L’analyse d’incertitudes a pour but d’estimer le degré de connaissance d’une quantité d’intérêt incertaine, lorsque celle-ci est caractéristique du fonctionnement d’un système physique, et qu’elle est liée à des enjeux décisionnels. Les outils mathématiques développés dans ce but doivent ainsi permettre d’évaluer l’impact des incertitudes sur un phénomène physique ou un processus expérimental, mais aussi de calculer le risque de défaillance d’un système, et enfin de maîtriser voire d’optimiser les performances de celui-ci.
Image
Il demeure encore nombre de défis à relever afin d’améliorer la quantification et donc la propagation d’incertitudes, parmi lesquels on retrouve, par exemple, la maîtrise des incertitudes engendrées par l’utilisation de modèle de substitution, mais aussi la gestion de celles-ci en grandes dimensions (dimension stochastique) voire sur des champs, la résolution de problèmes inverses afin d’analyser les sources d’incertitudes, ou encore la caractérisation du double aléa (incertitudes des incertitudes).
L'axe « Incertitudes et Modélisation Stochastique » est ainsi découpé en 5 grands thèmes de recherche :
- Modélisation, propagation d'incertitudes et analyse de sensibilité
- Estimation d’événements rares et fiabilité
- Modélisation statistique bayésienne
- Optimisation sous incertitudes
- Résolution d’équations aux dérivées partielles stochastiques
Responsables de l’axe : J. Morio (DTIS), S. Lefebvre (DOTA)