{"id":365,"date":"2022-12-13T11:08:40","date_gmt":"2022-12-13T10:08:40","guid":{"rendered":"https:\/\/www.mines-stetienne.fr\/fayol\/?page_id=365"},"modified":"2022-12-13T11:08:41","modified_gmt":"2022-12-13T10:08:41","slug":"these-presentee-par-nicolas-garland","status":"publish","type":"page","link":"https:\/\/www.mines-stetienne.fr\/fayol\/theses\/these-presentee-par-nicolas-garland\/","title":{"rendered":"Th\u00e8se pr\u00e9sent\u00e9e par Nicolas Garland"},"content":{"rendered":"

Titre :<\/strong>\u00a0 M\u00e9ta-mod\u00e9lisation introspective pour l’analyse des ph\u00e9nom\u00e8nes physiques simul\u00e9s. Formalisation dans le cadre du co-krigeage et int\u00e9gration algorithmique en optimisation et inversion<\/strong><\/p>\n

D\u00e9but de th\u00e8se : <\/strong>2014
\nFin de th\u00e8se :<\/strong> 2020<\/p>\n

R\u00e9sum\u00e9 :\u00a0<\/strong> L’objectif de la th\u00e8se est d\u2019am\u00e9liorer des algorithmes actuellement utilis\u00e9s pour aider les experts en s\u00fbret\u00e9 \u00e0 analyser les r\u00e9ponses des simulateurs num\u00e9riques de ph\u00e9nom\u00e8nes physiques.
\nLes simulations \u00e9tant co\u00fbteuses, les algorithmes consid\u00e9r\u00e9s construisent des plans d\u2019exp\u00e9riences de mani\u00e8re it\u00e9rative, gr\u00e2ce \u00e0 des m\u00e9tamod\u00e8les capables de pr\u00e9dire les r\u00e9sultats des simulations. \u200bOn s\u2019int\u00e9resse en particulier aux simulations produites par des cha\u00eenes de calcul (encha\u00eenement s\u00e9quentiel de plusieurs codes de calculs distincts).
\nLes informations produites par les premiers codes permettent une analyse dite \u00ab\u00a0introspective \u00bb de la grandeur finale.
\nDans un premier temps, nous travaillons sur les diff\u00e9rents m\u00e9tamod\u00e8les introspectifs admissibles, qui traitent les r\u00e9sultats comme une fonction \u00e0 plusieurs sorties.
\nNous \u00e9tudions ainsi les diff\u00e9rentes formes de cokrigeage et proposons une am\u00e9lioration au probl\u00e8me de l\u2019optimisation de ses hyperparam\u00e8tres.\u00a0Nous d\u00e9veloppons \u00e9galement un autre m\u00e9tamod\u00e8le introspectif, l\u2019hyperkrigeage.\u00a0Nous faisons ensuite une comparaison des performances pr\u00e9dictives de ces m\u00e9tamod\u00e8les.
\nDans un second temps, nous travaillons sur les algorithmes.
\nUn premier algorithme d\u2019optimisation, appel\u00e9 \u00ab Step or Stop Optimization \u00bb, prenant en compte les sp\u00e9cificit\u00e9s du cas introspectif, est d\u00e9velopp\u00e9.\u00a0Il permet de ne pas poursuivre des calculs si les premi\u00e8res \u00e9tapes n’y encouragent pas.
\nDes comparaisons avec l\u2019algorithme actuel tendent \u00e0 confirmer une \u00e9conomie importante des ressources de calcul gr\u00e2ce \u00e0 la meilleure prise en compte de la physique interm\u00e9diaire de la simulation.\u00a0La strat\u00e9gie utilis\u00e9e dans cet algorithme peut \u00eatre g\u00e9n\u00e9ralis\u00e9e, et \u00e9tendue \u00e0 des probl\u00e9matiques autres que l’optimisation.<\/p>\n

Mots cl\u00e9s\u00a0:\u00a0<\/strong>\u00a0krigeage, cokrigeage, processus gaussien, optimisation, simulations num\u00e9riques, multifid\u00e9lit\u00e9, cha\u00eene de calcul, plan s\u00e9quentiel<\/p>\n

Soutenance :\u00a0<\/strong> 22 octobre 2020<\/p>\n

Directeur de\u00a0th\u00e8se <\/strong>: <\/strong><\/p>\n