Recalage de modèle par inférence bayésienne Erliang ZHANG, Jérôme ANTONI, Pierre FEISSEL Laboratoire Roberval de Mécanique Université de Technologie de Compiègne Porquerolles 05/2010 1/40 Plan Introduction Inférence bayésienne Recalage de modèle par inférence bayésienne Applications numérique et expérimentale Conclusions Porquerolles 05/2010 2/40 Introduction: modèle éléments finis C’est quoi, modèle éléments finis? M(θ), K(θ), C(θ) Porquerolles 05/2010 3/40 Introduction: modèle éléments finis Utilisation vaste: Modèle éléments finis M(θ) Question : Quelles sont les bon paramètres et erreur de modèle associée? Porquerolles 05/2010 4/40 Introduction: recalage de modèle Y(ω) = H(ω)F(ω) Mesure expérimentale Modèle numérique M(θ), K(θ), C(θ) modélisation (Calcul éléments finis) Fonctions de transfert minimisation Porquerolles 05/2010 5/40 Introduction: Difficultés Présence des erreurs • mesures: : bruit, non-linéarité de mesures (Nm(ω)) • modèle: : modèle linéaire, erreur de modélisation (Ne(ω)) Non-unicité mesures incomplètes Problème direct Fonction nonlinéaire et coûteux en temps: Porquerolles 05/2010 6/40 Introduction: Approche probabiliste Solution de recalage: Intervalle de confiance, ou distribution de probabilité Problèmes : • Comment prendre compte de ces erreurs au cours d’identification? • Comment résoudre le problème de non-identifiabilité de solution ? Approche probabliste: Approche bayésienne, unique Porquerolles 05/2010 7/40 Inférence bayésienne Règle de Bayes: D: données expérimentales et informations a priori : fonction de vraisemblance. Porquerolles 05/2010 8/40 Inférence bayésienne Règle de Bayes: Fusion d’information: info a priori p ( x) Porquerolles 05/2010 info expérimentale × l ( x) info a posteriori ∝ p ( x D) 9/40 Inférence bayésienne: démarche Distribution d’erreurs Distribution de probabilité marginale Maximum a posteriori (MAP) Espérance a posteriori (EAP) Matrice de covariance a posteriori Prédiction dans le cadre bayésien avec Porquerolles 05/2010 : fonction de transfert à prédire. 10/40 Problème direct Problème directe: Coûteux en temps Méta-modèle Chaos Polynomial: une représentation des variables aléatoires générale, une surface de réponse exacte pour une large incertitude. Porquerolles 05/2010 11/40 Méta-modèle par chaos polynomial Représentation sur Chaos Polynomial d’Hermite ξ: variables normales centrées réduites avec Estimation des coefficients avec Porquerolles 05/2010 12/40 Distribution a priori Inconnus: x • paramètres de modèle θ • bruit de mesures • non-linéarité de mesures • erreur de modélisation Paramètres de modèle: Paramètres physiques aléatoires θ = {propriétés matériaux et géométriques, conditions aux limites, etc.} Champs physiques stochastiques Porquerolles 05/2010 13/40 Distribution a priori des paramètres de modèle Construction de p(θ) Avis d’expert, principe d’entropie maximale. Représentation par variable chaos fonction exponentielle ex: θ une variable lognormale Porquerolles 05/2010 14/40 Caractérisation a priori du bruit et de la nonlinéarité Propriété stochastique du bruit en fréquence: normale complexe circulaire centrée réduite Porquerolles 05/2010 15/40 Caractérisation a priori du bruit et de la nonlinéarité Propriété stochastique du bruit en fréquence: normale complexe circulaire centrée réduite Propriété stochastique de la nonlinéarité en fréquence: Sous excitation gaussienne, Hlin(ω) Ylin(ω ω) + Ys(ω ω) Porquerolles 05/2010 Y0(ω ω) 16/40 Caractérisation a priori du bruit et de la nonlinéarité Multi-sinus avec phase aléatoire variance de bruit (sur périodes) avec Protocole expérimentale variance de la non-linéarité (sur réalisations) Porquerolles 05/2010 17/40 Distribution a priori de l’erreur de modélisation Erreur de modélisation Ne(ω) Simplification de la réalité Erreur systématique Détermination de la distribution de probabilité p(Ne) Hypothèse: Ne ∼ Nc(0,σ[C]) avec [C] matrice de corrélation connue Porquerolles 05/2010 18/40 Fonction de vraisemblance Ecart entre mesure-modèle Erreur de mesure Erreur de modèle Fonction de vraisemblance Porquerolles 05/2010 19/40 Distribution de probabilité a posteriori Distribution a posteriori par la règle de Bayes : Distribution marginale a posteriori des paramètres MAP EAP …. Problème: une fonction très compliquée! → Besoin d’une méthode d’échantillonnage général. Porquerolles 05/2010 20/40 Monte Carlo par Chaînes de Markov (MCMC) Idée: Créer un processus de Markov dont la distribution stationnaire limite est (exemple: chaîne de Markov) Problème MCMC classique : Convergence lente, Facilement bloqué autour d’un mode local. Porquerolles 05/2010 21/40 Monte Carlo par Chaînes de Markov évolutionnaire Porquerolles 05/2010 22/40 Monte Carlo par Chaînes de Markov évolutionnaire Améliorations: Une population de chaînes Technique de Parallel tempering Algorithme évolutionnaire (Opération de Croisement ) Porquerolles 05/2010 23/40 Exemple 1: modèle simple d’une poutre histogramme par MCMC distribution a priori distribution a posteriori Porquerolles 05/2010 24/40 Exemple 2: Application complète Structure « réelle » Mesures simulées Module d’Young Masse volumique Porquerolles 05/2010 25/40 Modèle et Chaines de Markov Erreur de modélisation: Négligence de masse ponctuelle Uniformisation de propriété matérielle Porquerolles 05/2010 26/40 Modèle et Chaines de Markov Porquerolles 05/2010 27/40 Fonctions de transfert recalées et loi marginale mode 1 1200 mode 2 Porquerolles 05/2010 28/40 Effet de l’insuffisance de la modélisation Inférence dans une bande fréquentielle plus large (0 2500] Hz E4 ≈ 90 GPa paramètres recalés non-acceptables! Porquerolles 05/2010 mauvaise prédiction en hautes fréquences! 29/40 Prise en compte des erreurs de modélisation structure linéaire Variables aléatoires additionnelles Paramètres modaux hybrides Porquerolles 05/2010 30/40 Stratégies d’inférence Approche marginale (ε: paramètres de nuisance) Approximation de Laplace: : la valeur optimale. → Optimiser ε pour chaque état ξ de la chaîne de Markov (Levenberg-Marquardt) Porquerolles 05/2010 31/40 Exemple pour prise en compte des erreurs de modélisation Ajout des variables : Porquerolles 05/2010 32/40 Approche marginale Loi cible: Porquerolles 05/2010 33/40 Approche marginale Prédiction des fonctions de transfert à 90% Porquerolles 05/2010 34/40 Validation expérimentale Porquerolles 05/2010 35/40 Mesures expérimentales Porquerolles 05/2010 36/40 Modélisation de la structure Porquerolles 05/2010 37/40 Distribution de probabilité marginale a posteriori Valeurs moyennes: E1 = 199 E2 = 212 E3 = 173 E4 = 174 Porquerolles 05/2010 38/40 Résultats: Fonctions de transfert recalées Porquerolles 05/2010 39/40 Conclusions Une solution complète basée sur l’inférence bayésienne dans le domaine fréquentiel a été proposée : Excitation multi-sinus (maîtrise des non-linéarités et du bruit de mesure) Méta-modèle par Chaos polynomiale pour accélérer l’évaluation du modèle directe et la propagation des incertitudes Traitement des erreurs de modélisation par introduction de variables stochastiques supplémentaires Exploration de la distribution a posteriori par une méthode d’échantillonnage puissante (MCMC évolutionnaire) Porquerolles 05/2010 40/40 Je vous remercie de votre attention! Porquerolles 05/2010 41/40