Étude de l'influence de l'échantillonnage statistique et des incertitudes d'inférence probabiliste sur la variance d'un estimateur
Résumé
Les enjeux industriels actuels nécessitent des essais mécaniques pouvant être coûteux et limitant ainsi la quantité de données à partir desquelles une inférence statistique est réalisée. L'incertitude liée à l'apprentissage de ces données, tels que des paramètres matériaux ou géométriques aléatoires, est alors propagée involontairement au sein de codes de calcul (EF, CFD...). L'estimation d'une quantité d'intérêt en sortie de ce code peut alors être compromise si cette propagation d'incertitude est ommise. La précision de l'estimation peut être améliorée en augmentant le nombre de simulations et d'essais à disposition. Néanmoins, dans un contexte où ceux-ci sont coûteux, une réponse à apporter au compromis essai-simulation est d'une importance majeure. Dans cet article, une méthode d'estimation considérant la variabilité de l'apprentissage est proposée. De plus, une analyse de sensibilité est réalisée afin de répondre à ce compromis à l'aide d'indicateurs permettant de diriger le choix d'investissement dans la base de données ou bien dans l'échantillon de Monte-Carlo. La pertinence de la démarche est illustrée sur des exemples académiques.
Origine | Fichiers produits par l'(les) auteur(s) |
---|