Couplage M´cano-fiabiliste : 2 SMART e M´thodologie d’apprentissage stochastique e en fiabilit´ e

Fran¸ois Deheeger c

Soutenance de th`se, 28 janvier 2008 e

Fran¸ois Deheeger c

28 janvier 2008

1 / 48

Introduction et contexte

´ Evolution du dimensionnement des structures
De l’approche d´terministe ... e Prise en compte du caract`re incertain des actions et des r´sistances ` travers e e a un retour d’exp´rience codifi´, jugement d’experts ; e e et des r`gles de dimensionnement e

Structure valid´e sous la forme d’un jugement de type binaire e

Fran¸ois Deheeger c

28 janvier 2008

2 / 48

Introduction et contexte

´ Evolution du dimensionnement des structures
De l’approche d´terministe ... e Prise en compte du caract`re incertain des actions et des r´sistances ` travers e e a un retour d’exp´rience codifi´, jugement d’experts ; e e et des r`gles de dimensionnement e

Structure valid´e sous la forme d’un jugement de type binaire e ... ` l’approche probabiliste a Prise en compte du caract`re incertain ` travers un mod`le probabiliste : e a e Les param`tres sont d´finis comme des variables al´atoires caract´ris´es par leur e e e e e densit´ de probabilit´ e e L’occurence d’un ´v`nement est ´valu´ sous la forme d’une probabilit´ e e e e e

Maˆ ıtriser les incertitudes et quantifier leur influence sur la probabilit´ de d´faillance Pf e e

Fran¸ois Deheeger c

28 janvier 2008

2 / 48

2004. Lemaire. Det Norske Veritas ] L’approche probabiliste L’´tude de fiabilit´ en m´canique requiert une coop´ration entre diff´rents acteurs : e e e e e du m´canicien au probabiliste en passant par le statisticien et le fiabiliste e Fran¸ois Deheeger c 28 janvier 2008 3 / 48 .Introduction et contexte ´ Evolution du dimensionnement des structures Une collaboration ´troite entre plusieurs acteurs e [ M. How to manage industrial studies.

Det Norske Veritas ] L’approche probabiliste L’´tude de fiabilit´ en m´canique requiert une coop´ration entre diff´rents acteurs : e e e e e du m´canicien au probabiliste en passant par le statisticien et le fiabiliste e Fran¸ois Deheeger c 28 janvier 2008 3 / 48 . Lemaire. 2004.Introduction et contexte ´ Evolution du dimensionnement des structures Une collaboration ´troite entre plusieurs acteurs e [ M. How to manage industrial studies.

Introduction et contexte Coupler les mod`les m´canique et stochastique e e Le mod`le stochastique e [donn´es] e G´om´trie e e Chargement Mat´riaux e Le mod`le m´canique e e [comportement] X Fonction de performance G(X) Analyse de distribution Mod`le m´canique e e et Mod`le stochastique e Mod`le e EF ... Fran¸ois Deheeger c 28 janvier 2008 4 / 48 .

.Introduction et contexte Coupler les mod`les m´canique et stochastique e e Notre objectif : la fiabilit´ e elle a pour but l’´valuation de la probabilit´ de d´faillance d’un syst`me dont les e e e e donn´es sont incertaines e Le mod`le stochastique e [donn´es] e G´om´trie e e Chargement Mat´riaux e Le mod`le m´canique e e [comportement] Mod`le m´canique e e et Mod`le stochastique e Analyse de fiabilit´ e X Fonction de performance G(X) Pf Mod`le e EF . Fran¸ois Deheeger c 28 janvier 2008 Pf = P {G(X) ≤ 0} 4 / 48 ..

2008. Lemaire.Introduction et contexte Un aper¸u des m´thodes probabilistes c e [ M. Structural Reliability. ] Deux familles de m´thodes e ´ Etude de la fonction de performance G(X) exemple : les simulations de Monte-Carlo limite : nombre d’´valuations de l’´tat-limite e e Fran¸ois Deheeger c 28 janvier 2008 5 / 48 . ISTE.

Lemaire. ISTE. 2008. ] Deux familles de m´thodes e ´ Etude de la fonction de performance G(X) exemple : les simulations de Monte-Carlo limite : nombre d’´valuations de l’´tat-limite e e ´ Etude de l’´tat-limite : G(X) = 0 e exemple : les m´thodes FORM/SORM.Introduction et contexte Un aper¸u des m´thodes probabilistes c e [ M. e les simulations directionnelles limite FORM : approximation lin´aire e Fran¸ois Deheeger c 28 janvier 2008 5 / 48 . Structural Reliability.

Introduction et contexte Lignes directrices Objectif “rendre efficace” le couplage m´cano-fiabiliste pour des applications de dimension e industrielle Comportement complexe & nombre relativement important de variables al´atoires e Fonction de performance implicite des variables de conception Voies d’am´lioration : e minimiser le nombre d’appels au mod`le m´canique e e am´liorer la convergence des algorithmes e Fran¸ois Deheeger c 28 janvier 2008 6 / 48 .

Introduction et contexte Lignes directrices Objectif “rendre efficace” le couplage m´cano-fiabiliste pour des applications de dimension e industrielle Comportement complexe & nombre relativement important de variables al´atoires e Fonction de performance implicite des variables de conception Voies d’am´lioration : e minimiser le nombre d’appels au mod`le m´canique e e am´liorer la convergence des algorithmes e L’objectif est d’obtenir un maximum d’informations ` partir d’un minimum d’´valuations du mod`le m´canique a e e e Fran¸ois Deheeger c 28 janvier 2008 6 / 48 .

Introduction et contexte Lignes directrices Objectif “rendre efficace” le couplage m´cano-fiabiliste pour des applications de dimension e industrielle Comportement complexe & nombre relativement important de variables al´atoires e Fonction de performance implicite des variables de conception Voies d’am´lioration : e minimiser le nombre d’appels au mod`le m´canique e e am´liorer la convergence des algorithmes e L’objectif est d’obtenir un maximum d’informations ` partir d’un minimum d’´valuations du mod`le m´canique a e e e Substitution de l’´tat-limite et apprentissage statistique e Fran¸ois Deheeger c 28 janvier 2008 6 / 48 .

r´gression et analyse de sensibilit´ e e Exemples et applications Fran¸ois Deheeger c 28 janvier 2008 7 / 48 .Introduction et contexte Sommaire 1 2 3 4 Th´orie des Machines ` Vecteurs de Support e a SVM. classification et Subset simulation SVM.

historique SVM et classification : aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e SVM. r´gression et analyse de sensibilit´ e e Exemples et applications 2 3 4 Fran¸ois Deheeger c 28 janvier 2008 8 / 48 . classification et Subset simulation SVM.SVM.historique SVM . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Sommaire 1 Th´orie des Machines ` Vecteurs de Support e a SVM .

aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Utilisation des SVM en fiabilit´ e Origines Quelques noms de chercheurs : Sch¨lkopf.historique SVM . Smola o M´thode issue de l’apprentissage statistique. e e e classification g´n´tique e e Utilisation en fiabilit´ :“Statistical Learning Perspectives” de J.SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . reconnaissance de caract`res.Hurtado (2004) e Fran¸ois Deheeger c 28 janvier 2008 9 / 48 . Vapnik.E. et en particulier de la classification e M´thode utilis´e en analyse d’images.

Smola o M´thode issue de l’apprentissage statistique.E.Hurtado (2004) e Int´rˆts pour les approches probabilistes ee Classification : recherche de G(X) = 0 Travail sur l’´tat-limite : les SVM permettent d’expliciter la fronti`re entre les e e domaines de d´faillance et de sˆret´ e u e R´gression : recherche de G(X) e Travail sur la fonction d’´tat-limite sur tout son domaine de d´finition e e Fran¸ois Deheeger c 28 janvier 2008 9 / 48 .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Utilisation des SVM en fiabilit´ e Origines Quelques noms de chercheurs : Sch¨lkopf. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . et en particulier de la classification e M´thode utilis´e en analyse d’images.SVM. e e e classification g´n´tique e e Utilisation en fiabilit´ :“Statistical Learning Perspectives” de J. reconnaissance de caract`res. Vapnik.historique SVM .

Xn ´tiquet´s.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Un probl`me de classification e Classification binaire . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . . d´finis e e e dans un domaine D x2 Point sûr Point défaillant x1 Fran¸ois Deheeger c 28 janvier 2008 10 / 48 ...le cas lin´airement s´parable e e Un ´chantillon d’apprentissage : e n points X1 .SVM..historique SVM .

.le cas lin´airement s´parable e e Un ´chantillon d’apprentissage : e n points X1 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .SVM. Xn ´tiquet´s.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Un probl`me de classification e Classification binaire . le domaine de d´faillance e e et le domaine de sˆret´ u e x2 Défaillance Sûreté Point sûr Point défaillant x1 Fran¸ois Deheeger c 28 janvier 2008 10 / 48 ..historique SVM .. . d´finis e e e dans un domaine D 2 classes (classification binaire) : en fiabilit´.

aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Un probl`me de classification e Classification binaire ..SVM.. d´finis e e e dans un domaine D 2 classes (classification binaire) : en fiabilit´.le cas lin´airement s´parable e e Un ´chantillon d’apprentissage : e n points X1 .historique SVM . Xn ´tiquet´s.. le domaine de d´faillance e e et le domaine de sˆret´ u e Objectif : trouver l’hyperplan s´parateur e optimal (classes lin´airement e s´parables) e G(X) = ω. X + b = 0 x2 Défaillance Sûreté Point sûr Point défaillant x1 Fran¸ois Deheeger c 28 janvier 2008 10 / 48 . . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .

la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM ...historique SVM . Xn ´tiquet´s. .. X + b = 0 x2 Marge Défaillance Sûreté Point sûr Point défaillant x1 Le s´parateur optimal est obtenu par maximisation de la marge e Fran¸ois Deheeger c 28 janvier 2008 10 / 48 . le domaine de d´faillance e e et le domaine de sˆret´ u e Objectif : trouver l’hyperplan s´parateur e optimal (classes lin´airement e s´parables) e G(X) = ω.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Un probl`me de classification e Classification binaire .SVM. d´finis e e e dans un domaine D 2 classes (classification binaire) : en fiabilit´.le cas lin´airement s´parable e e Un ´chantillon d’apprentissage : e n points X1 .

.historique SVM . X 〉 b=0 〈  .SVM. .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Un probl`me de classification e Classification binaire . le domaine de d´faillance e e et le domaine de sˆret´ u e Objectif : trouver l’hyperplan s´parateur e optimal (classes lin´airement e s´parables) e G(X) = ω. X 〉 b=1 Vecteur support Point sûr Point défaillant x1 Le s´parateur optimal est obtenu par maximisation de la marge e Fran¸ois Deheeger c 28 janvier 2008 10 / 48 . d´finis e e e dans un domaine D 2 classes (classification binaire) : en fiabilit´. X + b = 0 x2 Marge Défaillance Sûreté 〈  .le cas lin´airement s´parable e e Un ´chantillon d’apprentissage : e n points X1 .. X 〉 b=−1 〈  .. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . Xn ´tiquet´s.

SVM.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Le cas non lin´aire e Pour le cas non lin´aire. une transformation de l’espace est appliqu´e : e e 1 10 5 0.5 0 0 −5 −10 −0.historique SVM .5 −15 −1 −10 −5 0 5 −10 10 −5 0 5 15 10 −20 −10 −5 0 5 10 −10 −5 0 5 10 Φ Un projecteur non lin´aire Φ transforme l’espace de d´part vers un espace de e e dimension sup´rieure : l’espace support ou feature space e Fran¸ois Deheeger c 28 janvier 2008 11 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .

SVM, la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation

SVM - historique SVM - aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e

Le cas non lin´aire e
Pour le cas non lin´aire, une transformation de l’espace est appliqu´e : e e

1

10 5

0.5 0 0 −5 −10 −0.5 −15 −1 −10 −5 0 5 −10 10 −5 0 5 15 10 −20 −10 −5 0 5 10 −10 −5 0 5 10

Φ

Un projecteur non lin´aire Φ transforme l’espace de d´part vers un espace de e e dimension sup´rieure : l’espace support ou feature space e La classification non lin´aire de l’espace de d´part devient un probl`me lin´aire apr`s e e e e e la projection r´alis´e implicitement par le biais du noyau (Kernel function) e e The Kernel Trick

Fran¸ois Deheeger c

28 janvier 2008

11 / 48

SVM, la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation

SVM - historique SVM - aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e

Le probl`me d’optimisation e
Comment maximiser la marge ?
Apr`s quelques manipulations math´matiques, maximiser la marge correspond ` la e e a minimisation de la norme de ω, le probl`me d’optimisation s’´crit sous la forme : e e min ω 2
2

sous les contraintes ci ( ω, Xi + b) ≥ 1, i = 1, ..., n Contraintes de bonne classification ω 2
2 n X i=1

La formulation de Lagrange : L(ω, b, α) = −

αi [ci ( ω, Xi + b) − 1] Fonction quadratique convexe

Les conditions d’optimalit´ de Karush-Kuhn-Tucker : e
n n X X ∂L(ω, b, α) ∂L(ω, b, α) =0= αi ci et =0=ω− αi ci Xi ∂b ∂ω i=1 i=1

Fran¸ois Deheeger c

28 janvier 2008

12 / 48

SVM, la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation

SVM - historique SVM - aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e

Le probl`me d’optimisation e

Les αi non nuls correspondent aux r´alisations e sur la marge, elles sont nomm´es les vecteurs e supports Le s´parateur peut ˆtre d´fini uniquement ` e e e a partir de ces r´alisations : e
S X j=1

ω=

αj cj Xj

o` S est le nombre de vecteurs supports u

Fran¸ois Deheeger c

28 janvier 2008

13 / 48

SVM.historique SVM . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . elles sont nomm´es les vecteurs e supports Le s´parateur peut ˆtre d´fini uniquement ` e e e a partir de ces r´alisations : e S X j=1 ω= αj cj Xj o` S est le nombre de vecteurs supports u Seuls les points de la marge sont utiles ` l’am´lioration du s´parateur a e e Fran¸ois Deheeger c 28 janvier 2008 13 / 48 .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Le probl`me d’optimisation e Les αi non nuls correspondent aux r´alisations e sur la marge.

SVM.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e SVM et r´seaux de neurones e Les avantages des SVM Concept de marge tr`s utile pour l’am´lioration du s´parateur e e e R´solution par une m´thode SQP : e e minimisation d’une fonction quadratique convexe =⇒ optimum global ω 2 2 n X i=1 rappel : L(ω.historique SVM . b. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . α) = − αi [ci ( ω. Xi + b) − 1] Application du principe SRM (Structured Risk Minimization) en opposition au principe ERM (Empirical Risk Minimization) : L’optimisation aboutit au meilleur compromis entre erreur empirique et erreur de g´n´ralisation e e Fran¸ois Deheeger c 28 janvier 2008 14 / 48 .

r´seau de taille n..aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e ERM et SRM Dans le cadre de la r´gression “classique ”: e choix d’un m´ta-mod`le : polynˆme de degr´ n. e e o e e optimisation des param`tres par minimisation de l’erreur empirique mesur´e sur e e les points d’apprentissage : minimisation du risque empirique ou application du principe ERM Risque de surapprentissage Fran¸ois Deheeger c 28 janvier 2008 15 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .historique SVM .SVM..

historique SVM .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e ERM et SRM SRM : Th´or`me de Vapnik e e L’erreur r´elle est born´e par le risque empirique (mesur´ sur l’´chantillon) auquel est e e e e ajout´e une fonction de la VC dimension : e Vapnik-Chervonenkis dimension ( mesure de la complexit´ ) e Optimisation du compromis entre complexit´ et erreur de g´n´ralisation e e e Fran¸ois Deheeger c 28 janvier 2008 16 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .SVM.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM . X2 ) = exp − 12 X1 − X2 2 2σ Fran¸ois Deheeger c 28 janvier 2008 17 / 48 .aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Outils associ´s e Choix du param`tre du noyau e Interpr´tation de la valeur du param`tre de lissage de la fonction noyau RBF e e La capacit´ de g´n´ralisation du s´parateur d´croˆ avec la valeur de σ e e e e e ıt d’o` l’importance du choix ⇒ validation crois´e u e Radial Basis Function .historique SVM .RBF : “ ” K(X1 .

historique SVM . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation SVM .SVM.aspects th´oriques e SVM et R´seaux de neurones e Outils associ´s e Outils associ´s e Un point sur le clustering Illustration de la compression par clustering R´duction de la taille de la population en conservant ses caract´ristiques e e 4 3 2 1 0 −1 −2 −3 −4 −4 −3 −2 −1 0 1 2 3 4 Fran¸ois Deheeger c 28 janvier 2008 18 / 48 .

SVM & Subset Exemple d’illustration SVM. r´gression et analyse de sensibilit´ e e Exemples et applications 3 4 Fran¸ois Deheeger c 28 janvier 2008 19 / 48 .SVM. classification et Subset simulation La m´thode SMART : classification et fiabilit´ e e Description de la m´thode Subset simulation e 2 SMART. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Sommaire 1 2 Th´orie des Machines ` Vecteurs de Support e a SVM.

Reliability Analysis by Support Vector Machine Classification. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration La m´thode SMART e SVM. Springer editions ] [ F.Lemaire.E.Statistical Learning Perspectives. Structural reliability .Deheeger and M.Hurtado. Classification et Monte-Carlo SMART Support-vector Margin Algorithm for Reliability esTimation Une impl´mentation originale des SVM pour l’´valuation de la probabilit´ de e e e d´faillance e M´thode d’apprentissage sp´cifique ` la d´termination de la limite entre les e e a e domaines de sˆret´ et de d´faillance pour l’estimation de la probabilit´ de u e e e d´faillance e L’id´e : voir Monte-Carlo comme un probl`me de classification e e Il s’agit de s´parer tous les points d’une simulation de Monte-Carlo en appelant la e fonction d’´tat-limite pour un minimum de r´alisations e e [ J. 2006. 2004. ASRANet Colloquium Glasgow ] Fran¸ois Deheeger c 28 janvier 2008 20 / 48 .SVM.

S´lection des points d’apprentissage e 6. Travail dans l’espace standard Transformation des variables al´atoires dans l’espace e standard 2. G´n´ration de la population de travail e e 5. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Premier s´parateur e 4. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1.SVM. Un nouveau s´parateur e 7. La phase approximation 8. Plan d’exp´riences e 3.

La phase approximation 8. Premier s´parateur e 4. Un nouveau s´parateur e 7. S´lection des points d’apprentissage e 6.SVM. Travail dans l’espace standard 2. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. Plan d’exp´riences e Le premier plan d’exp´riences est g´n´r´ par hypercube e e ee latin (ou d’apr`s la connaissance experte) e 3. G´n´ration de la population de travail e e 5.

Un nouveau s´parateur e 7. Plan d’exp´riences e 3.SVM. Premier s´parateur e ´ Evaluation de l’´tat-limite pour les premiers points et e optimisation du premier s´parateur e 4. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . S´lection des points d’apprentissage e 6. Travail dans l’espace standard 2. G´n´ration de la population de travail e e 5. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. La phase approximation 8.

Premier s´parateur e 4. S´lection des points d’apprentissage e 6. La phase approximation 8. G´n´ration de la population de travail e e G´n´ration d’une distribution uniforme dans une e e hypersph`re de rayon βmax e 5. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Plan d’exp´riences e 3. Travail dans l’espace standard 2. Un nouveau s´parateur e 7.SVM.

pour conserver quelques points optimaux 6. S´lection des points d’apprentissage e S´lection des points de la marge parmi la population de e travail.SVM. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Plan d’exp´riences e 3. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. Travail dans l’espace standard 2. Un nouveau s´parateur e 7. et compression par clusters. La phase approximation 8. Premier s´parateur e 4. G´n´ration de la population de travail e e 5.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. S´lection des points d’apprentissage e 6. La phase approximation 8. G´n´ration de la population de travail e e 5. Plan d’exp´riences e 3. Travail dans l’espace standard 2. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Premier s´parateur e 4. Un nouveau s´parateur e ´ Evaluation de l’´tat-limite pour les points s´lectionn´s e e e et optimisation d’un nouveau s´parateur e 7.

Plan d’exp´riences e 3. ou un a nombre maximum d’it´rations sur l’apprentissage e 8. Travail dans l’espace standard 2. La phase approximation Retour au point 5 jusqu’` une marge vide. Premier s´parateur e 4. La phase pr´cision e Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Un nouveau s´parateur e 7.SVM. S´lection des points d’apprentissage e 6. G´n´ration de la population de travail e e 5. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Les ´tapes de SMART e 1. de la taille de la simulation de Monte-Carlo. G´n´ration de la population de travail e e 5. La phase pr´cision e Retour au point 4 avec une distribution gaussienne. Un nouveau s´parateur e 7. La phase approximation 8. Travail dans l’espace standard 2. Plan d’exp´riences e 3. S´lection des points d’apprentissage e 6. comme population de travail Fran¸ois Deheeger c 28 janvier 2008 21 / 48 . Premier s´parateur e 4.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration M´thode SMART : points cl´s de l’apprentissage e e Plan d’exp´riences initial e Un compromis entre nombre de points d’apprentissage et exploration de l’espace : l’hypercube latin Approche multi-´chelles e 3 phases d´finissent le processus d’apprentissage : e 1 2 3 position : la population de travail est uniforme et dispers´e e stabilisation : population de travail toujours uniforme mais plus dense pr´cision : la population de travail est la simulation de Monte-Carlo e S´lection de nouveaux points d’apprentissage e Les points d’apprentissage sont s´lectionn´s parmi les points de la population de e e travail appartenant ` la marge : a points clusters : pour une dispersion le long de la marge points instables : points dont la classe change entre 2 it´rations e points proches : points les plus proches du s´parateur analytique e Fran¸ois Deheeger c 28 janvier 2008 22 / 48 .

. e subset simulation Fran¸ois Deheeger c 28 janvier 2008 23 / 48 . l’algorithme ayant besoin de points d´faillants e Une approche plus souple est n´cessaire.. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration M´thode SMART : quelques limites e D´pendance ` la valeur de la probabilit´ cible e a e La taille de la population de Monte-Carlo d´pend de la valeur de la probabilit´ e e de d´faillance et ne peut ˆtre d´finie a priori e e e Un premier pas crucial : la taille et la dispersion d´pendent de la probabilit´ e e objectif.SVM.

la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Subset simulation .K. chaque facteur peut ˆtre ´valu´ efficacement par simulation e e e Fran¸ois Deheeger c 28 janvier 2008 24 / 48 . Prob.Eng. e e e Les seuils successifs sont fix´s automatiquement tels que les probabilit´s e e conditionnelles ´valu´es soient de l’ordre de α = 10% : e e ainsi.Mech.L.. Estimation of small failure probabilities in high dimensions by subset simulation.. ] La probabilit´ de d´faillance P (Fm ) = P (F ) est d´compos´e d’apr`s la th´orie des e e e e e e probabilit´s conditionnelles : e Pf = P (F ) = P (F | Fm−1 )P (Fm−1 ) = . = P (F1 ) m Y i=2 P (Fi | Fi−1 ) Pf est ´valu´e par l’estimation des diff´rents facteurs.Beck.l’id´e e [ S.Au and J.SVM. 2001.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Subset simulation .pas ` pas a Subset .premier pas La premi`re probabilit´ P (F1 ) est ´valu´e par crude e e e e Monte-Carlo État-limite recherché N simulations sont g´n´r´es e ee le premier seuil y1 est d´fini tel que P (F1 ) ≈ α = 0. 1 e x2 1ère limite x1 Fran¸ois Deheeger c 28 janvier 2008 25 / 48 .

pas ` pas a Subset . 1 e Subset .premier pas La premi`re probabilit´ P (F1 ) est ´valu´e par crude e e e e Monte-Carlo État-limite recherché N simulations sont g´n´r´es e ee le premier seuil y1 est d´fini tel que P (F1 ) ≈ α = 0.SVM.second pas La deuxi`me probabilit´ P (F2 ) est ´valu´e par e e e e simulations conditionn´es e N simulations conditionn´es sont g´n´r´es par chaˆ e e ee ınes de Markov ` partir des germes : les points du pas pr´c´dent a e e appartenant ` F1 a le second seuil y2 est d´fini tel que P (F2 ) ≈ α e x2 1ère limite x1 Fran¸ois Deheeger c 28 janvier 2008 25 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Subset simulation .

1 e Subset . 1 ère limite x1 Fran¸ois Deheeger c 28 janvier 2008 25 / 48 ..pas ` pas a Subset .premier pas La premi`re probabilit´ P (F1 ) est ´valu´e par crude e e e e Monte-Carlo État-limite recherché N simulations sont g´n´r´es e ee le premier seuil y1 est d´fini tel que P (F1 ) ≈ α = 0.second pas La deuxi`me probabilit´ P (F2 ) est ´valu´e par e e e e simulations conditionn´es e N simulations conditionn´es sont g´n´r´es par chaˆ e e ee ınes de Markov ` partir des germes : les points du pas pr´c´dent a e e appartenant ` F1 a le second seuil y2 est d´fini tel que P (F2 ) ≈ α e x2 ..SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Subset simulation .

la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Subset simulation .. 1 e Subset .SVM.pas ` pas a Subset .premier pas La premi`re probabilit´ P (F1 ) est ´valu´e par crude e e e e Monte-Carlo État-limite recherché N simulations sont g´n´r´es e ee le premier seuil y1 est d´fini tel que P (F1 ) ≈ α = 0.second pas La deuxi`me probabilit´ P (F2 ) est ´valu´e par e e e e simulations conditionn´es e N simulations conditionn´es sont g´n´r´es par chaˆ e e ee ınes de Markov ` partir des germes : les points du pas pr´c´dent a e e appartenant ` F1 a le second seuil y2 est d´fini tel que P (F2 ) ≈ α e x2 . x1 Subset .dernier pas La probabilit´ au dernier pas P (Fm ) est ´valu´e par e e e simulations conditionn´es e N simulations conditionn´es : chaˆ e ınes de Markov le dernier seuil ym = 0 est atteint apr`s m pas e (m d´pend de la valeur de Pf ) e Fran¸ois Deheeger c 28 janvier 2008 25 / 48 ..

Lemaire. ICASP . Support Vector Machine for Efficient Subset Simulation: 2 SMART method.l’id´e e 2 SMART Subset by Support-vector Margin Algorithm for Reliability esTimation Une alliance efficace : SMART et subset simulation Cumuler les avantages des 2 approches en utilisant la strat´gie d’apprentissage e de SMART pour la limite d´finie ` chaque pas de subset e a Strat´gie e 1 D´terminer le seuil : par simulations directes (100 points). 2007. ou r´gression (25 e e points) puis simulations En utilisant la strat´gie SMART sur des populations de travail adapt´es e e (simulations conditionn´es par chaˆ e ınes de Markov) pour l’´valuation des e probabilit´s de d´faillance ` chaque pas e e a 2 [ F. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration 2 SMART .Deheeger and M.SVM.Tokyo ] Fran¸ois Deheeger c 28 janvier 2008 26 / 48 .

la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Exemple simple d’illustration [ P.2 sont des gaussiennes norm´es centr´es e e 0 −2 −4 −6 −8 −8 −6 −4 −2 0 X1 2 4 6 8 Fran¸ois Deheeger c 28 janvier 2008 27 / 48 . 5 2 X1. PhD.Waarts.H.SVM. 1 (X1 − X2 )2 − X1 +X2 √ > > 2 > < X +X2 √ 3 + 0. Structural Reliability using Finite Element Method. 2000. 5 √2 > > : X2 − X1 + 3. 1 (X1 − X2 )2 + 1 G(X) = min 2 √ > > X1 − X2 + 3. ] 8 6 4 G(X)=0 2 X2 8 > 3 + 0.

2000. 1 (X1 − X2 )2 − X1 +X2 √ > > 2 > < X +X2 √ 3 + 0. 22 2. 5 √2 > > : X2 − X1 + 3.2 sont des gaussiennes norm´es centr´es e e 0 −2 −4 −6 −8 −8 −6 −4 −2 0 X1 2 4 6 8 N appels Pf (10−3 ) β cv MC 106 2. 34 3. 85 0. 35 2. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration Exemple simple d’illustration [ P. 00 − Subset 3000 2. 1 (X1 − X2 )2 + 1 G(X) = min 2 √ > > X1 − X2 + 3. PhD.Waarts. 02 FORM 12 1. 23 Subset 30000 2. 81 0. 44 2. 83 0. 01 Fran¸ois Deheeger c 28 janvier 2008 27 / 48 . 06 2 SMART 350 2.H. Structural Reliability using Finite Element Method. 85 0.SVM. 5 2 X1. ] 8 6 4 G(X)=0 2 X2 8 > 3 + 0. 21 2.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration 2 SMART .illustration pas ` pas a Second pas de subset Premier pas de subset Fran¸ois Deheeger c 28 janvier 2008 28 / 48 .

e e le nombre d’´valuations de l’´tat-limite. surfaces bruit´es et non r´guli`res. e e e faibles niveaux de probabilit´. e Les crit`res suivants ont ´t´ analys´s et conduisent ` des r´sultats satisfaisants : e ee e a e la valeur de la probabilit´ de d´faillance et sa dispersion. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation La m´thode SMART e Subset simulation 2 SMART Exemple d’illustration M´thode 2 SMART : quelques conclusions e Validation La m´thode a ´t´ test´e sur diff´rents cas analytiques et m´caniques aux e ee e e e caract´ristiques int´ressantes pour la validation : e e points de conception multiples. e e Remarques sur l’approche coupl´e apprentissage et subset e On aboutit ` une m´thodologie it´rative efficace d´pendant uniquement du a e e e nombre de variables Les it´rations de subset guident l’apprentissage vers les zones d’int´rˆt pour le e ee calcul de la fiabilit´ : e ⇒ les populations de travail sont conditionn´es par les pas de subset e Fran¸ois Deheeger c 28 janvier 2008 29 / 48 .SVM.

SVM. classification et Subset simulation SVM. r´gression et analyse de sensibilit´ e e R´gression et sensibilit´ e e Illustration Exemples et applications 4 Fran¸ois Deheeger c 28 janvier 2008 30 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation R´gression et sensibilit´ e e Illustration Sommaire 1 2 3 Th´orie des Machines ` Vecteurs de Support e a SVM.

. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation R´gression et sensibilit´ e e Illustration R´gression et sensibilit´ e e Les produits de l’analyse de sensibilit´ e Objectifs Tester la souplesse des SVM en r´gression pour l’analyse de distribution et de e sensibilit´.SVM.. variance. e Les produits de cette analyse 1 2 Calage de distribution Les moments statistiques d’ordre 1 ` 4 : moyenne. asym´trie. a e aplatissement Indices de sensibilit´ globale : Indices de Sobol’ e Les indices de Sobol’ mesurent la part de la variance d’une variable Xi dans la variance totale de la r´ponse G(X) e 3 Validation : technique de r´´chantillonnage ee Le r´´chantillonnage permet de quantifier la stabilit´ des grandeurs par rapport ` la ee e a s´lection al´atoire de points e e L’´volution de l’intervalle de confiance avec l’augmentation de la taille de la base de e donn´es initiale permet une mesure de la confiance dans le r´sultat e e Fran¸ois Deheeger c 28 janvier 2008 31 / 48 .

10−4 1. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation R´gression et sensibilit´ e e Illustration Illustration . 2007.6 ( N) Loi Lognormale Lognormale Lognormale Gumbel Moyenne 210 2.10−3 5.Berveiller.104 ´ Ecart-type 21 2. E2 ( MPa) A1 ( m 2 ) A2 ( m 2 ) P1.10−3 1..le treillis Description du probl`me e [ G.. ] e ee D´finition du probl`me e e On s’int´resse au d´placement maximal u de la barre inf´rieure d’un treillis e e e Variables al´atoires e E1 .103 Fran¸ois Deheeger c 28 janvier 2008 32 / 48 ..SVM.Blatman.. Utilisation des nombres quasi-al´atoires e dans la m´thode des ´l´ments finis stochastiques. CFM.10−4 7.Sudret and M. 5. B.

le treillis Analyse des moments statistiques moyenne −0.005 0 50 0.085 0 50 100 150 200 250 300 Taille de la base de donn´es e 350 400 450 0.SVM.6 d’apprentissage 0.078 −0.076 −0.079 Moyenne 0.075 −0.03 0.084 −0.083 −0.081 −0.01 0.08 −0.077 −0.02 −0.015 asymétrie ´ Evolution de l’intervalle de confiance sur la moyenne en fonction de la taille de la base3 0.082 −0.025 0.5 33 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation R´gression et sensibilit´ e e Illustration Illustration .4 Fran¸ois Deheeger c Référence Régression poly − dg 2 Régression SV − RBF 28 janvier 2008 2.

005 0 50 asymétrie 3 Référence Régression poly − dg 2 Régression SV − RBF 2.2 −0.082 SVM.4 0.6 −0.084 R´gression et sensibilit´ e e Illustration 0.01 Illustration -−0.4 −0.5 2 1.083 et analyse de sensibilit´ SVM e Validation −0.2 0 Asym´trie e Analyse des moments statistiques 150 200 250 300 350 400 450 0.0850treillis 100 le 50 0.5 −0.5 1 0.8 0 50 100 150 200 250 300 Taille de la base de donn´es e 350 400 450 0 50 ´ Evolution de l’intervalle de confiance sur l’asym´trie en fonction de la taille de la base e d’apprentissage Fran¸ois Deheeger c 28 janvier 2008 34 / 48 . la th´orie e SVM et analyse de fiabilit´ e −0.5 0 −0.−0.6 0.

SVM. le r´sultat obtenu ici avec une base de donn´es faible est plus e e e stable que la r´gression polynomiale e Perspectives L’objectif ` terme est d’obtenir pour la construction du plan d’exp´riences. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation R´gression et sensibilit´ e e Illustration R´gression et sensibilit´ e e Bilan Premi`res conclusions e Le plan d’exp´riences initial de la m´thode 2 SMART peut ˆtre utilis´ pour un e e e e travail sur les tendances centrales de la distribution de la grandeur observ´e e Le m´ta-mod`le SVR permet une certaine souplesse par rapport ` la fonction e e a d’´tat-limite. un a e processus it´ratif adaptatif e Une premi`re piste a ´t´ mise en oeuvre : sparse grid e ee il s’agit d’enrichir la base de donn´es en fonction de la sensibilit´ de chacun des e e param`tres e Fran¸ois Deheeger c 28 janvier 2008 35 / 48 .

le projet PROSIR Fran¸ois Deheeger c 28 janvier 2008 36 / 48 . classification et Subset simulation SVM. r´gression et analyse de sensibilit´ e e Exemples et applications Une fonction de performance non r´guli`re e e Influence de la dimension du probl`me e Une application champ al´atoire e Application industrielle . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Sommaire 1 2 3 4 Th´orie des Machines ` Vecteurs de Support e a SVM.SVM.

05 0. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Une fonction de performance non r´guli`re e e Oscillateur [ M. 01 1 0.Der Kiureghian. Berkeley ] D´finition de la fonction vetat-limite : e d’´ u u G(X) = Fs − 3ks tπ S0 ζa ζs 3 3 (ζp ωp + ζs ωs )ωp 4 4ζa ωa 3 2 2 4ζs ωs ζp ζs (4ζa + θ 2 ) + γζa s kp ωp = ωa = mp s o` : u ks ζa = ωs = ms ms θ= γ = mp 1 2 1 (ωp + ωs ) (ζp + ζs ) 2 1 (ωp − ωs ) ωa D´finition des variables al´atoires : e e Variables al´atoires e mp ms kp ks ζp ζs Fs S0 Loi Lognormale Lognormale Lognormale Lognormale Lognormale Lognormale Lognormale Lognormale Moyenne 1. University of California.De Stefano and A.SVM. An efficient algorithm for second-order reliability analysis. 1990. Tech. 5 0. 01 0. Report. 02 15 100 CV 10% 10% 20% 20% 40% 50% 10% 10% Fran¸ois Deheeger c 28 janvier 2008 37 / 48 .

99 10 1 Pf = 3.SVM.10−6 Pf / Pfref = 0.00 10 0 Pf = 4.23.021 −2 10 −3 10 2 10 4 10 6 10 573 appels / pas cov : 0.00 10 1 Pf = 4.056 6 10 10 4 10 10 −2 10 2 10 4 10 6 10 1 Pf = 4.068 2 −1 10 573 appels / pas cov : 0.71.10−7 Pf / Pfref = 0.18.081 2 −1 N appels par pas 573 appels / pas cov : 0.78.10−5 Pf / Pfref = 1.97 10 0 10 0 10 0 cv 10 −1 10 573 appels / pas cov : 0.00 10 0 Pf = 4.10−2 Pf / Pfref = 1.10−4 Pf / Pfref = 0.99 10 −1 10 10 −2 −1 10 −1 573 appels / pas cov : 0.78. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Une fonction de performance non r´guli`re e e Oscillateur 10 0 Pf = 3.10−3 Pf / Pfref = 1.034 2 573 appels / pas cov : 0.096 10 −2 10 10 4 10 6 10 −2 10 10 4 10 6 10 −2 10 2 10 4 10 6 Comparaison des coˆts de calcul ` coefficients de variation identiques u a entre subset simulation et 2 SMART Fran¸ois Deheeger c 28 janvier 2008 38 / 48 .42.

Rackwitz. 4% 105 2. e Les coefficients de variation obtenus par l’approche 2 SMART utilisant environ 2000 appels ` l’´tat-limite n´cessitent 105 appels ` l’´tat-limite a e e a e par subset simulation Fran¸ois Deheeger c 28 janvier 2008 39 / 48 . Structural Safety ] Tests r´alis´s pour les 3 dimensions suivantes : 40.SVM. 8% 1243 22% 1243 100 1.a review and some perspectives. 73 2. Reliability analysis . 4% 105 2. 100 et 250 e e Dimension Pf (10−3 ) Subset 2 40 1. e e mˆme en grande dimension. 98 cv N appels par pas cv N appels par pas cv N appels par pas 2. 59 2. 2001. e e a e Remarques Il n’y a pas de biais sur les r´sultats obtenus par la m´thode 2 SMART. 3% 105 2. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Influence de la dimension du probl`me e [ R. 2% 2012 17% 2012 250 1. 6% 3569 11% 3569 SMART Subset Les coefficients de variation et les erreurs sont ´valu´s ` partir de 20 r´alisations.

` la e e e a dimension et au couplage (mod`le EF) e Fran¸ois Deheeger c 28 janvier 2008 40 / 48 .Sudret and A. 2000. Berkeley ] [ B. e Les difficult´s sont li´es aux points de d´faillance multiples. Tech. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Une application champ al´atoire e Plaque perfor´e de 8 trous avec module de Young al´atoire e e [ P-L. 1986. Der Kiureghian. University of California. Optimization algorithms for structural reliability analysis. Stochastic Finite Element Methods and Reliability A State-of-the-Art Report. University of California.Liu and A. Tech. Berkeley ] D´finition de l’´tat-limite : e e G(X) = σlimit − max(σV onM ises ) Repr´sentation de la structure : e Variables al´atoires : e 20 variables al´atoires sont utilis´es pour d´finir le module de Young de la plaque e e e par la m´thode EOLE. Report. Report. Der Kiureghian.SVM.

SVM. y) = 20 X i=1 ui Ei (x. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Une application champ al´atoire e Une pr´cision sur les variables al´atoires e e Repr´sentation graphique de la signification de chaque variable al´atoire pour le e e module de Young de la plaque : E(x. y) y x Fran¸ois Deheeger c 28 janvier 2008 41 / 48 .

43 2. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Une application champ al´atoire e R´sultats fiabilistes e Illustration des points de conception multiples (approche multi-FORM) Comparaison des r´sultats obtenus pour diff´rentes m´thodes e e e FORM 200 0. 18 Subset 20000 1.SVM. 21 42 / 48 Fran¸ois Deheeger c 28 janvier 2008 . 67 Subset 2000 1. 19 2 SMART N appels Pf (10−2 ) β 600 1. 44 2. 37 2. 38 2.

Lyon. France ] Description ´ Etude thermo-m´canique de la r´sistance d’une cuve face ` un e e a choc thermique pressuris´ e Il s’agit de d´terminer la nocivit´ d’un d´faut en tenant e e e compte de l’effet d’irradiation sur les propri´t´s ` rupture des ee a mat´riaux e Fran¸ois Deheeger c 28 janvier 2008 43 / 48 . la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Le projet PROSIR Round Robin on Probabilistic Approach for Structural Integrity of Reactor Pressure Vessel [ Probabilistic Structural Integrity of a PWR Reactor Pressure Vessel. OECD .SVM.NEA PROSIR Workshop. 2006.

559 mm ≤ x et C = 6A Fran¸ois Deheeger c 28 janvier 2008 44 / 48 . 0137 0. 02 exp(−232x) pour 8. 05 1 Variables al´atoires e URT N DT UK1C A ( mm) C ( mm) ˆ Age (ann´es) e RT N DTIN IT Cuivre Phosphore Nickel Fluence Loi Normale Normale D´terministe e D´terministe e Param`tre e Normale Normale Normale Normale Normale Moyenne 0 0 12 72 10. 72 0 Variabilit´ du efaut : e d´ P(A < x) = 1 − exp(−689x) pour x < 8. 40 ou 60 −20 0. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Le projet PROSIR Round Robin on Probabilistic Approach for Structural Integrity of Reactor Pressure Vessel Description du mod`le stochastique e 8 variables al´atoires et un param`tre : l’ˆge de la structure e e a ´ Ecart-type 1 1 − − − 9 0. 20. 086 0. 001 0. 01 0.SVM. 559 mm P(A < x) = 1 − 0.

SVM. la th´orie e SVM et analyse de fiabilit´ e SVM et analyse de sensibilit´ e Validation Exemple non r´gulier e Influence de la dimension Une application champ al´atoire e Le projet PROSIR Le projet PROSIR Round Robin on Probabilistic Approach for Structural Integrity of Reactor Pressure Vessel R´sultats e ´ Evolution de la probabilit´ de d´faillance (conditionnelle ` l’occurence du sc´nario e e a e critique envisag´) en fonction de l’ˆge de la structure e a 10 −2 10 Probabilité de défaillance −3 FORM Subset − 2000 calculs par pas Subset − 10000 calculs par pas ²SMART − 400 calculs par pas 10 −4 Probabilit´ −5 e 10 de d´faillance e 10 −6 10 −7 10 −8 0 10 20 30 40 Variable Age 50 60 70 Fran¸ois Deheeger c 28 janvier 2008 45 / 48 .

Conclusion et perspectives Conclusion Apports principaux D´veloppement d’une m´thodologie originale pour la construction d’´tat-limite e e e bas´e sur la classification pour l’analyse de fiabilit´ et de sensibilit´ e e e L’utilisation de la classification SVM est adaptable ` toute forme d’´tat-limite a e Une r´ponse ` la question : lorsque j’ai n points. comment choisir les k suivants e a pour maximiser l’information dont j’ai besoin ? Conclusion La m´thode 2 SMART est un outil permettant de r´soudre des probl´matiques e e e de fiabilit´ sur des applications mettant un jeu des mod`les significatifs de e e produits industriels La validation de la proc´dure sur des cas analytiques et m´caniques a montr´ e e e une absence de biais et une efficacit´ par rapport au nombre d’´valuations de e e l’´tat-limite e Fran¸ois Deheeger c 28 janvier 2008 46 / 48 .

parall´lisation e Analyse de sensibilit´ e [Approfondissement] Points de conception et sensibilit´ locale : adapter le traitement des r´sultats e e des simulations directionnelles permettant d’obtenir les points de conception [F. ASRANet 2006] pour les subset simulation et pour 2 SMART R´gression et sensibilit´ globale : enrichir un plan d’exp´riences de mani`re e e e e it´rative dans l’objectif de la r´gression pour l’analyse des tendances centrales e e de la r´ponse e Un travail sur les sensibilit´s permet d’aborder. ` plus long terme.Perrin.Conclusion et perspectives Perspectives Analyse de fiabilit´ e [Validation] Confirmer la m´thode sur une utilisation plus large d’exemples e Travailler sur les parties optimisation SVM et clustering : distribution. les probl`mes e a e d’optimisation sous contrainte fiabiliste Fran¸ois Deheeger c 28 janvier 2008 47 / 48 .

. La recherche passionn´ment. “Le progr`s naˆ de la diversit´ des cultures” e ıt e Pierre Joliot-Curie.Merci de votre attention. 2002 e Fran¸ois Deheeger c 28 janvier 2008 48 / 48 ..

Sign up to vote on this title
UsefulNot useful