Propagation d’incertitudes sur des problèmes de l’obstacle Un algorithme glouton Virginie EHRLACHER CERMICS, Equipe-projet MICMAC, INRIA-Ecole des Ponts Travail fait en collaboration avec E. Cancès et T. Lelièvre JFMS 2010, 24 mars 2010 Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 1 /et23T. Introduction Principale motivation : Problèmes non linéaires convexes en grande dimension Propagation d’incertitudes sur des problèmes non linéaires en mécanique (problèmes de contact) Dynamique moléculaire Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 2 /et23T. Introduction Principale motivation : Problèmes non linéaires convexes en grande dimension Propagation d’incertitudes sur des problèmes non linéaires en mécanique (problèmes de contact) Dynamique moléculaire Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 3 /et23T. Calcul d’un modèle réduit Problème spatial défini pour x ∈ R3 . Incertitudes modélisées par un vecteur aléatoire T = (T1 , ..., Tp ) ∈ Rp . Méthodes de collocation stochastique, méthodes de Galerkin, méthodes de perturbation... La solution u est recherchée comme une combinaison linéaire de produits tensoriels u(t, x) = K X L X λkl rk (t)sl (x) k=1 l=1 où (rk )1≤k≤K et (sl )1≤l≤L sont connues a priori. (λkl )1≤k≤K ,1≤l≤L doivent être calculées. Dim = KL Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 4 /et23T. Algorithmes gloutons Les algorithmes gloutons consistent à minimiser localement une fonctionnelle par un produit tensoriel. Construction de la solution par séparation de variables. Première introduction dans le contexte de la propagation d’incertitudes: cas d’une fonctionnelle quadratique associée à une classe d’EDP linéaires elliptiques Nouy A., A generalized spectral decomposition to solve a class of linear stochastic partial differential equations,Comput. Methods Appl. Mech. Engrg., vol. 196, p. 4521-4537, 2007. Extension au cas d’une fonctionnelle fortement convexe non linéaire. Cas du problème de l’obstacle: combiner une méthode de pénalisation avec un algorithme glouton. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 5 /et23T. Plan 1 Cadre théorique général et résultats principaux 2 Application au problème de l’obstacle 3 Résultats numériques 4 Conclusion Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 6 /et23T. Plan 1 Cadre théorique général et résultats principaux 2 Application au problème de l’obstacle 3 Résultats numériques 4 Conclusion Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 7 /et23T. Quelques notations p, d ∈ N∗ . T et X des ouverts de Rp et Rd respectivement. V espace de Hilbert de fonctions à valeurs réelles définies sur T × X . Le produit scalaire est noté h., .i et la norme associée est notée k.kV . E une fonctionnelle différentiable définie sur V . Vt et Vx espaces de Hilbert de fonctions à valeurs réelles définies respectivement sur T et X . On définit le produit tensoriel suivant: Pour (r , s) ∈ Vt × Vx , r ⊗s : T ×X (t, x) → R 7→ r (t)s(x) Σ = {r ⊗ s | (r , s) ∈ Vt × Vx } Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 8 /et23T. Hypothèses (H1) Vect(Σ) est dense dans V pour k.kV . (H2) Pour toute suite d’éléments de Σ bornée dans V , il existe une sous-suite qui converge faiblement dans V vers un élément de Σ. (H3) La fonctionnelle E est fortement convexe. (H4) Le gradient de E est Lipschitz sur les ensembles bornés. On note u l’unique minimiseur global de E dans V . Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en collaboration 2010,Un 24 algorithme mars avec 2010 E. Cancès glouton 9 /et23T. Définition de l’algorithme On définit par récurrence: (rn , sn ) ∈ argmin E (r ,s)∈Vt ×Vx et un = n X n−1 X rk ⊗ sk + r ⊗ s k=1 ! (1) rk ⊗ sk k=1 Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 10 /et23T. Résultat de convergence Théorème Sous les hypothèses (H1), (H2), (H3) et (H4), les itérations de l’algorithme sont bien définies dans le sens où il existe toujours un minimiseur pour le problème (1). De plus, la suite (un )n∈N∗ converge fortement dans V vers u. Remarques sur l’algorithme Le minimiseur rn ⊗ sn de (1) n’est pas unique. L’algorithme et le résultat peuvent facilement être généralisés dans le cas de plus de deux variables. Réduction de la dimension: Dim = C (K + L) au lieu de KL. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 11 /et23T. Vitesse de convergence en dimension finie L’algorithme converge exponentiellement vite en dimension finie. Théorème Supposons que les espaces Vt et Vx sont de dimensions finies et que (H1), (H2), (H3) et (H4) sont satisfaites. Alors il existe C1 , C2 > 0 et σ ∈ (0, 1) tels que pour tout n ∈ N∗ : 0 ≤ E(un ) − E(u) ≤ C1 σ n , et ku − un kV ≤ C2 σ n/2 . Ce résultat est également valable dans le cas de plus de deux variables. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 12 /et23T. Plan 1 Cadre théorique général et résultats principaux 2 Application au problème de l’obstacle 3 Résultats numériques 4 Conclusion Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 13 /et23T. Quelques notations Modélisation des incertitudes: T = (T1 , ..., Tp ) un vecteur aléatoire à valeurs dans T . Problème mécanique défini sur X (borné). H un espace de Hilbert de fonctions à valeurs réelles définies sur X . L2T (T , H) = w : T → H | E[kw (T )k2H ] < +∞ Dons notre cas H = H10 (X ) kw k2H 1 (X ) = 0 Z |∇x v |2 X Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 14 /et23T. Problème de l’obstacle considéré Membrane accrochée soumise à une force f ∈ L2T (T , L2 (X )), suspendue au-dessus d’un obstacle d’altitude g ∈ L2T (T , H01 (X )). v (T , x): altitude aléatoire de la membrane au point x. −∆x v ≥ f sur T × X , v ≥ g sur T × X , (∆x v + f )(v − g ) = 0 sur T × X , v (T , x) = 0 ∀(T , x) ∈ T × ∂X . Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 15 /et23T. Autre formulation Kg = w ∈ L2T (T , H01 (X )) | ∀(t, x) ∈ T × X , w (t, x) ≥ g (t, x) Problème de l’obstacle: v = argmin J (w ) w ∈Kg avec Z Z 1 2 J (w ) = E f (T , x)w (T , x) dx |∇x w (T , x)| dx − 2 X X Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 16 /et23T. Méthode de pénalisation Transformer les contraintes en termes pénalisés dans la fonctionnelle: ρ > 0 (large) vρ = argmin w ∈L2T (T ,H01 (X )) Jρ (w ) où Z ρ 2 [g (T , x) − w (T , x)]+ dx Jρ (w ) = J (w ) + E 2 X a si a > 0 Pour a ∈ R, [a]+ = 0 sinon vρ −→ v ρ→+∞ Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 17 /et23T. Application de l’algorithme But de l’algorithme : Approcher u = vρ , le minimiseur de E = Jρ sur V = L2T (T , H01 (X )). Vt = L2T (T , R) and Vx = H01 (X ). Les hypothèses (H1), (H2), (H3) et (H4) définies précédemment sont bien vérifiées sur ce problème. En définissant par récurrence pour n ∈ N∗ , ! n−1 X (rn , sn ) ∈ argmin E rk ⊗ sk + r ⊗ s , (r ,s)∈Vt ×Vx on sait que n X k=1 k=1 rk ⊗ sk −→ u. n→+∞ De nombreuses autres variantes du problème de l’obstacle peuvent être traitées avec l’algorithme présenté précédemment. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 18 /et23T. Plan 1 Cadre théorique général et résultats principaux 2 Application au problème de l’obstacle 3 Résultats numériques 4 Conclusion Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 19 /et23T. Résultats numériques X = T = (0, 1). T suit une loi de probabilité uniforme sur (0, 1). ∀(t, x) ∈ (0, 1)2 , f (t, x) = −1 and g (t, x) = t[sin(3πx)]+ +(t−1)[sin(3πx)]− On note [a]− la partie négative de a ∈ R, i.e. [a]− = 0 si a ≥ 0, et [a]− = −a si a ≤ 0. ρ = 2500, k, l = 40 1 0.8 u(t, x) g (t, x) 1 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 1 0 1 0.8 1 0.6 0.8 0.6 0.4 0.4 0.2 t 0.2 0 0 x 0.8 1 0.6 0.8 0.6 0.4 0.4 0.2 t 0.2 0 0 x Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 20 /et23T. Résultats numériques 5 5 3 log10 (ku − un kV ) log10 (E(un ) − E(u)) 4 0 2 1 0 −1 −5 −2 −3 −4 −10 0 1000 2000 3000 4000 5000 Number of iterations 6000 7000 −5 0 1000 2000 3000 4000 5000 6000 Number of iterations 7000 8000 La décomposition trouvée n’est pas la décomposition optimale. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 21 /et23T. Conclusion Résultat théorique de convergence d’un algorithme de type glouton pour la minimisation d’une énergie fortement convexe (non linéaire) Résultat de vitesse de convergence en dimension finie Application à l’étude de la propagation d’incertitudes sur un problème de l’obstacle: combinaison de méthodes de pénalisation avec l’algorithme glouton Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 22 /et23T. Pour aller plus loin... Problème de la méthode de pénalisation: on approche vρ et non v ! Idée: Combiner plutôt des méthodes de lagrangien augmenté avec l’algorithme glouton. Travail en cours avec Eric Cancès et Tony Lelièvre. Nouy A. and Le Maitre O., Generalized spectral decomposition for stochastic nonlinear problems,Journal of Computational Physics, vol. 228(1), p. 202-235, 2009. Utilisation de la Proper Generalized Decomposition sur l’équation de Burgers. Virginie EHRLACHER CERMICS, Equipe-projet Propagation MICMAC, d’incertitudes INRIA-Ecole sur desdes Ponts problèmes Travailde fait JFMS l’obstacle en 2010, collaboration 24 Unmars algorithme avec 2010E. Cancès glouton 23 /et23T.