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

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

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

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

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

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

$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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

«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

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

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

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

2.1 Rapport scientifique concis

2.1 Rapport scientifique concis 2.1 Rapport scientifique concis On se contentera de donner les directions générales dans lesquelles les membres du Lamav ont obtenu des résultats durant les quatre dernières années. Pour plus de détails,

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

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

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

EXEMPLE : FAILLITE D ENTREPRISES

EXEMPLE : FAILLITE D ENTREPRISES 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

Plus en détail

Vers la simulation numérique d écoulements sanguins

Vers la simulation numérique d écoulements sanguins Vers la simulation numérique d écoulements sanguins Vincent Chabannes Université Joseph Fourier 10 Juin 2010 Collaborators C. Prud homme (UJF/LJK) M. Ismail (UJF/LSP) N. Debit (UCB/ICJ) G. Pena (U. Coimbra)

Plus en détail

Mécanique des Fluides

Mécanique des Fluides Mécanique des Fluides Franck Nicoud I3M franck.nicoud@univ-montp2.fr MKFLU - MI4 1 Plan général 1. Rappels 2. Quelques solutions analytiques 3. Notion de turbulence 4. Aérothermique 5. Interaction fluide-structure

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

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Une plate-forme pour la quantification des incertitudes sous Matlab

Une plate-forme pour la quantification des incertitudes sous Matlab UQLab Une plate-forme pour la quantification des incertitudes sous Matlab Bruno Sudret Stefano Marelli ETH Zürich, Institute of Structural Engineering Chair of Risk, Safety & Uncertainty Quantification

Plus en détail

Adaptation de maillages non structurés pour des problèmes instationnaires

Adaptation de maillages non structurés pour des problèmes instationnaires C. R. Acad. Sci. Paris, Ser. I 335 (2002) 773 778 Analyse numérique/numerical Analysis Adaptation de maillages non structurés pour des problèmes instationnaires Frédéric Alauzet a,pascalj.frey a, Bijan

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

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

Prédiction et Big data

Prédiction et Big data Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur

Plus en détail

Formation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau

Formation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»

Plus en détail

Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH

Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897

Plus en détail

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Une comparaison de méthodes de discrimination des masses de véhicules automobiles p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans

Plus en détail

Commande robuste et extensions Pierre Apkarian. Travail Sous-Marin 15-16 Janv. 2014

Commande robuste et extensions Pierre Apkarian. Travail Sous-Marin 15-16 Janv. 2014 Commande robuste et extensions Pierre Apkarian Travail Sous-Marin 15-16 Janv. 2014 Sommaire Introduction Techniques fondamentales de commande robuste Extensions Travail Sous-Marin 15-16 Janv. 2014 - -

Plus en détail

Théories de champ moyen et convection à grande échelle

Théories de champ moyen et convection à grande échelle Chapitre Théories de champ moyen et convection à grande échelle 51 Introduction Au cours de ce travail, nous avons à plusieurs reprises été confrontés au problème de la compréhension et de la modélisation

Plus en détail

Quantification des Risques

Quantification des Risques Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections

Plus en détail

Simulation d essais d extinction et de roulis forcé à l aide d un code de calcul Navier-Stokes à surface libre instationnaire

Simulation d essais d extinction et de roulis forcé à l aide d un code de calcul Navier-Stokes à surface libre instationnaire Simulation d essais d extinction et de roulis forcé à l aide d un code de calcul Navier-Stokes à surface libre instationnaire E. Jacquin, P.E. Guillerm, Q. Derbanne, L. Boudet (Bassin d'essais des carènes)

Plus en détail

RESEARCH & DEVELOPMENT

RESEARCH & DEVELOPMENT RESEARCH & DEVELOPMENT Modeling model uncertainty in structural reliability: a variety of approaches Emmanuel ARDILLON EDF-R&D, Industrial Risk Management Department Chatou, France Sylvie AUDEBERT EDF-R&D,

Plus en détail

Modélisation et simulation

Modélisation et simulation Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.

Plus en détail

ParMat : Parallélisation pour la simulation des Matériaux.

ParMat : Parallélisation pour la simulation des Matériaux. : Parallélisation pour la simulation des Matériaux. G. Bencteux (EDF) 3 septembre 2008 Outline 1 2 Un algorithme d ordre N pour les calculs ab initio (DFT/HF) 3 Simulation du dommage d irradiation par

Plus en détail

Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.

Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques

Plus en détail

Etude du comportement en roulement d un pneu d avion

Etude du comportement en roulement d un pneu d avion Etude du comportement en roulement d un pneu d avion A. KONGO KONDÉ a, I. ROSU b, F. LEBON b, O. BRARDO a, B. DÉVESA a a. AIRBUS, 36 route de Bayonne, 36 Toulouse cedex 3 b. LMA-CNRS, Marseille, 3 chemin

Plus en détail

Modélisation géostatistique des débits le long des cours d eau.

Modélisation géostatistique des débits le long des cours d eau. Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des

Plus en détail

Open TURNS Journée Utilisateurs #3. 18 mai 2010

Open TURNS Journée Utilisateurs #3. 18 mai 2010 Open TURNS Journée Utilisateurs #3 18 mai 2010 Journée Utilisateurs Open TURNS #3 Ordre du jour Open TURNS et son Consortium Nouveautés de la 0.13.2 Portage windows Nouvelles interfaces utilisateurs Ajouts

Plus en détail

ANALYSE STATIQUE D UNE POUTRE SOUMISE A UNE CHARGE VARIABLE

ANALYSE STATIQUE D UNE POUTRE SOUMISE A UNE CHARGE VARIABLE ANALYSE STATIQUE D UNE POUTRE SOUMISE A UNE CHARGE VARIABLE Description du problème L écoulement sur une plaque plane fait partie des problèmes classiques de la mécanique des fluides les plus étudiés.

Plus en détail

SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur

SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur Titre : SDNL112 - Endommagement d'origine vibratoire d'un [...] Date : 30/07/2015 Page : 1/9 SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur Résumé Ce cas de validation

Plus en détail

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données

Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,

Plus en détail

Etude numérique et expérimentale du processus de recompression le long d un éjecteur supersonique

Etude numérique et expérimentale du processus de recompression le long d un éjecteur supersonique Etude numérique et expérimentale du processus de recompression le long d un éjecteur supersonique A. BOUHANGUEL, P. DESEVAUX, E. GAVIGNET Institut FEMTO-ST, Département ENISYS, Parc Technologique, 2 Avenue

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

Quelques points de traitement du signal

Quelques points de traitement du signal Quelques points de traitement du signal Introduction: de la mesure au traitement Source(s) BRUIT BRUIT Système d acquisition Amplitude (Pa) Temps (s) Amplitude (Pa) Mesure Opérations mathématiques appliquées

Plus en détail

Examination of an internal space illuminance variability. Application to a side-lit office working space

Examination of an internal space illuminance variability. Application to a side-lit office working space / Examination of an internal space illuminance variability Application to a side-lit office working space Jérémy Lebon, Nahon Raphaël, Thibaut Vermeulen, Benoît Beckers Séminaire Avenues Mai 4 / Context

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Equation LIDAR : exp 2 Equation RADAR :

Equation LIDAR : exp 2 Equation RADAR : Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Quelques données relatives au stockage de déchets en milieu souterrain 2D

Quelques données relatives au stockage de déchets en milieu souterrain 2D Quelques données relatives au stockage de déchets en milieu souterrain 2D 7 avril 2006 1 Physique du problème : caractéristiques et modèles d un milieu poreux Le cadre physique de notre problème est celui

Plus en détail

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678

AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678 Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables 31 décembre 2013 Georges-Marie Saulnier, William Castaings, Anne Johannet, Gérard Dreyfus Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables Sommaire 1. INTRODUCTION...

Plus en détail

Simulation de la TUrbulence à haut Reynolds Multi-Modèles Multi-Maillages

Simulation de la TUrbulence à haut Reynolds Multi-Modèles Multi-Maillages ANR-06-CIS6-011 Simulation de la TUrbulence à haut Reynolds Multi-Modèles Multi-Maillages Sofiane Benhamadouche Fabien Crouzet Dominique Laurence Imran Afgan Xingsi Han Yacine Kahil Pierre Sagaut Manuel

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

Plus en détail

Construction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit

Construction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit Construction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit Marie Courbariaux, Éric Parent & Pierre Barbillon INRA/AgroParisTech, UMR518 MIA, 75231 Paris,

Plus en détail

ANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique

ANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique 1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

Exemple d application en CFD : Coefficient de traînée d un cylindre

Exemple d application en CFD : Coefficient de traînée d un cylindre Exemple d application en CFD : Coefficient de traînée d un cylindre 1 Démarche générale Avec Gambit Création d une géométrie Maillage Définition des conditions aux limites Avec Fluent 3D Choix des équations

Plus en détail

Web Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.

Web Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice. Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs

Plus en détail

Détermination des propriétés énergétiques d une solution binaire par DSC : Approche inverse basée sur un modèle réduit

Détermination des propriétés énergétiques d une solution binaire par DSC : Approche inverse basée sur un modèle réduit Détermination des propriétés énergétiques d une solution binaire par DSC : Approche inverse basée sur un modèle réduit Erwin FRANQUET 1, Stéphane GIBOUT 1, William MARÉCHAL 1, Didier HAILLOT 1, Jean-Pierre

Plus en détail

Validation probabiliste d un Système de Prévision d Ensemble

Validation probabiliste d un Système de Prévision d Ensemble Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste

Plus en détail

Eléments de statistique

Eléments de statistique Eléments de statistique L. Wehenkel Cours du 9/12/2014 Méthodes multivariées; applications & recherche Quelques méthodes d analyse multivariée NB: illustration sur base de la BD résultats de probas en

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

Optimisation du Rendement de Conversion Photovoltaïque des Cellules Solaires à base de GaAs et de Si

Optimisation du Rendement de Conversion Photovoltaïque des Cellules Solaires à base de GaAs et de Si Rev. Energ. Ren. : Valorisation (1999) 2731 Optimisation du Rendement de Conversion Photovoltaïque des Cellules Solaires à base de GaAs et de Si T. Baghdadli, A. Zerga et B. Benyoucef Laboratoire de Physique

Plus en détail

ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES

ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES P.E. LOISEL, J. SCHAGUENE, O. BERTRAND, C. GUILBAUD ARTELIA EAU ET ENVIRONNEMENT Symposium du CFBR

Plus en détail

Cédric ALINOT Tél. bureau (514) 396-8800 poste 7736 e-mail : cedric.alinot@etsmtl.ca FORMATION UNIVERSITAIRE

Cédric ALINOT Tél. bureau (514) 396-8800 poste 7736 e-mail : cedric.alinot@etsmtl.ca FORMATION UNIVERSITAIRE Cédric ALINOT Tél. bureau (514) 396-8800 poste 7736 e-mail : cedric.alinot@etsmtl.ca FORMATION UNIVERSITAIRE 1998-2002 - DOCTORAT en Génie, Montréal Québec «Analyse aérodynamique des parcs éoliens immergés

Plus en détail

1 Comptage de solutions et escaliers

1 Comptage de solutions et escaliers Licence Informatique Systèmes polynomiaux, que signifie : résoudre? Feuille de TD numéro 11 1 Comptage de solutions et escaliers Question 1. On considère le système suivant p1 := 2*x*y^2 + 3*x^2-5*y^3

Plus en détail

APPLICATIONS de la CFD à la MODELISATION ATMOSPHERIQUE (écoulement et dispersion) à Echelle Locale et Couplage Synoptique

APPLICATIONS de la CFD à la MODELISATION ATMOSPHERIQUE (écoulement et dispersion) à Echelle Locale et Couplage Synoptique APPLICATIONS de la CFD à la MODELISATION ATMOSPHERIQUE (écoulement et dispersion) à Echelle Locale et Couplage Synoptique C.SOUPRAYEN, FLUIDYN France claude.souprayen@fluidyn.com Intech Meteo INRIA, 27

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

Modélisation des lois multidimensionnelles par la théorie des copules

Modélisation des lois multidimensionnelles par la théorie des copules Modélisation des lois multidimensionnelles par la théorie des copules Grégoire Mercier jeudi 9 novembre 26 Contenu 2 Mesure de dépendance Lien avec les copules 3 Estimation de l information mutuelle Estimation

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 7 - Data

BI = Business Intelligence Master Data-ScienceCours 7 - Data BI = Business Intelligence Master Data-Science Cours 7 - Data Mining Ludovic DENOYER - UPMC 30 mars 2015 Ludovic DENOYER - Typologie des méthodes de Data Mining Différents types de méthodes : Méthodes

Plus en détail

10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010

10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François

Plus en détail

- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE

- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE - MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base

Plus en détail

Wealth Effect on Labor Market Transitions

Wealth Effect on Labor Market Transitions Wealth Effect on Labor Market Transitions Yann Algan EUREQua - Université de Paris I algan@univ-paris1.fr Arnaud Chéron GAINS - Université du Maine & Cepremap acheron@univ-lemans.fr Jean-Olivier Hairault

Plus en détail

VALORISATION DES PRODUITS DE CHANGE :

VALORISATION DES PRODUITS DE CHANGE : VALORISATION DES PRODUITS DE CHANGE : TERMES, SWAPS & OPTIONS LIVRE BLANC I 2 Table des Matières Introduction... 3 Les produits non optionnels... 3 La méthode des flux projetés... 3 Les options de change

Plus en détail

DISQUE DUR. Figure 1 Disque dur ouvert

DISQUE DUR. Figure 1 Disque dur ouvert DISQUE DUR Le sujet est composé de 8 pages et d une feuille format A3 de dessins de détails, la réponse à toutes les questions sera rédigée sur les feuilles de réponses jointes au sujet. Toutes les questions

Plus en détail

Arbres binaires de décision

Arbres binaires de décision 1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

CLASSEMENT DE LA REACTION AU FEU CONFORMEMENT A L EN 13501-1 + A1 : 2013

CLASSEMENT DE LA REACTION AU FEU CONFORMEMENT A L EN 13501-1 + A1 : 2013 Dossier / File P128500 - Document DE/1 - Page 1/6 Ce rapport constitue une extension du rapport de classement n M091439-DE/4 This report is an extension of the classification report n M091439-DE/4 CLASSEMENT

Plus en détail

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS

UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES

Plus en détail

De la mesure à l analyse des risques

De la mesure à l analyse des risques De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De

Plus en détail