Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Méthodes pour l’estimation de probabilités
d’évènements rares en présence d’incertitudes
épistémiques
M. Balesdent
1, L. Brevault
1, J. Morio
1, S. Lacaze
2, S.
Missoum
3
1 Onera – The French Aerospace Lab, France,2 The Mathworks, Cambridge, United-Kingdom,
3 University of Arizona, Tucson, USA
Journée IMdR / AFM sur l’estimation de probabilités d’évènements rares en mâıtrisedes risques et en sûreté de fonctionnement
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 1 / 35
Plan
1 Introduction
2 Partie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois deprobabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
3 Partie 2 : Propagation des incertitudes a↵ectant la modélisation de l’état limite dedéfaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
4 Conclusion et perspectives
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 2 / 35
Introduction
Plan
1 Introduction
2 Partie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois deprobabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
3 Partie 2 : Propagation des incertitudes a↵ectant la modélisation de l’état limite dedéfaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
4 Conclusion et perspectives
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 3 / 35
Introduction
Catégories d’incertitudes
Di↵érents types d’incertitudes [Thunnissen, 2003]:
Incertitudes aléatoires : variabilité intrinsèque du système et/ou de son environnement(formalisme des probabilités), notées U
Incertitudes épistémiques : défaut de connaissance ou hypothèses de modélisation
(formalisme des intervalles)I paramètres de modélisation des distributions des variables aléatoires, notées qI paramètres du code de simulation, notées e
Windgust
Nozzle flowmodeling
Aleatory uncertainty
Epistemicuncertainty
(c)Onera
(c)Cnes
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 4 / 35
Introduction
Position du problème
U 2 Rdaleatoires,distribuéesselon fq
Y = g(U,e),scalaire etaléatoire
On cherche à calculer une probabilité de défaillance: P(g(U,e)> S)
Hypothèses de l’étude :
g(·, ·) : code de simulation coûteux entemps de calcul
P : probabilité rare, P
Introduction
Approche de simulation classique en présence
d’incertitudes aléatoires (q ,e fixés)
Crude Monte Carlo [Silverman, 1986]:
Estimation de l’état du système pourchaque échantillon CMC (défaillantou non),
PCMC = 1M ÂMi=1 g(u(i), ,e)>S
Limitations :
Coût calculatoire très important,
Faible précision de l’estimation pourprobabilité rare avec un budgetraisonnable.
−5 0 5−4
−2
0
2
4
6
U1
U 2
Failure domain
Safe domain 10 000
Crude Monte Carlo samples
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 6 / 35
Introduction
Deux exemples de méthodes alternatives
Importance Sampling [Glynn, 1996]:
Modification de la densité de tirage initiale f pour favoriser l’occurence de la défaillance,
PIS = 1MM
Âi=1
1g(ui [f̃ ])>S)f(ui [f̃ ])f̃(ui [f̃ ])
Optimisation des paramètres de la densité de tirage auxiliaire f̃ par Cross-Entropy.
−5 0 5−4
−2
0
2
4
6
U1
U 2
Limit stateInput uncertainty
Safe domain
Failure domain
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 7 / 35
Introduction
Deux exemples de méthodes alternatives
Subset simulation [Au and Beck, 2001]:
PSS = P(U 2⌦f ) = ’mi=1 Ph
U 2⌦fi |U 2⌦fi�1i
,
Définition d’une séquence de domaines de défaillance imbriqués ⌦f0 ⌘⌦�⌦f1 � · · ·�⌦fm ⌘⌦f ,
Domaine de défaillance intermédiaire : 8i = {1, . . . ,m}⌦fi = {u|g(u)> Si },
Génération de nouveaux échantillons à partir des précédents par algorithme de Metropolis-Hastings.
−5 0 5−4
−2
0
2
4
6Subset simulation − step 1
U(1)
U(2)
−5 0 5−4
−2
0
2
4
6
U(1)
U(2)
Subset simulation − step 2
Intermediate threshold
−5 0 5−3
−2
−1
0
1
2
3
4
5
U(1)
U(2)
Subset simulation − step 3
Intermediatethreshold
U
U
(1)
(2)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 8 / 35
Introduction
Approximation de l’état limite de défaillance
Méthodes existantes [Matheron, 1963, Balesdent et al., 2013a, Dubourg et al., 2013]:
Approximation du code de calcul ĝ(·) (Kriging, Support Vector Machine, etc.),Ra�nement du modèle de substitution au voisinage de l’état de défaillance, et dans deszones à fort contenu probabiliste : P [ĝ(U)> S].
U
U
(1)
(2)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 9 / 35
Introduction
Analyse de défaillance en présence d’incertitudes
épistémiques
Partie 1 : Incertitudes épistémiquessur la modélisation des lois de proba-bilités
Rare Event Probability Estimation in the Presence of EpistemicUncertainty on Input Probability Distribution Parameters. M.Balesdent, J. Morio, L. Brevault. Methodology and Computingin Applied Probability (2014) Springer.
−5 0 5
−2
−1
0
1
2
3
4
5
U1
U2
φe1(⋅)ΦU () e1 .
−5 0 5
−2
−1
0
1
2
3
4
5
U1
U2
φe2(⋅)ΦU () e2 .
Partie 2 : Incertitudes demodélisation inhérentes au codede calcul
Reliability analysis in the presence of aleatory and epistemic un-certainties, application to the prediction of a launch vehicle falloutzone, L. Brevault, S. Lacaze, M. Balesdent, S. Missoum. Journalof Mechanical Design, à parâıtre, ASME. U1
-5 0 5
U2
-3
-2
-1
0
1
2
3
4
5
Limit state affected by epistemic uncertainty
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 10 / 35
Incertitudes sur les hyperparamètres de lois
Plan
1 Introduction
2 Partie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois deprobabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
3 Partie 2 : Propagation des incertitudes a↵ectant la modélisation de l’état limite dedéfaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
4 Conclusion et perspectives
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 11 / 35
Incertitudes sur les hyperparamètres de lois Description du problème
Propagation de l’incertitude épistémique sur les
hyperparamètres de lois
U est distribué selon une pdf jointe fq (·) dont les paramètres sontincertains et connus dans un intervalle :
q 2⇥=n
q 2 RK |8i = 1, . . . ,K , q i 2⇥
q imin,q imax⇤
Caractérisation de l’incertitude sur P par détermination des bornesmin/max :
Pmin = minq2⇥
Pq (g(U)> S)
Pmax = maxq2⇥
Pq (g(U)> S)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 12 / 35
Incertitudes sur les hyperparamètres de lois Description du problème
But de l’étude
Proposition d’une méthodologie permettant de propager l’incertitude deshyperparamètres de lois sur la probabilité estimée:
Di�cultés :1 Combinaison algorithme
d’optimisation et estimationde probabilité
2 Probabilité faible à estimer
3 Fonction g(·) non connue(bôıte noire), potentiellementnon linéaire et coûteuse àévaluer
Propositions :1 Couplage CMA-ES et
Importance Sampling (CrossEntropy)
2 Adaptation de la CrossEntropy pour diminuer le coûtcalculatoire d’une estimationde probabilité
3 Création et ra�nement d’unmodèle de substitution de g(·)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 13 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Approche proposée [Balesdent et al., 2014]
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 14 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Rappels Importance Sampling et Cross Entropy
Estimation de la probabilité par Cross-Entropy :
P̂ISq0
=1
M
M
Âi=1
1g(Ui [f̃q0 ])>Sfq
0
(Ui [f̃q0 ])f̃q0(Ui [f̃q0 ])
.
Détermination de la densité auxiliaire optimale par annulation de lavariance de l’estimation :
V
1g(U[f̃q0 ])>Sfq
0
(U[f̃q0 ])f̃q0(U[f̃q0 ])
!
= 0
La densité optimale est donnée par :
fopt(U) =1g(U)>Sfq
0
(U)
Pq0(g(U)> S)avec Pq0(g(U)> S) inconnue et objet de l’estimation.
! Paramétrisation de la densité auxiliaire (f̃q0
(·)! f lq0
(·)) et utilisationde l’algorithme de Cross Entropy pour déterminer l opt .M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 15 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Rappels Importance Sampling et Cross Entropy
[Rubinstein and Kroese, 2004]
Estimation de l en minimisant la distance de Kullback-Leibler entrefopt(·) et f lq
0
(·):
D(fopt ,f lq0) =Z
Rdfopt(u) ln
fopt(u)f lq0(u)
!
du
l opt est donné par :
lopt =argmaxl
n
Eh
1g(U[f lq0 ])>Sln⇣
f lq0(U[flq0 ])⌘io
Di�culté de trouver lopt directement !définition d’une famille de seuils S0 < S1 <· · ·< SN = S ”plus faciles à atteindre”, et op-timisation de l de proche en proche.
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 16 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Couplage Importance Sampling et Krigeage (1/3)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 17 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Couplage Importance Sampling et Krigeage
Stratégie adoptée [Balesdent et al., 2013b]:
Proposition d’échantillons par IS,
Utilisation d’un modèle de Krigeage,
Utilisation de l’erreur de prédiction pour déterminer les échantillons pour lesquelsle modèle est incertain et amène à une ambiguité sur le dépassement de seuil,
Ra�nement du modèle dans ces zones.
S
confidence interval
uncertain points
true fonctionsurrogate modelbound of confidence intervalevaluated points Zpredicted point
Z
+-g g g
U
s U
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 18 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Estimation de Pq (g(U)> S) à partir de l’estimation dePq
0
(g(U)> S) (1/2)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 19 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Estimation de Pq (g(U)> S) à partir de l’estimation dePq
0
(g(U)> S) (2/2)On suppose Pq
0
(g(U)> S) estimée par CE pour une valeur de q = q0
Problème:
Comment estimer à coût réduit Pq1
(g(U)> S) pour q = q1
i .e. sans avoir à e↵ectuertout le processus itératif de CE? (i .e. pour tous les seuils intermédiaires)
Remarque:
Indépendance de {U|g(U)> S} par rapport à q : les points tirés selon f l optq0
sont despoints utiles pour l’estimation de Pq (g(U)> S)
Idée:
Utiliser f l optq0
(·) comme densité de tirage initiale pour q = q1
, et e↵ectuer un processusCE classique à partir de cette densité, en utilisant la minimisation de la distance deKullback.! Gain : Evite d’e↵ectuer le processus CE pour les seuils intermédiaires (x3 en vitessede convergence en moyenne).
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 20 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Détermination des bornes sur la probabilité (1/2)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 21 / 35
Incertitudes sur les hyperparamètres de lois Approche proposée
Détermination des bornes sur la probabilité (2/2)
Détermination de Pmin et Pmax : problèmes d’optimisation non linéaires etmultimodaux, dont la fonction objectif est le résultat d’une estimation deproba (fonction bruitée).
Utilisation de l’algorithme Covariance Matrix Adaptation - EvolutionaryStrategy [Kruisselbrink et al., 2011] possédant un traitement e�cace dubruit.
q (k+1) =m(k)+s (k)N (0,C(k))
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 22 / 35
Incertitudes sur les hyperparamètres de lois Application
Retombée d’un étage de lanceur (1/2)
Entrées gaussiennes U :Conditions météorologiques (2 variables Mc1 et Mc2 )
Masse de l’étage de lanceur (1 variable : m )
Angle de rentrée (1 variable : g)
Sortie du code Y :
Distance entre position prédite et position estimée
Probabilité d’intérêt: Pq [g(U)> 0.65km]
Paramètres Domaines de variation
E(Mc1) [�1.1,�0.9]
E(Mc2) [0.9,1.1]
E(m) [0.45,0.55]
E(g) [�2.2,�1.8]
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 23 / 35
Incertitudes sur les hyperparamètres de lois Application
Retombée d’un étage de lanceur (1/2)
Entrées gaussiennes U :Conditions météorologiques (2 variables Mc1 et Mc2 )
Masse de l’étage de lanceur (1 variable : m )
Angle de rentrée (1 variable : g)
Sortie du code Y :
Distance entre position prédite et position estimée
Probabilité d’intérêt: Pq [g(U)> 0.65km]
Paramètres Domaines de variation
E(Mc1) [�1.1,�0.9]
E(Mc2) [0.9,1.1]
E(m) [0.45,0.55]
E(g) [�2.2,�1.8]
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 23 / 35
Incertitudes sur les hyperparamètres de lois Application
Retombée d’un étage de lanceur (2/2)
Proposed method MC-MC MC-ISNumber of samples required byCE for estimating the probability 2.80⇥104 106 2.80⇥104with reference q0Number of samples evaluated onf3 for estimating the probability 1196 / /with reference q0 using KrigingEstimation of Pq0 (g(U)> S) 1.96⇥10
�5 1.95⇥10�5 1.98⇥10�5
Std deviation of the probability 4.91% 22.6% 4.80%estimate for reference q0Pmax 7.47⇥10�5 6.50⇥10�5 6.22⇥10�5Number of points evaluated on g 7089 108 2.8.106
to find PmaxStd deviation of Pmax 5.00% 12.4% 5.03%
CMC IS (CE)
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 24 / 35
Incertitudes de modélisation de l’état de défaillance
Plan
1 Introduction
2 Partie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois deprobabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
3 Partie 2 : Propagation des incertitudes a↵ectant la modélisation de l’état limite dedéfaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
4 Conclusion et perspectives
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 25 / 35
Incertitudes de modélisation de l’état de défaillance Description du problème
Description du problème
Le code de calcul g sou↵re d’incertitudes épistémiques, caratérisées pardes paramètres e qui connus dans un intervalle :
e 2⌥= {e 2 Rw |8i = 1, . . . ,w , e i 2⇥
e
imin,e
imax
⇤
Caractérisation de l’incertitude sur P par détermination des bornesmin/max :
8
<
:
Pmin =mine2⌥
P [g(U,e)> S ]Pmax =max
e2⌥P [g(U,e)> S ]
Calculer les bornes de P [·] requiert:Résolution d’un problème d’optimisation pour caractériser les bornessur la probabilité de défaillance,
Estimation de la probabilité de défaillance.
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 26 / 35
Incertitudes de modélisation de l’état de défaillance Approche proposée
Approche proposée
Approche séquentielle:
Estimation de la probabilité de défaillance: Subset Sampling [Au and Beck, 2001] permettantde caractériser des états de défaillance non linéaires et présentant plusieurs modes,
Modèle de substitution: Krigeage [Matheron, 1963] dans l’espace joint des variables aléatoireset épistemiques,
Stratégie de ra�nement du Krigeage dans les zones :I Avec fort poids probabiliste,I Sur l’état limite de défaillance approximé,I Autour des valeurs des variables épistémiques menant à Pmax ou Pmin,I Echantillons de ra�nement du Krigeage déterminés par un problème d’optimisation
auxiliaire.
Initial DoE
Kriging model construction
Interval Analysis Kriging adaptiverefinement
Converged ?
Sequential loop
P −5 −4 −3 −2 −1 0 1 2 3 4 5−2
−1
0
1
2
3
4
5
U1
U 2
Adapted refinement strategy
?
??
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 27 / 35
Incertitudes de modélisation de l’état de défaillance Approche proposée
Stratégie de ra�nement du Krigeage proposée (pour
détermination de Pmax
)
−5 −4 −3 −2 −1 0 1 2 3 4 5−2
−1
0
1
2
3
4
5
U1
U2
maxu,e
[fU
(u)]1d mini=1,...,Ns
h
k u(i)�u k+ k e(i)�e ki
s.t. ĝ(u,e,Y ) = 0
P̂[e]� P̂�maxh
e
⇤(t)i
e
min
e emax
u 2⌦M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 28 / 35
Incertitudes de modélisation de l’état de défaillance Approche proposée
Stratégie de ra�nement du Krigeage proposée (pour
détermination de Pmax
)
−5 −4 −3 −2 −1 0 1 2 3 4 5−2
−1
0
1
2
3
4
5
U1
U2
maxu,e
[fU
(u)]1d mini=1,...,Ns
h
k u(i)�u k+ k e(i)�e ki
s.t. ĝ(u,e,Y ) = 0
P̂[e]� P̂�maxh
e
⇤(t)i
e
min
e emax
u 2⌦M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 28 / 35
Incertitudes de modélisation de l’état de défaillance Approche proposée
Stratégie de ra�nement du Krigeage proposée (pour
détermination de Pmax
)
−5 −4 −3 −2 −1 0 1 2 3 4 5−2
−1
0
1
2
3
4
5
U1
U2
maxu,e
[fU
(u)]1d mini=1,...,Ns
h
k u(i)�u k+ k e(i)�e ki
s.t. ĝ(u,e,Y ) = 0
P̂[e]� P̂�maxh
e
⇤(t)i
e
min
e emax
u 2⌦M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 28 / 35
Incertitudes de modélisation de l’état de défaillance Approche proposée
Stratégie de ra�nement du Krigeage proposée (pour
détermination de Pmax
)
−5 −4 −3 −2 −1 0 1 2 3 4 5−2
−1
0
1
2
3
4
5
U1
U2
maxu,e
[fU
(u)]1d mini=1,...,Ns
h
k u(i)�u k+ k e(i)�e ki
s.t. ĝ(u,e,Y ) = 0
P̂[e]� P̂�maxh
e
⇤(t)i
e
min
e emax
u 2⌦M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 28 / 35
Incertitudes de modélisation de l’état de défaillance Application
Application - retombée d’étage de lanceur
Evaluation de Pmax = maxe2⌥
P [g(U,e)> 20km]
Variables incertaines Types Définitions
Erreur d’altitude de séparation (m) Aléatoire N (0,001)Erreur de vitesse de séparation (km/s) Aléatoire N (0,001)Erreur de pente de séparation (rad) Aléatoire N (0,003)Erreur d’azimuth de séparation (rad) Aléatoire N (0,0.00175)Masse sèche de l’étage (kg) Aléatoire N (0,70)Paramètre de queue de poussée du 1er
étageEpistémique [0,1]
0 20 40 60 800
50
100
150
200
250
300
350
400
Combustion time (s)
Mas
s flo
w ra
te (k
g/s)
1st stage mass flow rate − epistemic uncertainty
u=1
u=0
u*
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 29 / 35
Incertitudes de modélisation de l’état de défaillance Application
Résultats
xLaunch
Impactpoints
zoom
Second stage impact point PDF
Nominal impact point
x x
Crude Monte Carlo Subset Simulation
Threshold
Méthode proposée FORM - UUA[Du et al., 2005]
Valeur de référence(MC)
Pmax (e⇤) 2.91⇥10�4(5.6%) 6.41⇥10�5 2.93⇥10�4Ng�calls 60+72=132 1114 25.2⇥106
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 30 / 35
Conclusion et perspectives
Plan
1 Introduction
2 Partie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois deprobabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
3 Partie 2 : Propagation des incertitudes a↵ectant la modélisation de l’état limite dedéfaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d’un étage de lanceur
4 Conclusion et perspectives
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 31 / 35
Conclusion et perspectives
Conclusion et perspectives
Conclusion:
Propagation des incertitudes sur les paramètres de modèles(distribution des lois et code de simulation) pour l’estimationd’évènements rares,
Solution proposée : couplage optimisation - Importance Sampling /Subset sampling - krigeage avec méthode de ra�nement adaptée.
Perspectives:
Appliquer cette stratégie dans un processus de reliability-based designoptimization (RBDO),
Étendre l’algorithme à des variables incertaines non décrites par desintervalles (logique floue, etc .).
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 32 / 35
Conclusion et perspectives
Merci de votre attention
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 33 / 35
Conclusion et perspectives
Références I
Au, S.-K. and Beck, J. L. (2001).
Estimation of small failure probabilities in high dimensions by subset simulation.Probabilistic Engineering Mechanics, 16(4):263–277.doi:10.1016/S0266-8920(01)00019-4.
Balesdent, M., Morio, J., and Brevault, L. (2014).
Rare event probability estimation in the presence of epistemic uncertainty on input probability distribution parameters.Methodology and Computing in Applied Probability, pages 1–20.
Balesdent, M., Morio, J., and Marzat, J. (2013a).
Kriging-based adaptive importance sampling algorithms for rare event estimation.Structural Safety, 44:1–10.
Balesdent, M., Morio, J., and Marzat, J. (2013b).
Kriging-based adaptive importance sampling algorithms for rare event estimation.Structural Safety, 44(0):1 – 10.
Du, X., Sudjianto, A., and Huang, B. (2005).
Reliability-based design with the mixture of random and interval variables.Journal of mechanical design, 127(6):1068–1076.doi:10.1115/1.1992510.
Dubourg, V., Sudret, B., and Deheeger, F. (2013).
Metamodel-based importance sampling for structural reliability analysis.Probabilistic Engineering Mechanics.doi:10.1016/j.probengmech.2013.02.002.
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 34 / 35
Conclusion et perspectives
Références II
Glynn, P. W. (1996).
Importance sampling for monte carlo estimation of quantiles.In Mathematical Methods in Stochastic Simulation and Experimental Design: Proceedings of the 2nd St. PetersburgWorkshop on Simulation, pages 180–185.
Kruisselbrink, J. W., Reehuis, E., Deutz, A., Bäck, T., and Emmerich, M. (2011).
Using the uncertainty handling cma-es for finding robust optima.In Proceedings of the 13th annual conference on Genetic and evolutionary computation, GECCO ’11, pages 877–884,New York, NY, USA. ACM.
Matheron, G. (1963).
Principles of geostatistics.Economic geology, 58(8):1246–1266.doi:10.2113/gsecongeo.58.8.1246.
Rubinstein, R. Y. and Kroese, D. P. (2004).
The Cross-Entropy Method : A Unified Approach to Combinatorial Optimization, Monte-Carlo Simulation and MachineLearning (Information Science and Statistics).Springer.
Silverman, B. W. (1986).
Density estimation for statistics and data analysis, volume 26.CRC press.
Thunnissen, D. P. (2003).
Uncertainty classification for the design and development of complex systems.In 3rd annual predictive methods conference, pages 1–16.
M. Balesdent, L. Brevault et al. Estimation d’évènements rares 09/06/2016 35 / 35
IntroductionPartie 1 : Propagation des incertitudes épistémiques sur la modélisation des lois de probabilitésDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d'un étage de lanceur
Partie 2 : Propagation des incertitudes affectant la modélisation de l'état limite de défaillanceDescription du problèmeApproche proposéeApplication à la caractérisation de la retombée d'un étage de lanceur
Conclusion et perspectives