solveurs stochastiques dans des boucles d optimisation / calibration Réduction du temps de développement et diminution des cycles conception/essais Bilan Problèmes stochastiques directs - Possibilité de sélectionner le solveur stochastique (qmc, gpc, me-gpc, ASGC) en fonction de la raideur/dimensionnalité du problème - Utilisation avec des modèles haute fidélité (CFD/E.F) et réalistes (matériaux composites) (N < 10) Inférence statistique (BMA) et optimisation robuste (AG/gPC) - Algorithmes conventionnels déployés sur des modèles physiques réduits Perspectives - Développement d approches multi-fidélité pour l optimisation sous incertitudes - La calibration Bayésienne peut être envisagée en amont de la phase de calibration Optimisation sous incertitude, ONERA 30 / 30

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Prise en compte de la stochasticité dans les modèles : optimisation robuste

Prise en compte de la stochasticité dans les modèles : optimisation robuste Prise en compte de la stochasticité dans les modèles : optimisation robuste Rodolphe Le Riche (CNRS & EMSE) & Victor Picheny (INRA) La Rochelle, 5/11/2014 Plan Introduction 1 Introduction 2 Formulations

Plus en détail

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 La méthode CGSM pour l analyse statique des plaques avec variabilité Mahyunirsyah MAHJUDIN 1,2 *, Frédéric DRUESNE 1, Irwan KATILI

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique Proposition de thèse CIFRE CERMICS-EDF Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique 13 Janvier 2015 1 Contexte industriel et problématique En tant qu équipement

Plus en détail

Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé

Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé Guilhem Mollon 1, Daniel Dias 2, Abdul-Hamid Soubra 3 1 Doctorant, Laboratoire de Génie Civil

Plus en détail

Méthodes de Simulation

Méthodes de Simulation Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents

Plus en détail

Détermination des fréquences propres d une structure avec paramètres incertains

Détermination des fréquences propres d une structure avec paramètres incertains Détermination des fréquences propres d une structure avec paramètres incertains Etienne ARNOULT Abdelhamid TOUACHE Pascal LARDEUR Université de Technologie de Compiègne Laboratoire Roberval BP 20 529 60

Plus en détail

Ecoulements 2D décollés autour d un mât et d une voile. B. Haddad, B. Lepine (Ecole Navale) Contact: chapin@ensica.fr

Ecoulements 2D décollés autour d un mât et d une voile. B. Haddad, B. Lepine (Ecole Navale) Contact: chapin@ensica.fr Ecoulements 2D décollés autour d un mât et d une voile V.G. Chapin,, S. Jamme (ENSICA) B. Haddad, B. Lepine (Ecole Navale) Contact: chapin@ensica.fr Aérodynamique du voilier Analyser & optimiser les performances

Plus en détail

Une approche pour un contrôle non-linéaire temps réel

Une approche pour un contrôle non-linéaire temps réel Une approche pour un contrôle non-linéaire temps réel L. Mathelin 1 L. Pastur 1,2 O. Le Maître 1 1 LIMSI - CNRS Orsay 2 Université Paris-Sud 11 Orsay GdR Contrôle des décollements 25 Nov. 2009 Orléans

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Analyse et Commande de Microscope à Effet Tunnel (STM)

Analyse et Commande de Microscope à Effet Tunnel (STM) Analyse et Commande de Microscope à Effet Tunnel (STM) Présenté par: Irfan Ahmad (Doctorant en 2 éme année) Encadré par: Alina Voda & Gildas Besançon GIPSA-lab, Département Automatique Grenoble, France

Plus en détail

Modélisation et simulation d événements rares. Josselin Garnier (Université Paris Diderot)

Modélisation et simulation d événements rares. Josselin Garnier (Université Paris Diderot) Modélisation et simulation d événements rares Josselin Garnier (Université Paris Diderot) 2 Traitement des incertitudes En anglais : uncertainty quantification. Problème général : Comment modéliser les

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Optimisation en poids de structures composites

Optimisation en poids de structures composites Optimisation en poids de structures composites stratifiées Marco Montemurro, Angela Vincenti, Paolo Vannucci, Ahmed Makradi To cite this version: Marco Montemurro, Angela Vincenti, Paolo Vannucci, Ahmed

Plus en détail

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU $SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le

Plus en détail

Prise en compte de la flexibilité des cas de charges dimensionnants en optimisation de structure

Prise en compte de la flexibilité des cas de charges dimensionnants en optimisation de structure CSMA 213 11e Colloque National en Calcul des Structures 13-17 Mai 213 Prise en compte de la flexibilité des cas de charges dimensionnants en optimisation de structure Dimitri BETTEBGHOR 1, Christophe BLONDEAU

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Aérodynamique Numérique

Aérodynamique Numérique Aérodynamique Numérique Dominique BLANC Rodolphe GOURSEAU 16 mars 2005 TABLE DES MATIÈRES ii Table des matières Introduction iii 1 Maillage non structuré 1 1.1 Préparation du maillage.....................

Plus en détail

Imputation multiple pour variables qualitatives par analyse des correspondances multiples

Imputation multiple pour variables qualitatives par analyse des correspondances multiples Imputation multiple pour variables qualitatives par analyse des correspondances multiples Vincent Audigier & François Husson & Julie Josse Laboratoire de mathématiques appliquées, Agrocampus Ouest 65 rue

Plus en détail

Quelques axes de développement méthodologique en optimisation géométrique de formes aérodynamiques dans un contexte MDO

Quelques axes de développement méthodologique en optimisation géométrique de formes aérodynamiques dans un contexte MDO Quelques axes de développement méthodologique en optimisation géométrique de formes aérodynamiques dans un contexte MDO J.-A. Désidéri, INRIA Sophia Antipolis, desideri@sophia.inria.fr 16 Mars 2004 On

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Instabilités bi- et tridimensionnelles dans une couche limite décollée compressible subsonique

Instabilités bi- et tridimensionnelles dans une couche limite décollée compressible subsonique Instabilités bi- et tridimensionnelles dans une couche limite décollée compressible subsonique M. Merle a,b, U. Ehrenstein b, J-C. Robinet a a. Laboratoire DynFluid - Arts et Métiers ParisTech, 151 Boulevard

Plus en détail

Méthodes et Applications en Aéronautique

Méthodes et Applications en Aéronautique Méthodes et Applications en Aéronautique Eric MANOHA Département Simulation Numérique des Ecoulements et Aéroacoustique Office National d Études et de Recherches Aérospatiales www.onera.fr Plan Contexte

Plus en détail

Catalogue de formation

Catalogue de formation Enregistré sous le numéro : 11 91 012 9991 auprès du Commissaire de la République de la Région Ile de France et du Département de Paris, CADLM propose un ensemble de formation dont les programmes sont

Plus en détail

Figure 3.1- Lancement du Gambit

Figure 3.1- Lancement du Gambit 3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh

Plus en détail

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli?

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Bayesian Experimental Design: A Review Statistical Science, Vol. 10, No. 3 Sophie Ancelet 1, 2 1 UMR 518 AgroParisTech/INRA, Département

Plus en détail

optimisation robuste de réseaux de télécommunications

optimisation robuste de réseaux de télécommunications optimisation robuste de réseaux de télécommunications Orange Labs Laboratoire Heudiasyc, UMR CNRS 6599, Université de Technologie de Compiègne Olivier Klopfenstein thèse effectuée sous la direction de

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Puissance d un test de détection de zones de changement abrupt dans le plan

Puissance d un test de détection de zones de changement abrupt dans le plan Puissance d un test de détection de zones de changement abrupt dans le plan Edith Gabriel & Denis Allard Institut National de la Recherche Agronomique, Unité de Biométrie Domaine saint Paul, site agroparc,

Plus en détail

Sélection de modèles avec l AIC et critères d information dérivés

Sélection de modèles avec l AIC et critères d information dérivés Sélection de modèles avec l AIC et critères d information dérivés Renaud LANCELOT et Matthieu LESNOFF Version 3, Novembre 2005 Ceci n est pas une revue exhaustive mais une courte introduction sur l'utilisation

Plus en détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

Plus en détail

Post-processing of multimodel hydrological forecasts for the Baskatong catchment

Post-processing of multimodel hydrological forecasts for the Baskatong catchment + Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:

Plus en détail

T.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY

T.P. FLUENT. Cours Mécanique des Fluides. 24 février 2006 NAZIH MARZOUQY T.P. FLUENT Cours Mécanique des Fluides 24 février 2006 NAZIH MARZOUQY 2 Table des matières 1 Choc stationnaire dans un tube à choc 7 1.1 Introduction....................................... 7 1.2 Description.......................................

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Les processus d évolution génétique en filtrage de signaux et en analyse de risques

Les processus d évolution génétique en filtrage de signaux et en analyse de risques Les processus d évolution génétique en filtrage de signaux et en analyse de risques P. Del Moral IRIA Centre Bordeaux-Sud Ouest Séminaire de Stat. et Santé Publique de l IFR 99, décembre 08 qq-références

Plus en détail

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs.

Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. H. ZAÏDI a, S. FOHANNO a, R. TAÏAR b, G. POLIDORI a a Laboratoire

Plus en détail

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME

OÙ EN EST-ON? ABANDONNER L IDÉE D AVOIR UN ALGORITHME OÙ EN EST-ON? Que faire face à un problème dur? AAC S.Tison Université Lille1 Master1 Informatique Quelques schémas d algorithmes Un peu de complexité de problèmes Un peu d algorithmique avancée ou Que

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

Etude de l écoulement d un fluide entre deux plans parallèles munis d obstacles

Etude de l écoulement d un fluide entre deux plans parallèles munis d obstacles ème Congrès Français de Mécanique Bordeaux, 6 au 3 août 3 Etude de l écoulement d un fluide entre deux plans parallèles munis d obstacles. BODIF, F. DNNE,.K. BENKL niversité des Sciences et de la Technologie

Plus en détail

Projet ARTEMIS - processus multiniveau Thierry Lefebvre, Peter Schmollgruber / DCPS

Projet ARTEMIS - processus multiniveau Thierry Lefebvre, Peter Schmollgruber / DCPS Projet ARTEMIS - processus multiniveau Thierry Lefebvre, Peter Schmollgruber / DCPS JSO MDO Onera 25 et 26 janvier 2012 Plan de la présentation La conception avant projet avion à l'onera La plateforme

Plus en détail

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault Club_Saturne 2007 Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique Emmanuel Demaël, Damien Bilbault 27 novembre 2007 Introduction Contexte : Objectifs : Répondre

Plus en détail

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci 59 ISSN 1813-3290, http://www.revist.ci RÉGRESSION LOGISTIQUE DANS LES ESSAIS CLINIQUES PAR MCMC Ahlam LABDAOUI * et Hayet MERABET Département de Mathématiques, Université Mentouri-Constantine, Route d

Plus en détail

Investigation of stability of aeroleastic systems excited by multiplicative noise

Investigation of stability of aeroleastic systems excited by multiplicative noise Investigation of stability of aeroleastic systems excited by multiplicative noise Irmela Zentner To cite this version: Irmela Zentner. Investigation of stability of aeroleastic systems excited by multiplicative

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Tavakoli, Shahin Fourier analysis of functional time series, with applications to DNA... 2014

Tavakoli, Shahin Fourier analysis of functional time series, with applications to DNA... 2014 resultats sont ensuite utilises pour construire des estimateurs des operateurs de densite spectrale bases sur des versions lissees du periodogramme, le generalisation fonctionnelle de la matrice de periodogramme.

Plus en détail

Interaction Fluide-Structure pour les corps élancés

Interaction Fluide-Structure pour les corps élancés Interaction Fluide-Structure pour les corps élancés DE NAYER GUILLAUME a, LEROYER ALBAN a, VISONNEAU MICHEL a, BOYER FRÉDÉRIC b a: Laboratoire de Mécanique des Fluides (LMF) UMR-CNRS 698, Ecole Centrale

Plus en détail

Optimisation des transitions de phases de vol pour un drone capable de vol stationnaire et de vol en translation rapide

Optimisation des transitions de phases de vol pour un drone capable de vol stationnaire et de vol en translation rapide Damien Poinsot 1/6 Optimisation des transitions de phases de vol pour un drone capable de vol stationnaire et de vol en translation rapide Damien POINSOT Directeur(s) de thèse : Caroline Bérard et Alain

Plus en détail

Modélisation & simulation des groupes motopropulseurs. p. 129 à 132

Modélisation & simulation des groupes motopropulseurs. p. 129 à 132 Modélisation & simulation des groupes motopropulseurs ff p. 129 à 132 Fondamentaux Peut être organisé en intra-entreprise Introduction à la modélisation & la simulation des GMP & du contrôle 5 Jours

Plus en détail

Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné

Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné Romain Guigourès, Marc Boullé Orange Labs 2 avenue Pierre Marzin 22307 Lannion Cedex {romain.guigoures, marc.boulle}@orange-ftgroup.com

Plus en détail

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent Classification Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent La classification a pour objet de regrouper des données en classes possédant des caractéristiques similaires. La

Plus en détail

APPLICATION DE LA METHODE DE MONTE CARLO DANS L'ANALYSE DE LA STABILITÉ DES PENTES

APPLICATION DE LA METHODE DE MONTE CARLO DANS L'ANALYSE DE LA STABILITÉ DES PENTES Journées Nationales de Géotechnique et de Géologie de l'ingénieur - JNGG' 2006 Lyon (France) APPLICATION DE LA METHODE DE MONTE CARLO DANS L'ANALYSE DE LA STABILITÉ DES PENTES Mbarka SELMI 1, Mounir LTIFI

Plus en détail

UNIVERSITÉ DE MONTRÉAL CONCEPTION AÉRODYNAMIQUE D UN PROFIL D AILE TRANSSONIQUE LAMINAIRE ADAPTABLE AUX CONDITIONS DE VOL

UNIVERSITÉ DE MONTRÉAL CONCEPTION AÉRODYNAMIQUE D UN PROFIL D AILE TRANSSONIQUE LAMINAIRE ADAPTABLE AUX CONDITIONS DE VOL UNIVERSITÉ DE MONTRÉAL CONCEPTION AÉRODYNAMIQUE D UN PROFIL D AILE TRANSSONIQUE LAMINAIRE ADAPTABLE AUX CONDITIONS DE VOL MARTIN ROBITAILLE DÉPARTEMENT DE GÉNIE MÉCANIQUE ÉCOLE POLYTECHNIQUE DE MONTRÉAL

Plus en détail

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION Un nouveau critère basé sur les arbres de longueur minimale pour déterminer la qualité de la répartition spatiale des points d un plan d expériences numériques en phase exploratoire. J. Franco *1, O. Vasseur

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

ENSE3 - API/CSPI et Master Automatique - 2008/2009

ENSE3 - API/CSPI et Master Automatique - 2008/2009 ENSE3 - API/CSPI et Master Automatique - 28/29 DS Commande robuste - - 19 janvier 29 Nom Prénom Signature ATTENTION: Mettre votre nom et répondre directement sur les feuilles de l énoncé. Justifiez vos

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Résumé. Abstract. Key words, Tow dimensional flow, Cylinder perpendicular a flow, Heat transfer Tube bundle, Models of turbulence k-ε, k-ω et SST-kω.

Résumé. Abstract. Key words, Tow dimensional flow, Cylinder perpendicular a flow, Heat transfer Tube bundle, Models of turbulence k-ε, k-ω et SST-kω. Résumé Le travail du présent mémoire porte, d abord, sur la simulation numérique de l écoulement bidimensionnel d un fluide incompressible se produisant autour d un cylindre placé perpendiculairement à

Plus en détail

Approximation polynomiale de la densité de probabilité

Approximation polynomiale de la densité de probabilité Approximation polynomiale de la densité de probabilité Applications en assurance P.O. Goffard Axa France - Institut de Mathématiques de Marseille I2M Aix-Marseille Université Soutenance de thèse de doctorat

Plus en détail

Probabilité et méthodes de fiabilité utilisées en géotechnique

Probabilité et méthodes de fiabilité utilisées en géotechnique Probabilité et méthodes de fiabilité utilisées en géotechnique Fernando Lopez-Caballero Laboratoire MSS-Mat École Centrale Paris fernando.lopez-caballero@ecp.fr 4 février 2011 Plan général Formulation

Plus en détail

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs G. TISSOT, L. CORDIER, B. R. NOACK Institut Pprime, Dpt. Fluides, Thermique et Combustion, 8636 Poitiers

Plus en détail

Modélisation thermo-élasto-hydrodynamique d un joint de pompe primaire

Modélisation thermo-élasto-hydrodynamique d un joint de pompe primaire Modélisation thermo-élasto-hydrodynamique d un joint de pompe primaire Erwan Galenne EDF R&D, Département Analyses Mécaniques et Acoustique, 1 Avenue du Général de Gaulle, 92140 Clamart erwan.galenne@edf.fr

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Analyse de sensibilité: mesure de l importance des facteurs par décomposition de la variance

Analyse de sensibilité: mesure de l importance des facteurs par décomposition de la variance Analyse de sensibilité: mesure de l importance des facteurs par décomposition de la variance École Chercheur Mexico Hervé Monod INRA - Unité MIA de Jouy-en-Josas Valpré, le 6 juin 2012 Plan 1 Introduction

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R

Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences

Plus en détail

Guide de SolidWorks Flow Simulation pour l enseignant. Présentateur Date

Guide de SolidWorks Flow Simulation pour l enseignant. Présentateur Date Guide de SolidWorks Flow Simulation pour l enseignant Présentateur Date 1 Qu'est-ce que SolidWorks Flow Simulation? SolidWorks Flow Simulation est un logiciel d'analyse des écoulements de fluide et du

Plus en détail

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet

Conception et simulation des systèmes de production. Chapitre 7 Planification et gestion de projet Conception et simulation des systèmes de production Chapitre 7 Planification et gestion de projet Planification et gestion de projet Les 6 phases d un projet industriel : 1. L enthousiasme délirant sous-estimation

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

Commande basée vision d écoulements fluides

Commande basée vision d écoulements fluides Commande basée vision d écoulements fluides R. Tatsambon Fomena, C. Collewet Cemagref, 17 avenue de Cucillé, 35 044 Rennes Cedex Inria Rennes-Bretagne Atlantique, Campus de Beaulieu, 35 042 Rennes Cedex

Plus en détail

Sur le calcul numérique des modes non-linéaires

Sur le calcul numérique des modes non-linéaires 2 ème Congrès Français de Mécanique Besançon, 29 août au 2 septembre 2 Sur le calcul numérique des modes non-linéaires F. Blanc a, K. Ege b, C. Touzé a, J.-F. Mercier c, A.-S. Bonnet Ben Dhia c a. UME-ENSTA-ParisTech,

Plus en détail

Optimisation du mix de production sous incertitude l importance des arrangements contractuels

Optimisation du mix de production sous incertitude l importance des arrangements contractuels EdF Le Printemps de la Recherche 2008 Optimisation du mix de production sous incertitude l importance des arrangements contractuels Fabien Roques Agence Internationale de l Energie* EPRG, University of

Plus en détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

Plus en détail

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 CSMA 213 11e Colloque National en Calcul des Structures 13-17 Mai 213 Méthode d immersion de pièces mobiles dans des fours industriels Jean-François ZARAGOCI 1 *, Elie HACHEM 2, Ghina JANNOUN 3, Jérémy

Plus en détail

Simulation numérique d'un écoulement autour d'un profil d'aile muni d'un volet poreux.

Simulation numérique d'un écoulement autour d'un profil d'aile muni d'un volet poreux. ème Congrès Français de Mécanique Bordeaux, 6 au 3 août 3 Simulation numérique d'un écoulement autour d'un profil d'aile muni d'un volet poreux. C. HAFIEN a, A. BOUREHLA b, T. LILI a a. Laboratoire de

Plus en détail

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste

Plus en détail

Méthodes expérimentales pour l'étude du comportement aéroélastique des structures élancées

Méthodes expérimentales pour l'étude du comportement aéroélastique des structures élancées Méthodes expérimentales pour l'étude du comportement aéroélastique des structures élancées Experimental methods for the study of the aeroelastic behavior of slender structures par E. Széchényi Institut

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Commande auto-adaptative par auto-séquencement, avec application à un avion instable

Commande auto-adaptative par auto-séquencement, avec application à un avion instable Commande auto-adaptative par auto-séquencement, avec application à un avion instable Patrice ANTOINETTE 1 2 Gilles FERRERES 1 1 ONERA-DCSD, Toulouse 2 ISAE, Toulouse GT MOSAR, 4 juin 2009 Plan Introduction

Plus en détail

«Clustering pour le bureau d études : Application en CFD»

«Clustering pour le bureau d études : Application en CFD» «Clustering pour le bureau d études : Application en CFD» Par Nicolas COSTE, Société OPTIFLOW - 11/12/2002 OPTIFLOW: Bureau d études et de recherches en Mécanique des Fluides Créée en 1998 par un ensemble

Plus en détail

ECOULEMENT LAMINAIRE TRANSITOIRE AUTOUR D UN CYLINDRE

ECOULEMENT LAMINAIRE TRANSITOIRE AUTOUR D UN CYLINDRE ECOULEMENT LAMINAIRE TRANSITOIRE AUTOUR D UN CYLINDRE Introduction L écoulement d un fluide autour d un cylindre fait partie des problèmes les plus étudiés en mécanique des fluides ou en aérodynamique,

Plus en détail

Optimisation de la géométrie du voisinage pour la segmentation d images texturées

Optimisation de la géométrie du voisinage pour la segmentation d images texturées Optimisation de la géométrie du voisinage pour la segmentation d images texturées Pierre Beauseroy & André Smolarz Institut des Sciences et Technologies de l Information de Troyes (FRE 73) Université de

Plus en détail

Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes

Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes Analyse discriminante sur données binaires lorsque les populations d apprentissage et de test sont différentes Julien Jacques, Christophe Biernacki Laboratoire de Statistiques et Analyse des Données, Université

Plus en détail

Décomposition de domaine pour un milieu poreux fracturé

Décomposition de domaine pour un milieu poreux fracturé Décomposition de domaine pour un milieu poreux fracturé Laila AMIR 1, Michel KERN 2, Vincent MARTIN 3, Jean E ROBERTS 4 1 INRIA-Rocquencourt, B.P. 105, F-78153 Le Chesnay Cedex Email: laila.amir@inria.fr

Plus en détail

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 Résolution d un problème de contact avec frottement en présence de variabilités paramétriques Franck MASSA 1 *, Thierry TISON 1,

Plus en détail

Des outils pour l optimisation et la robustesse. Marc Sevaux

Des outils pour l optimisation et la robustesse. Marc Sevaux Des outils pour l optimisation et la sse Marc Sevaux Université de Valenciennes et du Hainaut-Cambrésis Laboratoire d Automatique, de Mécanique et d Informatique Industrielles et Humaines (UMR CNRS 8530)

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation

Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation Résolution de problématiques d ordonnancement par utilisation d un logiciel générique d optimisation Christian Houlbert Centre National d Etudes Spatiales (CNES) 18 avenue Edouard Belin 31401 Toulouse

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail