BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:8222@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20141206T000000 DTEND;TZID=Europe/Paris:20141206T000000 DTSTAMP:20241210T144727Z URL:https://www.i2m.univ-amu.fr/evenements/methodes-stochastiques-de-model isation-de-donnees-application-a-la-reconstruction-de-donnees-non-regulier es/ SUMMARY:Léticia Buslig (I2M\, Aix-Marseille Université): Méthodes stocha stiques de modélisation de données: application à la reconstruction de données non régulières DESCRIPTION:Léticia Buslig: Thèse de doctorat en Mathématiques\nSous la direction de Jacques Liandrat et de Jean Baccou.\n\nSoutenue le 06-10-2014 \n\nà Aix-Marseille \, dans le cadre de l'École Doctorale Mathématiques et Informatique de Marseille (Marseille) .\n\nLe président du jury étai t Christophe Pouet.\nLe jury était composé de Victor Picheny.\nLes rappo rteurs étaient Pep Mulet Mestre\, Pierre Goovaerts.\n\nLes méthodes de m odélisation de données sont utilisées naturellement en analyse de risqu e puisqu'on est amené à analyser des données (concentration d'un pollua nt\, température d'une gaine de réacteur\,.... ) qui sont le plus souven t discrètes car obtenues via des mesures ponctuelles (capteurs répartis sur le territoire français) ou via un processus numérique (logiciel de c alcul simulant un ensemble de phénomènes physiques). Parmi les méthodes de modélisation\, les approches stochastiques sont souvent privilégiée s car elles permettent d'associer une précision à toute quantité qui se ra estimée à partir des données via le modèle probabiliste choisi. Cep endant\, ces méthodes supposent le plus souvent que le phénomène que l' on cherche à expliquer est continu. Or\, en pratique\, les phénomènes étudiés sont souvent non réguliers voire discontinus. L'objet de la th èse est donc de proposer de nouvelles techniques stochastiques pour une m eilleure modélisation de données non régulières.\n\nContrairement aux méthodes classiques\, les méthodes proposées seront construites en deux étapes :\nune étape d'analyse de la structure des données à partir de s observations (il s'agit en particulier de définir un nouvel outil pour détecter les zones de non régularité du phénomène)\nune étape de pr édiction qui intègrera l'information collectée dans la première étape . Cette démarche est très liée aux techniques de traitement de données utilisées pour la compression de signaux ou d'images.\n\nL'originalité de ce sujet de thèse repose donc sur l'amélioration des méthodes de tra itement de données non régulières et sur leur adaptation à la prédict ion de phénomènes réels (cartographie d'un polluant \,.....) ou à la r eprésentation de codes de calcul (surface de réponse) pour l'analyse d'i ncertitude (en complément du suivi du consortium DICE et du projet BEMUSE ). Dans ce dernier cas\, il est aussi possible de choisir la série de poi nts (plan d'expérience) où l'on veut connaître la réponse du code et q ui servira à la construction du modèle. Cette thèse doit permettre d'in tégrer l'information a posteriori fournie par la détection des zones de non régularité pour la construction de nouveaux plans d'expérience. En effet\, les plans d'expérience classiques sont basés sur des critères c onduisant à une occupation uniforme de toutes les zones du domaine de var iation des paramètres. L'uniformité de la répartition n'est pas adapté e pour la représentation de phénomènes non réguliers pour lesquels l'i nformation pertinente se situe dans les zones de non régularité. Cette i nformation n'est occessible qu'après la segmentation des données observ ées réalisée dans la première étape des méthodes que l'on propose de construire. Cette optimisation de la répartition des points du plan d'ex périence permettra un gain de calcul conséquent tout en décrivant préc isément le phénomène étudié.\n\nMême si ce sujet est plutôt axé su r la représentation des codes de calcul\, les avancées prévues à l'iss ue des travaux de cette thèse sont très génériques et bénéficieront aux outres thématiques transverses à l'Institut suivantes :\nSoutien mé thodologique à l'expertise.\nConstruction de nouvelles méthodes d'analys e de risque: intégration de la surface de réponse résultante dans l'ét ape de propagation de la méthode RaFu.\nHomogénéisation numerique de ma tériaux hétérogènes : exploitation des techniques de modélisation sto chastique et des outils structuraux qui en découlent pour la prédiction numérique de l'intégrité des crayons de combustible en situations accid entelles.\n-\nLa thèse proposée a pour objectif la construction de nouve lles méthodes stochastiques de modélisation en particulier dans le cas d e données non régulières. Le principe de ces méthodes est de coupler u ne étape d'enrichissement de plans d'expérience à une étape de modéli sation locale adaptative. L'idée est ici d'enrichir le plan d'expérience en rajoutant des simulations dans les zones de non régularités de la r éponse puis de construire un opérateur d'interpolation adaptée à la pr ésence de zones de non régularités. Les techniques de modélisation env isagées sont les approches géostatistiques telles que le krigeage qu'on cherchera à relier aux méthodes utilisées dans le domaine du traitement d'images et qui s'avèrent très efficaces pour la modélisation de donn ées non régulières.\n\nUne première étape de la thèse consistera d'a bord à réaliser une étude bibliographique sur les différentes techniqu es de modélisation de données existantes (en particulier avec les techni ques géostatistiques de krigeage) puis d'explorer de nouvelles pistes en vue d'amélioration des outils déjà existants. Cela concerne l'étude de procédés d'enrichissement du plan d'expérience intégrant des approche s venant du traitement d'images (détection de contours et segmentation)\, la construction de méthodes locales d'interpolation basées sur la séle ction d'un stencil d'interpolation dépendant de la régularité locale de s données dans un voisinage du point à estimer. Pour ce travail\, le doc torant pourra bénéficier de l'appui de l'Ecole Centrale Marseille (Profe sseur Jacques Liandrat).\n\nDons un deuxième temps\, le doctorant appliqu era les méthodes construites et analysées dans la première étape à de s cas synthétiques puis à un cas réel issu des différents projets (DIC E\, BEMUSE) ou collaborations (DSR/ST3C\, SEMCA/LEC) auquel le LIMSI est a ssocié.\n\nLes différents développements informatiques seront intégré s dans le logiciel d'analyse d'incertitude SUNSET.\n\nLien :\n- theses.fr CATEGORIES:Soutenance de thèse,ALEA,Statistique END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:STANDARD DTSTART:20141026T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD END:VTIMEZONE END:VCALENDAR