Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 1/24

Organisme(s) : EDF-R&D/AMA
















Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
Document : R4.03.05




Modèles probabilistes paramétriques et non-
paramétriques en dynamique





Résumé :

Ce document décrit deux approches probabilistes, l'une paramétrique et l'autre non paramétrique afin de
prendre en compte les incertitudes de modèle et de modélisation pour les systèmes dynamiques en mécanique
des structures. L'approche non-paramétrique est spécifique à la résolution sur base modale des systèmes
linéaires (en transitoire ou en harmonique) et à la résolution sur base modale des systèmes avec des
non-linéarités localisées (en transitoire). L'approche paramétrique est a priori universelle, mais elle est plus
particulièrement présentée dans le cas où elle est combinée avec l'approche non paramétrique.
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 2/24


Table
des
matières


1 Généralités.............................................................................................................................................4
2 Modélisations du système dynamique...................................................................................................5
2.1 Modèle éléments finis moyen ..........................................................................................................5
2.1.1 Résolution transitoire en coordonnées absolues ...................................................................5
2.1.2 Résolution transitoire en coordonnées relatives (séisme) .....................................................5
2.1.3 Résolution harmonique...........................................................................................................6
2.2 Modèle matriciel réduit moyen.........................................................................................................7
2.2.1 Résolution en transitoire.........................................................................................................7
2.2.2 Résolution en harmonique......................................................................................................8
3 Modèle probabiliste................................................................................................................................9
3.1 Introduction du modèle probabiliste dans le problème dynamique .................................................9
3.2 Modèle probabiliste pour les matrices du système dynamique (incertitudes non paramétriques)10
3.2.1 Information disponible sur les matrices du système dynamique..........................................10
3.2.2 Construction du modèle probabiliste par le principe du maximum d'entropie......................11
3.3 Modèle probabiliste pour les variables réelles (incertitudes paramétriques) ................................12
3.3.1 Information disponible sur les variables réelles....................................................................12
3.3.2 Construction du modèle probabiliste par le principe du maximum d'entropie......................13
3.3.3 Support fermé borné sans information sur l'inverse.............................................................13
3.3.4 Support semi fermé non borné sans information sur l'inverse.............................................13
3.3.5 Support semi fermé non borné avec information sur l'inverse.............................................14
3.4 Construction de la réponse stochastique et des statistiques associées .......................................14
3.4.1 Cas transitoire ......................................................................................................................14
3.4.1.1 Réponse transitoire stochastique.............................................................................14
3.4.1.2 Spectre de réponse élastique ..................................................................................15
3.4.2 Cas harmonique ...................................................................................................................15
3.4.3 Construction de la réponse stochastique par la méthode de Monte Carlo ..........................15

3.4.3.1 Choix et mise en oeuvre de la méthode de Monte Carlo .........................................15
3.4.3.2 Génération des matrices pseudo-aléatoires ............................................................16
3.4.4 Statistiques sur les spectres.................................................................................................16
3.4.4.1 Estimation des quantiles ..........................................................................................16
3.4.4.2 Valeurs extrêmes d'échantillon ................................................................................17
3.4.4.3 "Domaine de confiance" établi à partir de l'inégalité de Tchebychev ......................17

4 Mise en oeuvre dans Code_Aster ........................................................................................................19
4.1 Etude de la convergence stochastique du modèle numérique......................................................19
4.1.1 Cas transitoire ......................................................................................................................19
4.1.2 Cas harmonique ...................................................................................................................19

4.2 Choix des paramètres de dispersion .............................................................................................20
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 3/24

4.3 Principales étapes .........................................................................................................................20
4.4 Efficacité numérique de l'approche non paramétrique..................................................................21
5 Bibliographie........................................................................................................................................22

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 4/24


1 Généralités

Les incertitudes, même lorsqu'elles sont réduites, peuvent changer significativement la prédiction du
comportement vibratoire de la structure ([bib13], [bib16]). Il est donc nécessaire de les prendre en
compte d'une manière quantifiable et explicite pour augmenter le réalisme et la robustesse des
prévisions. Dans ce contexte, un modèle probabiliste des incertitudes contribue au réalisme de la
démarche.

L'approche probabiliste classique, dite paramétrique, permet d'incorporer dans l'analyse mécanique les
incertitudes sur les données, i.e. les incertitudes paramétriques sur la géométrie, les conditions aux
limites ou les propriétés des matériaux. Dans cette approche, chaque paramètre identifié comme
source d'incertitudes aléatoires est modélisé par une variable aléatoire. Les paramètres d'entrée du
modèle étant ainsi caractérisés, les méthodes numériques probabilistes cherchent à caractériser de
façon probabiliste la ou les quantités résultats du modèle. Pour des structures complexes, pour
lesquels le comportement vibratoire dépend d'un grand nombre de paramètres, ce type d'analyse
probabiliste est limité par la grande quantité d'informations nécessaires pour caractériser les
paramètres d'entrée et les difficultés de mise en oeuvre de la propagation de la variabilité.

Une nouvelle approche, dite approche probabiliste non paramétrique des incertitudes aléatoires en
dynamique des structures a été récemment proposée par C. Soize ([bib20] à [bib24]). Cette approche
permet de prendre en compte les incertitudes de modèle (incertitudes sur la géométrie par exemple) et
les incertitudes de modélisation (incertitudes sur la cinématique de poutre ou de plaque par exemple).
Elle est basée sur la construction de matrices aléatoires des systèmes dynamiques linéaires, après
projection sur base modale.

Ces deux approches probabilistes, l'une paramétrique et l'autre non paramétrique, sont
complémentaires. Ainsi une approche mixte, paramétrique et non paramétrique, peut être est
développée (méthode originale ayant donné lieu à des publications ([bib6] et [bib11] ). En particulier,
cette méthode mixte est bien adaptée à la prise en compte d'incertitudes dans l'analyse d'un système
dynamique non linéaire composé d'une structure linaire réduite sur base modale et de non-linéarités
localisées. En effet, les incertitudes au niveau de la structure linéaire peuvent être traitées
naturellement par l'approche non paramétrique et les incertitudes sur les non-linéarités peuvent être
traitées naturellement par l'approche paramétrique.

Le modèle numérique de base du système dynamique non linéaire est un modèle éléments finis qui
sera appelé « modèle éléments fins moyen ». Qu'il s'agisse de l'approche paramétrique ou non
paramétrique, les lois de probabilité doivent être définies de manière adéquate et le plus objectivement
possible à partir de ce modèle moyen. Un modèle gaussien des matrices aléatoire n'est pas adapté à
la dynamique en basse fréquence (fréquences propres négatives). Afin de construire les loi de
probabilité correspondante, on utilise le principe du maximum d'entropie de Jayne ([bib14], [bib15],
[bib17]) ainsi que l'information disponible (modèle éléments fins moyen, propriétés algébriques des
matrices, etc.)

Dans ce document, nous présentons l'approche non paramétrique pour des résolutions transitoire ou
harmonique du système dynamique. L'approche paramétrique est plus particulièrement présentée
dans le cas où elle combinée avec la méthode non paramétrique.

Les lecteurs cherchant les résultats fondamentaux de la dynamique stochastique pourront se référer à
[18] et les lecteurs recherchant les détails théoriques de l'approche probabiliste présentée dans ce
document pourront se référer à [bib19]. Des exemples d'utilisations de l'approche sont données dans
[bib5], et [bib7]. Dans [bib10], des essais expérimentaux ont permis de montrer le caractère prédictif de
l'approche.
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 5/24


2
Modélisations du système dynamique

2.1
Modèle éléments finis moyen

2.1.1 Résolution transitoire en coordonnées absolues

Dans le repère absolu, le système mécanique est modélisé par la méthode aux éléments finis. Ce
modèle de base (en général celui qui aurait été utilisé dans l'étude déterministe) est désigné sous le
nom de « modèle éléments finis moyen ». Toutes les grandeurs relatives aux modèles moyens sont
soulignées.

Soit t
y(t)
a
la réponse transitoire dans le repère absolu du « modèle éléments finis moyen » définie
sur l'intervalle d'étude [0,T ] et à valeur dans k
R où k est le nombre de d.d.l. Les matrices de masse,
d'amortissement et de rigidité sont respectivement notées [M] , [D] et [K].
La réponse transitoire y(t) du « modèle éléments finis moyen » vérifie l'équation différentielle non
linéaire discrétisée suivante :

[M]y&&(t) +[D]y&(t) +[K]y(t) + f (t,y(t),y&(t);w) = f (t) , t [0,T], éq
2.1.1-1
c

avec les conditions initiales,
y(0) = y&(0) = 0 , éq
2.1.1-2

1) f (t) m
R représente la discrétisation par éléments finis des forces extérieures.
2) f (t, y(t), y(t), w)
c
&
m
R correspond aux non linéarités localisées (par exemple dues à des
butées élastiques de choc). Les éléments w ,
, w du vecteur w
R représentent un jeu
1 L

de paramètres définissant ces non linéarités ( par exemple jeu, raideur de choc,
amortissement de choc, etc.).

2.1.2 Résolution transitoire en coordonnées relatives (séisme)

Comme dans le cas transitoire en coordonnées absolues, le système mécanique est modélisé par un
modèle de base, le « modèle éléments finis moyen ».
On note t
(t)
a z
la réponse transitoire en coordonnées absolues de ce modèle sur l'intervalle
d'étude [0,T ] à valeur dans k
R (attention : remarquez le changement de notation par rapport au
paragraphe précédent.).

La réponse transitoire z (t) = (z(t), z (t)) du « modèle éléments finis moyen » vérifie l'équation
s
différentielle non linéaire discrétisée suivante :

[M]
[M ] z(
&& t) [D]
[D ] z&(t) [K] [K ] z(t)
ls
ls
ls


+

+
[M ]T
[M ] z&& (t) [
D ]T [D ] z& (t)
[

K ]T [K ]
z (t)

ls
s
s
ls
s
s
ls
s
s

F (t, z(t), z&(t);w) g(t)
c
+
=
, t [0,T ], éq
2.1.2-1
0
g (t)

d


s

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 6/24


avec les conditions initiales,
z(0) = z&(0) , z (0) = z& (0) ,




éq 2.1.2-2
s
s
1) g(t) m
R représente la discrétisation par éléments finis des forces extérieures et
g (t) d
R correspond à la discrétisation des forces de réaction dues aux d conditions de
S
Dirichlet z (t) .
s
2) F (t, z(t), z&(t);w) m
R correspond aux non linéarités localisées avec comme
c
précédemment w
R représentant un jeu de paramètres définissant ces non linéarités.

Après relèvement statique, les équations matricielles [éq 2.1.2-1] et [éq 2.1.2-2] dans le repère absolu
sont réécrites en coordonnées "relatives" :
[M]y&&(t) +[D]y&(t) +[K]y(t) + f (t,y(t),y&(t);w) = f (t) , t [0,T], éq
2.1.2-3
c
y(0) = y&(0) = 0 ,
éq
2.1.2-4
1) y(t) m
R est le vecteur des d.d.l. libres dans le système de coordonnées "relatives" tel que
z(t) = y(t) +[R]z (t) avec
1
[R]
[ ]-
= - K [K ] .
s

ls
2) La
fonction t
f (t)
a
définie sur [0,T ] et à valeur dans m
R et l'application non linéaire
(x,y) f
a
de m
R × m
R dans m
R sont telles que
c (t, x, y ; w )
f (t) = g(t) - ([M][R] +[M ])z(
&& t) - ([D][R]+[D ])z&(t) , éq
2.1.2-5
ls
ls
f
= F
+
+

éq
2.1.2-6
c (t, x, y ; w )
c (t, x
[R]zs(t),y [R]z&s(t) ; w).

Remarques :

1) Dans la suite, selon que l'on a effectué ou non un relèvement statique, y(t) correspond

soit à la réponse transitoire en coordonnées absolues définie par le [§ 2.1.1], soit la
réponse transitoire en coordonnées "relatives" définie par le [§
2.1.2].
2) On suppose que si les d conditions de Dirichlet étaient homogènes aucun mouvement
de corps rigide ne pourrait se produire. Par conséquent, [K] est symétrique définie
positive et son inverse
[K]-1 est définie, ce qui permet d'introduire la matrice réelle
1
[R]
[ ]-
= - K [K ] de dimension (m× d) .
ls
3) Dans Code_Aster le terme d'amortissement dans [éq 2.1.2-5] est négligé.


2.1.3 Résolution
harmonique

Comme dans le cas transitoire, le système mécanique est modélisé par un modèle de base, le
« modèle éléments finis moyen ». Sur une bande fréquentielle [ , , la réponse harmonique q()
1
2 ]
du « modèle éléments finis moyen » linéaire vérifie l'équation suivante :
(- 2
[M]+ i [D] + [K]) q() = F ( ) , [ , éq
2.1.3-1
1
2 ]
avec f ( ) représentant la discrétisation par éléments finis des forces extérieures.
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 7/24


2.2
Modèle matriciel réduit moyen

On suppose que l'énergie de vibration de la réponse dynamique est principalement localisée dans le
domaine des basses fréquences. On peut donc construire le modèle matriciel réduit moyen en
projetant y(t) ou y() sur le sous espace propre engendré par les n premiers modes du système
dynamique linéaire (jeux infinis) conservatif homogène (supports bloqués) associé qui s'écrit,

[K] = [M] . éq
2.2-1

Les matrices [M] et [K] étant définies positives (pour [K] cf. remarque 2 [§ 2.1.2]), les valeurs
propres , ,
L sont réelles et positives,
1
n
0 < L . éq
2.2-2
1
2
n
Les modes propres de vibration associés { , ,L} vérifient les propriétés d'orthogonalité,
1
2
< [M] , > = µ , éq
2.2-3




< [K] , > =
2
µ ,
éq
2.2-4




avec
=

.









éq 2.2-5

On note respectivement la matrice de masse généralisée, la matrice de raideur généralisée et la
matrice de amortissement généralisée par :

[M ]

[M] [ ], éq
2.2-6
n = [
]T
n
n
[K ]

[K] [ ], éq
2.2-7
n = [
]T
n
n
[D ]

[D] [ ],
éq
2.2-8
n = [
]T
n
n

2.2.1 Résolution en transitoire

La projection n
y (t) de y(t) sur le sous espace engendré par les n premiers modes du système

dynamique linéaire conservatif homogène associé s'écrit :
n
n
y (t) = [ ] n
q (t)
n
= q (t) ,
éq
2.2.1-1
n


1
=
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 8/24


Les déplacements généralisés n
q (t) sont solutions du modèle matriciel réduit moyen (système

dynamique non linaire),
[M ] n
q
&& (t) + [D ] n
q& (t) + [K ] n
q (t) + n
F (t, n
q (t) , n
q& (t) ; w ) = n
F (t), éq 2.2.1-2
n
n
n
c
n
q& (0)
n
= q (0) = 0 ,
éq
2.2.1-3
avec
n
F (t) = [ ]T f (t) ,
éq
2.2.1-4
n
Fn
= [ ]T f ( t, [ ] q, [ ] p ; w ). éq
2.2.1-5
c (t, q, p ; w )
n
c
n
n

2.2.2 Résolution en harmonique

La projection n
y () de y() sur le sous espace engendré par les n premiers modes du système

dynamique linéaire conservatif homogène associé s'écrit

n
q () =[ ]T f ( ),
éq
2.2.2-1
n
Les déplacements généralisés n
q () sont solutions du model matriciel réduit moyen

(- 2
[M ]+ i [D ] [K ) n
q () = n
F () éq 2.2.2-2
n
n +
]
n
avec
n
F ()= [ ]T f (), éq
2.2.2-3
n
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 9/24


3 Modèle
probabiliste


3.1
Introduction du modèle probabiliste dans le problème dynamique

Afin de prendre en compte les incertitudes de modélisation et les incertitudes sur les données, une
formulation probabiliste mixte non paramétrique ­ paramétrique est utilisée. Pour cela, le vecteur des n
d.d.l. généralisés n
q (t) (resp. n
q () ) est remplacé par une variable aléatoire n
Q (t)
(resp.
n
Q () ).

En transitoire, le processus stochastique
n
t
Q (t)
a
indexé par [0,T ] et à valeur dans n
R est
solution du système dynamique non linéaire,
[M ] n
Q&
+ D Q&
+ K Q
+ F
Q
Q&
W = F

éq
3.1-1
n
(t) [ ] n
n
(t) [ ] n
n
(t) nc(t, n(t), n(t) ; ) n(t),
n
Q (0)
n
= Q& (0) = 0 ,








éq 3.1-2
et en harmonique, le processus stochastique t
n
Q (
a
) indexé sur [ , et à valeur dans n
R
1
2 ]
est solution du système :
(- 2
[M + i [D + [K ) n
Q () = n
F ( ),
éq
3.1-3
n ]
n ]
n ]
où, dans les deux cas transitoire et harmonique, [M ], [D ] et [K ] sont des matrices réelles
n
n
n
symétriques définies positives pleines aléatoires et où W est une variable aléatoire à valeur dans
R .
L'introduction de matrices aléatoires dans les équations [éq 3.1-1] et [éq 3.1-3] permet de modéliser
les incertitudes aléatoires associées à la partie linéaire du système dynamique. La variable aléatoire
W à valeur vectorielle introduite dans l'équation [éq 3.1-1] permet de modéliser les incertitudes
aléatoires concernant les paramètres des non linéarités de choc.

L'approche probabiliste paramétrique et l'approche probabiliste non paramétrique introduisent des
matrices aléatoires ([M ],[D ] et [K ] ) et une variable aléatoire W dont les lois de probabilité
n
n
n
sont a priori non connues. Le choix d'un modèle probabiliste plutôt qu'un autre doit reposer
uniquement sur l'information disponible (propriétés algébriques des matrices généralisées, valeurs
moyennes des paramètres et des matrices généralisées, etc.). Afin de construire objectivement les lois
de probabilité du modèle probabiliste des incertitudes, ([bib20] à [bib24]), le principe du maximum
d'entropie ([bib14], [bib15], [bib17]) est utilisé avec un système de contraintes définies par cette
information disponible. L'information disponible et le modèle probabiliste qui en découle sont présentés
dans le prochain paragraphe.
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 10/24


3.2 Modèle probabiliste pour les matrices du système dynamique
(incertitudes non paramétriques)

3.2.1 Information disponible sur les matrices du système dynamique

Le modèle probabiliste non paramétrique est construit en substituant les matrices [M ] , [K ] et
n
n
[D ] par des matrices aléatoires respectivement notées [M ], [K ] et [D ]. Afin que le système
n
n
n
n
dynamique probabiliste ainsi construit soit mécaniquement et statistiquement correct, la construction
des matrices aléatoires [M ] , [K ] et [D ] doit être telle que :
n
n
n


1) [M ] , [K ] et [D ] sont des variables aléatoires du second ordre à valeurs dans
n
n
n
l'ensemble des matrices symétriques réelles définies positives et de dimension (n × n) .

[M ] , [K ] et [D ]
+
M p.s. (presque sûrement),
éq
3.2.1-1
n
n
n
n


+
M est l'ensemble des matrices réelles symétriques définies positives de dimension
n
(n × n) .
Cette propriété algébrique est absolument nécessaire pour avoir un modèle d'équation aléatoire qui
correspond à celle d'un système dynamique du second ordre amorti.


2) Les valeurs moyennes des matrices aléatoires [M ] , [K ] et [D ] sont respectivement
n
n
n
[M ] , [K ] et [D ] :
n
n
n
E [
{M = M , E [{K = K et E [{D = D , éq 3.2.1-2
n ]}
[ n]
n ]}
[ n]
n ]}
[ n]
où E désigne l'espérance mathématique.

3) Afin que la solution du système dynamique probabiliste soit aussi une variable du second
ordre, on impose aux moments du second ordre des normes de Frobenius des matrices
inverses
1
[M ]- ,
1
[K ]- et
1
[D ]- d'être finis :
n
n
n

E {|| [M ]-1 || 2 }< + , E {||[K ] -1 || 2 }< + , E {|| [D ]-1 || 2 }< + , éq 3.2.1-3
n
F
n
F
n
F
1/
avec [ ]
A
= (tr [{ ]
A [ ]T
A
.
F
}) 2

Remarque :

La seule propriété de positivité des matrices ne suffit pas et il faut s'assurer que leurs inverses
sont du second ordre, d'où (3 (une variable aléatoire du second ordre presque sûrement
inversible n'a pas dans le cas général une variable aléatoire inverse du second ordre). Pour
plus de détails voir [bib19].

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 11/24


3.2.2 Construction du modèle probabiliste par le principe du maximum d'entropie

L'entropie « mesure » le niveau d'incertitude d'une loi de probabilité. Ainsi, si p
est la fonction de
[A]
densité de probabilité correspondant à une matrice aléatoire [A] (représentant les matrices [M ] ,
n
[K ] ou [D ]) de loi donnée, alors l'entropie (ou incertitude probabiliste) S( p ) de p est définie
n
n
[A]
[A]
par :
~
S( p )
,
éq
3.2.2-1
A
= -
p ([A]) ln( p ([A])) dA
[ ]
M+ [A]
[A]
n
Le principe du maximum d'entropie de Jayne consiste à construire la fonction de densité de probabilité
qui maximise l'entropie probabiliste S( p
) tout en vérifiant un système de contraintes. Dans le cas
[A]
présent, le système de contraintes est défini par l'information disponible correspondant aux équations
[éq 3.2.1-1] à [éq 3.2.1-3]. Pour la matrice aléatoire [A] , ce système de contraintes s'écrit
+
[A] M p.s. , E{[A }
] = [ ]
A , E{|| [A]-1 || 2 }< + .
éq 3.2.2-2
n
F
On montre alors que la matrice aléatoire [A] est telle que (voir [bib20] à [bib24])
[A] = [L ]T [G ][L ] ,
éq
3.2.2-3
A
A
A
où [L ]
A est la matrice triangulaire inférieure issue de la factorisation de Cholesky de la matrice
moyenne [ ]
A et où la fonction de densité de probabilité de la matrice aléatoire [G ] est définie sur
A
~
l'ensemble
+
M par rapport à la mesure dG telle que :
n
~
n(n
dG
-
=
)
1 / 4
2

dG ,
éq
3.2.2-4

1 i jn
ij
1
(
2
- )(2 2
) 1
- (n+ )
1
-(n+ )(
1 2 2
) 1
- tr[G]
A
A
A
p
([G]) = 1
, éq
3.2.2-5
G
×
×
×
+ ([G])
C
(det[G])
e
[
]
G
A
M
A
n
avec
2
1
n(n+ )(
1 2 )-
A

-
-
+
n(n )
1 / 4
n 1
(2 )


2
2


A
C

=
,
éq
3.2.2-6
GA
n +
- j
n
=
j 1
( 1 1
+
)
2 2

2
A

(z) = + z-1 -t
t
e dt ,
éq
3.2.2-7
0
et où 1
M

+ est la fonction indicatrice de
+ , et où le paramètre
contrôlant la dispersion de la
M
n
A
n
matrice aléatoire [A] est défini par :

{[G
G
A ] - [
A ] 2
E
F } 1/ 2



, éq
3.2.2-8
A =


[GA]

2

F

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 12/24


La construction théorique du modèle fournit une borne admissible pour le niveau d'incertitude introduit.
A doit être choisi de sorte que
n
1
0
0
+
<
<
,
éq
3.2.2-9
A
n + 5
0
n N est une constante du modèle probabiliste choisie de sorte que n < n .
0
0

On démontre de plus que, sous les seules contraintes des équations [éq 3.2.1-1] à [éq 3.2.1-3], le
principe du maximum d'entropie conduit à ce que les matrices aléatoires [M ], [K ] ou [D ] soient
n
n
n
statistiquement indépendantes dans leur ensemble.

Ce modèle probabiliste pour les matrices aléatoires réelles symétriques définies positives diffère des
modèles plus classiques des matrices aléatoires basées sur les Ensembles Gaussiens et les
ensembles Circulaires (références dans [bib19]). L'ensemble gaussien orthogonal utilisé par ailleurs
pour des domaines hautes fréquences conduirait dans le domaine basses fréquences (dans lequel on
se place) à des valeurs propres négatives, ce que l'on ne peut pas admettre pour les systèmes
considérés. De plus, une matrice de l'ensemble gaussien orthogonal ne possède pas dans le cas
général une matrice inverse du second ordre, ce qui conduirait à une solution du système dynamique
de variance infinie, ce que l'on ne peut pas non plus admettre.

3.3 Modèle probabiliste pour les variables réelles (incertitudes
paramétriques)

3.3.1 Information
disponible sur les variables réelles

Dans l'approche probabiliste mixte, la modélisation probabiliste paramétrique consiste à substituer le
paramètre w des non-linéarités dans les systèmes dynamiques non linéaires données par [éq 2.1.1-1]
ou [éq 2.1.2-3] par une variable aléatoire notée W = (W ,
1 K

W
,
). Dans une approche purement
paramétrique (i.e. sans rendre aléatoires les matrices du système dynamique), la modélisation
probabiliste paramétrique consiste à substituer certains paramètres w des matrices [M n (w)],
[K
Dn(w)
n (w)] et [
] du système dynamique réduit moyen par une variable aléatoire W. Ces
paramètres peuvent être par exemple des paramètres du matériau.

On suppose que les composantes de W sont des variables aléatoires réelles indépendantes entre
elles et indépendantes des matrices aléatoires du système dynamique. Dans la suite, pour alléger
l'écriture, on note W une coordonnée quelconque W j . La construction du modèle probabiliste
nécessite de définir l'information disponible, laquelle constitue un système de contrainte sous lequel
l'entropie de la densité de probabilité de la variable aléatoire W est maximisée.

L'information disponible est la suivante :


1) Le support de la variable aléatoire W est un intervalle D de
R
W D, .
p .
s .
éq
3.3.1-1

2) La valeur moyenne de la variable aléatoire W est w :
E{W}= w .
éq
3.3.1-2

3) Eventuellement, selon l'information effectivement disponible, le moment du second ordre de
1
-
la variable aléatoire W
est fini :
E{ 2
-
W
}<+.
éq
3.3.1-3
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 13/24


3.3.2 Construction du modèle probabiliste par le principe du maximum d'entropie

Si p est la fonction de densité de probabilité correspondant à la variable aléatoire W alors l'entropie
W
(incertitude probabiliste) S( p ) de p est définie par :
W
W
S( p ) = -
p (w)ln( p (w))dw ,
éq
3.3.2-1
W
+ W
W
-
En utilisant le principe du maximum d'entropie, on obtient trois densités de probabilité suivant la nature
du support D et selon que la contrainte correspondant à l'équation [éq 3.2.2-6] est considérée ou non.

3.3.3 Support fermé borné sans information sur l'inverse

S'il existe deux réels a et b tels que D = [a,b] et si l'information disponible est donnée par les
équations [éq 3.3.1-1] et [éq 3.2.2-5], alors la variable aléatoire W suit une loi exponentielle tronquée
dont la fonction de densité de probabilité est :

k
p ( )
w = 1
( )
w
exp(- )
kw





éq 3.3.3-1
W
[a,+]
(k)

1
est la fonction indicatrice de [a,b]

et k sont tels que
[a,b]
et où (k)
( k
w - )
1 (k) - k (k) = 0 , éq
3.3.3-2
avec
- ak
-b k
(k) = e - e ,
éq
3.3.3-3
et
- ak
-b k
(k) = a e - be . éq
3.3.3-4

3.3.4 Support semi fermé non borné sans information sur l'inverse

S'il existe un réel a tel que D = [a, + [
et si l'information disponible est donnée par les équations
[éq 3.3.1-1] et [éq 3.3.1-2] alors la variable aléatoire W suit une loi exponentielle dont la fonction de
densité de probabilité est :
1
w - a
p ( )
w = 1
( )
w
exp(-
) , éq
3.3.4-1
W
[a,+]
w - a
w - a
1
est la fonction indicatrice de [a, + [
.
[0,+[
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 14/24


3.3.5 Support semi fermé non borné avec information sur l'inverse

S'il existe un réel a tel que D = [a, + [
et si l'information disponible est donnée par les équations.
[éq 3.3.1-1], [éq 3.3.1-2] et [éq 3.3.1-3], alors la variable aléatoire W suit une loi gamma dont la
fonction de densité de probabilité est,
2
(
w
-
2 -1/
a )
2

2
2

-
(1 )/
w - a
p ( )
w
1
,
éq 3.3.5-1
W
=
( )
w
(w a)
exp -
[a,+]
-
2

2
1
( / )
(w - a)
est un paramètre contrôlant le niveau d'incertitude de la variable aléatoire qui s'écrit W (de
façon analogue au cas non paramétrique [éq 3.2.2-8]) :

({w - w)2
E
} 1/2

=
, éq
3.3.5-2
2

w



3.4 Construction de la réponse stochastique et des statistiques
associées

3.4.1 Cas
transitoire

3.4.1.1 Réponse transitoire stochastique

Les excitations du système dynamique sont supposées déterministes, mais au paragraphe [§3.1], des
matrices et des paramètres aléatoires ont été introduits dans le modèle matriciel réduit. Donc, la
réponse transitoire
n
t
Q (t)
a
est un processus stochastique non stationnaire indexé par [0,T ] à
valeur dans
n
R (en utilisant quelques hypothèses supplémentaires d'existence, d'unicité et de
régularité de la solution déterministe, cf. [bib19]).

Par voie de conséquence, au vecteur des m d.d.l. libres n
y (t) correspond le processus stochastique
n
Y (t) indexé par [0,T] et à valeur dans m
R tel que
n
Y (t) = [ ] n
n Q (t ),
éq
3.4.1.1-1
Dans le cas du passage en coordonnées relatives, au processus stochastique
n
t
Y (t)
a
indexé par
[0,T ] et à valeur dans m
R défini par l'équation [éq 3.4.1.1-1] correspond le processus stochastique
n
t
Z (t)
a
des d.d.l. libres de la structure en coordonnées absolues indexée par [0,T ] et à valeur
dans m
R telle que
n
Z (t)
n
= Y (t) +[R]z (t) .
éq
3.4.1.1-2
s
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 15/24


3.4.1.2 Spectre de réponse élastique

On note n
Z (t) la jème composante du vecteur n
Z (t) correspondant à une réalisation aléatoire de la
j
réponse stochastique du jème d.d.l. libre de la structure. n
Z (t) peut-être caractérisée par son spectre
j
de réponse élastique (appelé également spectre d'oscillateur dans la doc. du Code_Aster) que l'on
note S ( ,) où et
j

sont respectivement le taux d'amortissement et la pulsation associés.
Avec des hypothèses raisonnables, en particulier sur la régularité de l'application non linéaire
(t,q,p ; w) Fn
a
n
c (t, q, p ; w), on peut démontrer que Z (t) est un processus du second ordre dont
les trajectoires sont presque sûrement continues. Par conséquent, pour tout fixé dans un intervalle
J
a
donné,
S ( , ) est un processus stochastique indexé sur la bande d'analyse J

j
à valeur
dans +
R . On admet que ce processus est du second ordre, c'est-à-dire :
2
{
E S (,) } < +,
J . éq
3.4.1.2-1
j


3.4.2 Cas
harmonique

Au paragraphe [§3.1], des matrices et des paramètres aléatoires ont été introduits dans le modèle
matriciel réduit. La réponse harmonique t
n
Q (
a
) est donc un processus stochastique indexé sur
[ , à valeur dans n
R .
1
2 ]

Par voie de conséquence, au vecteur des m d.d.l. libres n
y () correspond le processus
stochastique
n
Y ()

indexé sur [
, et à valeur dans m
R tel que
1
2 ]
n
Y () = [ ] n
n Q ( )
éq
3.4.2-1
n
Y (
la jème composante du vecteur
n
Y () est une variable aléatoire que l'on admettra du second
j
)
ordre.


3.4.3 Construction de la réponse stochastique par la méthode de Monte Carlo

3.4.3.1 Choix et mise en oeuvre de la méthode de Monte Carlo

Les réponses et les spectres de réponse correspondent à des transformations fortement non linéaires
des matrices aléatoires et des paramètres aléatoires qui résultent de la modélisation probabiliste des
incertitudes. De plus, on ne peut bien sûr construire que des approximations numériques des ces
réponses et de ces spectres de réponse. Les statistiques (premiers moments statistiques, probabilité
de dépassement d'un seuil, ...) s'écrivent formellement comme des intégrales multiples de très grande
dimension car le nombre de variables aléatoires du modèle probabiliste est par construction élevé.
Enfin, le nombre de grandeurs observées est très grand (plusieurs ddl pour plusieurs fréquences).
Pour toutes ces raisons, la méthode la plus adaptée pour calculer la solution probabiliste (réponse
stochastique et statistiques associées) est la méthode de simulation numérique de Monte-Carlo.

La méthode de simulation de Monte-Carlo présente l'avantage de donner des résultats dont on peut
contrôler la précision (vérification de la convergence, cf. [§ 4.1]), contrairement à la plupart des
méthodes basées sur des approximations. Elle peut être coûteuse en temps de calculs, mais
l'utilisation des techniques de réduction de la variance peut permettre de réduire le nombre de
simulations nécessaires (cf. [bib8] ou [bib9]).
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 16/24


La mise en oeuvre de la méthode de Monte Carlo consiste pour le problème qui nous concerne à
générer ns réalisations des matrices aléatoires [M ] , [K ] et [D ] du système dynamique et/ou
n
n
n
ns réalisations de la variable aléatoire vectorielle W . Les résolutions du système dynamique
déterministe pour chacune des ns réalisations de ([M ],[K ] ,[D ], W ) produisent n réalisations
n
n
n
s
du processus stochastique solution
n
t
Q (t)
a
(resp. t
n
Q (
a
) ) et par suite de
n
t
Y (t)
a
, de
n
t
Z (t)
a
a

n
et de
S ( , ) (resp.
Y (
a
). La génération des matrices aléatoires est
j
)
j
traitée dans le paragraphe suivant ; la génération de la variable aléatoire W est plus classique et n'est
pas rappelée.

3.4.3.2 Génération des matrices pseudo-aléatoires

Afin de générer les réalisations de la matrice aléatoire [G A ], on utilise la représentation algébrique
suivante de la matrice aléatoire [G A ] dont la loi de probabilité est définie par les équations
[éq 3.2.1-2], [éq 3.2.2-1] :
[G ] [L]T
A =
[L], éq 3.4.3.2-1
la matrice aléatoire triangulaire [L] étant telle que :
1) Les variables aléatoires { [L]ij , i j } sont indépendantes.
2) Pour
i < j, les variables aléatoires réelles [L]ij s'écrivent [L]ij = n Uijn = A ( n+1)-1/2 et
Uij est une variable aléatoire réelle gaussienne de moyenne 0 et de variance 1.
3) Pour
i = j, les variables aléatoires réelles [L]jj s'écrivent [L]jj = n ( 2 Vj )1/2 où n est défini
précédemment et où Vj est variable réelle positive aléatoire de loi gamma dont la fonction de
densité de probabilité p (v) par rapport à la mesure dv s'écrit :
v j
1
(v
[0,+
)
[
(n+ )
1 /(2 2
)+ -
1
(
j) / 2 -v
A
p (v) =
v
e ,

éq 3.4.3.2-2
v j
((n + )
1 /(2 2
) + 1
( - j) / )
2
A
1
est la fonction indicatrice de [ ,
0
[
+ .
[0,+[


3.4.4 Statistiques sur les spectres

Dans ce chapitre, on présente la définition des statistiques des spectres de réponse élastique
S (
, dans le cas d'une résolution transitoire. Dans le cas harmonique, les statistiques sur les
j , )
variables aléatoires n
Y (
se définissent de la même façon et ne sont donc pas présentées.
j
)

3.4.4.1 Estimation des quantiles

Pour tout
( ,) J
S
est une variable aléatoire à valeur dans +
R . On cherche à
j
× J ,
( , )
estimer le quantile associé à la probabilité noté S (
et défini par :
j , )
,
S (

éq
3.4.4.1-1
j , )
1
= -
F
1
(

-)
,
,

S
.
j

F est la fonction de répartition inconnue de
( , )
,
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 17/24


Soit ( S (
,..., S ( ,; ) ,..., S ( ,; ) ) l'échantillon composé des n réalisations de
j ,; )
1
j
r
j
s
S
n
S (
et ( S (
,..., S ( ,; ) ,..., S ( ,;
) ) l'échantillon ordonné associé.
j ,;
)
j , )
)
1
(
j
(r )
j
(
)
S
n

r
Un estimateur naturel du quantile S
(
pour =
, 1 r n est :
j , )
,
n
S
S

r
S j, (,) = S (,; ) éq
3.4.4.1-2
j
(r )
nS

Pour obtenir un estimateur plus robuste du quantile, on peut "moyenner" l'estimateur sur plusieurs
séries de ns réalisations. Si la probabilité souhaitée est telle que < 1/ n , ou si l'on souhaite réduire
S
le nombre de simulations, il est possible d'utiliser des estimateurs plus sophistiqués, par exemple en
supposant que la fonction de répartition
F appartient à un domaine d'attraction donné (théorie des
,
valeurs extrêmes) ou par exemple en utilisant une méthode de régularisation bayésienne (cf.[bib12]).

3.4.4.2 Valeurs extrêmes d'échantillon

Pour un échantillon de ns réalisations de S (
notées S (
, ..., S ( ,; ) , on définit
j ,; )
j , )
1
j
nS
les valeurs extrêmes d'échantillon par :


dB
(
a
,;n )
S

éq
3.4.4.2-1
j,min
S
= log
min
( , ; )
10
j
r


r= ,...,
1
nS



dB
(
a
,;n )
S

éq
3.4.4.2-2
j,max
S
= log
max
( , ; )
10
j
r


r= ,...,
1
nS


3.4.4.3 "Domaine de confiance" établi à partir de l'inégalité de Tchebychev

Pour un échantillon de ns réalisations du processus
S (
a
,) notées
S (
a
, ...,
j ,; )
j
1

S (
a
,; ) , on peut construire le "domaine de confiance" de la variable aléatoire
j
nS
dB (,) = log (S (,)) pour tout (,) J × J , en utilisant l'inégalité de Tchebychev
j
10
j



associé à un niveau de probabilité P :
C
Proba{dB-(,) < dB (,) < dB+(,) P ,
éq
3.4.4.3-1
j
j
j
} C
où l'enveloppe inférieure
dB- (
a
,) et l'enveloppe supérieure
dB+ (
a
,) sont définies
j
j
par :

(,)
+
dB (,) log
j
m (,)
,



éq 3.4.4.3-2
j
=
10 1 j
+


1- PC
-
dB (
m
dB
. éq
3.4.4.3-3
j , ) = 2 log
j
+
-
j
10 (
( , )
1
)
( , )
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 18/24


avec m ( ,) la moyenne et ( ,) l'écart type de dB (
:
j , )
1 j
j

m (,) = {
E S (,)} , éq
3.4.4.3-4
1 j
j

=
S
- m
.
éq
3.4.4.3-5
j ( , )
E ({ j(,)
j ( , ) 2
1
}1/2

Le "domaine de confiance" ainsi construit s'est avéré être une bonne approximation des valeurs
extrêmes d'échantillon pour le cas traité dans [bib21]. Or, ce "domaine de confiance" ne fait intervenir
que les deux premiers moments dont les estimateurs convergent plus rapidement vis-à-vis du nombre
ns de simulations que les valeurs extrêmes d'échantillon. Il peut donc être intéressant d'utiliser cette
construction du "domaine de confiance" plutôt qu'une construction basée sur l'estimation des quantiles
plus coûteuse en nombre de simulations.
Remarque :

Le terme "domaine de confiance", peut être considéré par certains comme un abus de
langage. On devrait plutôt utiliser la terminologie moins intuitive "domaine inter-quantiles". En
effet, dans la littérature statistique, un intervalle de confiance est théoriquement l'intervalle
dans lequel se trouve la vraie valeur d'un paramètre d'une variable aléatoire (par exemple sa
moyenne) avec une probabilité donnée. Cette terminologie est employée dans le cadre très
précis de la théorie de l'estimation ensembliste. L'intervalle de confiance n'est pas une
caractérisation de la variabilité d'une variable aléatoire, contrairement à un écart-type ou à
des quantiles. On utilise quand même"domaine de confiance" avec parcimonie dans la suite,
car c'est certainement un peu plus parlant pour les non-spécialistes des statistiques.


Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 19/24


4
Mise en oeuvre dans Code_Aster

4.1
Etude de la convergence stochastique du modèle numérique

4.1.1 Cas
transitoire

La convergence de la solution stochastique doit être étudiée par rapport au nombre n de modes et au
nombre n
n
s de simulations de Monte Carlo. Comme la solution stochastique Z (t ) est un processus du
second ordre (par hypothèse, cf. [§3.4.1.2]), sa convergence peut être analysée en étudiant les
applications n
||| n
Z&& |||
a
tel que :
j
2
T
Z n
&
=
2
E & ( )
,
éq
4.1.1-1
j
{Z n t
j
} dt
0

n
t
Z&& (t)
a
est un processus stochastique du second ordre indexé par [0,T ]
j
et à valeur dans R
représentant l'accélération du jème d.d.l. de la structure.
Dans le cadre des simulations de Monte-Carlo, cette norme ||| n
Z&& ||| est estimée pour n fixé à partir
j
d'un ensemble de n
n
n
s réalisations aléatoires Z
&& (t; ), , Z&& (t;
L
) par l'approximation
j
1
j
S
n
||| n
Z&& ||| conv ( ,
n n ) avec
j
j
S
2
T
nS
1

conv (n, n 2
) =
Z n
& (t; ) dt éq
4.1.1-2
j
S



0
n
j
i
S i 1=

La convergence stochastique du modèle est ainsi analysée suivant la dimension du modèle réduit
(c'est-à-dire le nombre de mode n du sous espace propre du modèle éléments finis moyen sur lequel
le système dynamique non linéaire stochastique a été projeté au paragraphe [§ 2.2]) et le nombre ns
de simulations de Monte-Carlo en étudiant la fonction n
conv ( ,
n n )
S a
.
j
S

4.1.2 Cas
harmonique

La convergence dans le cas d'une résolution transitoire peut se transposer directement dans le cas
d'une résolution harmonique, avec la norme :
2

Z n
=
2
2
E
( )
,
éq
4.1.2-1
j
{Z nj } d
1

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 20/24


4.2
Choix des paramètres de dispersion

Pour utiliser la méthode, les paramètres de dispersion doivent être fixés. Deux approches peuvent
être a priori utilisées pour fixer la valeur de ces paramètres.

La première approche consiste à identifier la valeur des paramètres pour une structure donnée ou
pour une classe de structure à l'aide de méthodes appropriées. Pour cela, on peut utiliser des résultats
expérimentaux des réponses dynamiques de la structure. On peut aussi utiliser des simulations
numériques construites en utilisant une approche paramétrique des incertitudes. Dans ce dernier cas,
il est à noter que seules les erreurs sur les données du modèle sont prises en compte, puisque les
erreurs de modélisation ne peuvent pas être prise en compte par l'approche paramétrique.

La deuxième approche consiste à ne pas fixer a priori une valeur fixe des paramètres mais à les
faire varier dans une plage donnée (seulement 3 scalaires à faire varier pour les matrices de masse,
de raideur et d'amortissement sur la partie non-paramétrique en comparaison avec le très grand
nombre de paramètres à faire varier simultanément dans une étude paramétrique classique). Cette
approche permet de mener une analyse globale de sensibilité aux incertitudes. Dans le cas d'absence
d'information objective sur les paramètres dispersion à choisir, il est préférable d'utiliser une telle
approche. La méthode non paramétrique proposée apparaît alors comme une approche robuste et
simple d'analyse de sensibilité aux incertitudes.

4.3 Principales
étapes

La mise en oeuvre dans le Code_Aster est composée de trois principales étapes : la construction du
modèle matriciel réduit moyen, la génération des réalisations de la réponse vue comme un processus
stochastique, et enfin le post-traitement statistique de ces réalisations. Les deux dernières étapes
constituent en fait la méthode de simulation numérique de Monte Carlo directe.

Etape 1 : construction du modèle matriciel réduit moyen
Le modèle matriciel réduit moyen est construit à l'aide d'un enchaînement classique d'opérateurs
dépendant de l'analyse précise effectuée dont les principaux peuvent être : ASSE_MATRICE,
MODE_ITER_SIMULT, MODE_STATIQUE, CALC_CHAR_SEISME, MACRO_PROJ_BASE ...

Etape 2 : génération des réalisations de la réponse transitoire
Les ns réalisations de la réponse transitoire stochastique sont calculées dans une boucle en langage
Python composée de :

1) Génération
des
pième réalisations des matrices généralisées aléatoires de masse, de raideur
et d'amortissement par GENE_MATR_ALEA (doc. [U4.36.06]). Ces matrices ne sont pas
diagonales et nécessitent donc un stockage plein.
2) Génération
des
pième réalisations des variables aléatoires des paramètres des non-linéarités
par GENE_VARI_ALEA (doc. [U4.36.07]).
3) Calcul de la pième réalisation
n
Q (t; p ) ou n
Q (; p ) solution du système matriciel
stochastique s. Cette réalisation est la solution du système matriciel classique dont les
matrices et les seconds membres sont les réalisations précédemment générées. Le calcul est
donc effectué par DYNA_TRAN_MODAL ou DYNA_LINE_HARM (avec des matr_asse_GENE_R
et vect_asse_GENE en entrée).
4) 1-
Extraction des observations temporelles des d.d.l. physiques prédéfinis (par
exemple &Z n (t; p) ou Y n (; p) , mais aussi éventuellement les champs de déplacement,
i
j
vitesse, contraintes, etc) via RECU_FONCTION (après un REST_BASE_PHYS pour Y n (; p) ).
j
2-
Calcul des spectres correspondant (par CALC_FONCTION(SPEC_OSCI) pour
a S
( ,; p) et
Y n (; p ).
j
CALC_FONCTION(MODULE) pour
)
j
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 21/24

5) Evaluation, via CALC_FONCTION mots-clé COMB ou PUISSANCE ou ENVELOPPE, des
contributions aux estimateurs des moyennes, des moments d'ordre deux, des valeurs
extrêmes max. et min. d'échantillon pour les spectres normalisés :
$m (,; p) = S (,; p) +
p - ,
2
p =
p +
p - 1 ,
j
j
$m ( , ;
)
1
1
1 j
$m ( , ; ) S ( , ; )
j
j
$m ( , ;
)
2
2 j
$S
(,; p) = Ma
p
p - 1 , $S
(,; p) = Mi
p
p - 1 .
j,min
{nS ( , ; ),$S ( , ;
j
j,min
})
j
{xS ( , ; ),$S ( , ;
j
j
})
,max
,max

Etape 3 : post-traitements statistiques
Les moyennes, les écart-types, les valeurs extrêmes max. et min. d'échantillon pour les spectres
normalisés peuvent être évalués via CALC_FONCTION(COMB) :
1
1
m (,) =
n , m (,) =
n .
j
$m ( , ; )
1
1 j
s
n
j
$m ( , ; )
2
2 j
s
n
s
s
Les intervalles de confiance peuvent alors être tracés à partir des valeurs extrêmes d'échantillon ou
des bornes obtenues par Tchebychev cf. [§ 3.4.4].


Dans le cas transitoire, un exemple est donné par un cas test d'une plaque en flexion avec non
linéarités de choc, cf. doc. [V5.06.001] [bib1]. D'autres détails sont donnés dans la doc. [U2.08.05]
[bib2].


4.4
Efficacité numérique de l'approche non paramétrique

L'approche non paramétrique est plus économique en temps de calcul qu'une approche purement
paramétrique dans laquelle les paramètres de géométrie, matériaux, etc. sont des variables aléatoires.
Dans l'approche purement paramétrique, le modèle éléments finis dépend des paramètres incertains.
Pour chaque simulation de Monte-Carlo, le modèle éléments finis est différent. Il faut donc, pour
chaque simulation, calculer les matrices élémentaires, effectuer les assemblages, passer en
coordonnées relatives, résoudre le problème aux valeurs propres, projeter sur base modale, résoudre
le système réduit et revenir en base physique puis en coordonnées relatives.

Dans l'approche non paramétrique, seul le système réduit est différent à chaque simulation. Il est donc
simplement nécessaire, à chaque simulation, de résoudre le système réduit et revenir en base
physique puis en coordonnées relatives. En particulier, la résolution du problème aux valeurs propres
du modèle éléments finis moyens est effectuée une fois pour toutes, avant les simulations de
Monte-Carlo.

Le gain en temps de calcul qui en résulte est variable, mais il peut être important. En première
approximation, ce gain en temps calcul dépend du ratio entre le temps CPU nécessaire à la résolution
aux valeurs propres et le temps CPU nécessaire à la résolution du système réduit. Plus ce ratio est
grand, plus l'approche non paramétrique est avantageuse par rapport à l'approche purement
paramétrique. En particulier, le gain en temps de calcul peut être très important pour des structures
avec un très grand nombre de degrés de liberté et une base modale de petite dimension.

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 22/24


5 Bibliographie

[1]
CAMBIER S., DESCELIERS C. : Modèle probabiliste non paramétrique ­ paramétrique d'une
plaque en flexion avec non linéarités localisées de choc, documentation Code_Aster
[V5.06.001].
[2]
CAMBIER S., DESCELIERS C. : Simulation numérique de Monte Carlo, documentation
Code_Aster [U2.08.05].
[3]
CAMBIER S., DESCELIERS C. : Opérateur GENE_VARI_ALEA, documentation Code_Aster
[U4.36.06].
[4]
CAMBIER S., DESCELIERS C. : Opérateur GENE_MATR_ALEA, documentation Code_Aster
[U4.36.07].
[5]
CAMBIER S., DESCELIERS C., SOIZE S. : Prise en compte probabiliste des incertitudes
dans l'estimation du comportement sismique d'un circuit primaire, Note EDF-R&D
HT-62/03/005/A, 2003
[6]
CAMBIER S., DESCELIERS C., SOIZE S. : Prise en compte probabiliste des incertitudes
dans l'estimation du comportement sismique d'un circuit primaire. 7ème Colloque National
AFPS, 2003.
[7]
CAMBIER S. : Application de l'approche probabiliste à l'assemblage combustible dans le
cadre des "3% AMA" en 2002, CR-AMA-03-004, Décembre 2002
[8]
CAMBIER S. : Approche probabiliste pour la prise en compte de la dispersion de paramètres
mécaniques - Application à la fatigue vibratoire, Note EDF-R&D HT-64/00/040/A, Décembre
2000
[9]
CAMBIER S., GUIHOT P., COFFIGNAL G. : Computational methods for accounting of
structural uncertainties, applications to dynamic behaviour prediction of piping systems.
Structural Safety, 24: 29-50, 2002.
[10]
CHEBLI H. : Modélisation des Incertitudes Aléatoires non homogènes en Dynamique des
Structures pour le Domaine des Basses Fréquences Thèse CNAM-ONERA, 2002
[11]
DESCELIERS C., SOIZE C., CAMBIER S. : Nonparametric­parametric model for random
uncertainties in nonlinear structural dynamics ­ Application to earthquake engineering, soumis
à Earthquaque Engineering and Structural Dynamics en 2003
[12]
DURBEC V., TROTTIER C (INRIA), DIEBOLT J. (CNRS) : Régularisation de distributions
pour une meilleure adéquation extrême : rapport de synthèse du CRECO EDF/INRIA EP 902,
Note EDF-R&D HP-26/00/008/A
[13]
IBRAHIM R.A. : Structural dynamics with parameter uncertainties, Applied Mechanics
Reviews, Vol. 40, no. 3, pp.309-328, 1987
[14]
JAYNES E. T., Information theory and statistical mechanics , Physical Review, 106(4),
620-630 and 108(2), 171-190, 1957
[15]
KAPUR J. N, KEYSAVAN H. K. : Entropy Optimization Principles with Applications, Academic
Press, San Diego, 1992
[16]
KATAFYGIOTIS L.S., PAPADIMITRIOU C. : Dynamic Response Variability of Structures with
Uncertain Properties, Earthquake Engineering and Structural Dynamics, Vol. 25, pp.775-793,
1996
[17]
SHANNON C. E. : A mathematical theory of communication , Bell System Tech. J., 27,
379-423 and 623-659, 1948
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 23/24

[18]
SOIZE C. : Méthodes d'études des problèmes classiques de dynamiques stochastiques,
Techniques de l'Ingénieur, traité Sciences fondamentales, A 1 346, 61p, 1988
[19]
SOIZE C. : Modèle Probabiliste Mixte Paramétrique ­ Non Paramétrique des Incertitudes en
Dynamique Non Linéaire des Structures , Rapport scientifique CRECO T62/E28858, 2001
[20]
SOIZE C. : Modélisation des incertitudes aléatoires en élastodynamique transitoire, Comptes
Rendus de l'Académie des Sciences - Séries IIB ­ Mechanics, 329(3), 225-230, 2001.
[21]
SOIZE C. : Nonlinear dynamical System with nonparametric model of random uncertainties ,
The Uncertainties in Engineering Mechanics Journal, e-journal form Resonance Publication,
http ://www.resonance-pub.com/eprints.htm, 2001
[22]
SOIZE C. : Transient responses of dynamical systems with random uncertainties, Probabilistic
Engineering Mechanics, 16(4), 363-372, 2001
[23]
SOIZE C. : Maximum entropy approach for modeling random uncertainties in transient
elastodynamics, J. Acoust. Soc. Am., 109(5), 1979-1996, 2001.
[24]
SOIZE C. : Nonlinear dynamical System with nonparametric model of random uncertainties ,
The Uncertainties in Engineering Mechanics Journal, e-journal form Resonance Publication,
http ://www.resonance-pub.com/eprints.htm, 2001

Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Code_Aster ®
Version
6.4

Titre :

Modèles probabilistes paramétriques et non-paramétriques en dynamique Date
:
06/05/03
Auteur(s) :
S. CAMBIER, C. DESCELIERS Clé
:
R4.03.05-A Page
: 24/24



























Page laissée intentionnellement blanche.
Manuel de Référence
Fascicule R4.03 : Analyse de sensibilité
HT-66/03/005/A

Document Outline