Méthodes avancées pour l'optimisation de systèmes dynamiques complexes en assimilation de données

par Sibo Cheng

Projet de thèse en Énergétique

Sous la direction de Didier Lucor.

Thèses en préparation à Paris Saclay , dans le cadre de Sciences mécaniques et énergétiques, matériaux, géosciences , en partenariat avec LIMSI - Laboratoire d'Informatique pour la Mécanique et les Sciences de l'Ingénieur (laboratoire) , Aérodynamique Instationnaire : Turbulence & Contrôle (AERO) (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 20-11-2017 .


  • Résumé

    Les enjeux de cette thèse sont principalement l'étude des covariances des erreurs en assimilation de données pour une reconstruction statique ou une prévision à court terme. La qualité de cette reconstruction/prévision est fortement liée à l'état initial, et la manière dont il est déterminé ou « assimilé », ainsi qu'à l'erreur numérique qui y est associée. Le développement de stratégies de contrôle des erreurs de modélisation et de mesure sont des axes de recherche clairement identifiés dans les méthodes d'assimilation de données, pour l'optimisation des modèles et de leurs usages. Des progrès sont à attendre aussi bien sur des aspects fondamentaux théoriques et des méthodologies numériques que sur des problématiques industrielles. Un premier objectif du travail de thèse sera d'appliquer et développer les méthodes de construction de matrice des covariances des erreurs en assimilation de données. Sur la base des modèles simples, on propose d'évaluer l'interaction des méthodes de reconstruction de champs ou détermination de paramètres, soit par des techniques bayésiennes soit par assimilation de données, avec l'adaptation des aspects temporels de la dynamique du modèle. On s'intéresse également à la performance de ces méthodes dans un espace réduit ou en combinant avec d'autres techniques/analyses numériques.

  • Titre traduit

    Advanced Methods for Optimizing Complex Dynamical systems in Data Assimilation


  • Résumé

    The key of this research is mainly the study of error covariance modelling in data assimilation for field reconstruction/parameters recognition or problems of short term forecasting. The quality of this forecast is strongly related to the initial state, and the way in which it is determined or "assimilated", as well as to the associated numerical error. The development of modelling and error control strategies is clearly identified in data assimilation methods for optimizing existing models and their applications. Research progress is expected not only on fundamental theoretical and numerical methodologies but also on industrial applications. A first objective of the research will be to apply and develop iterative methods of error covariance modelling in variational assimilation. Based on these models, it is proposed to evaluate the interaction of field reconstruction or parameter determination methods, either by Bayesian methods or by data assimilation, with the adaptation of the temporal aspects of the model dynamics. We are also interested in the performance of data assimilation/uncertainty quantification methods, especially the iterative methods in reduced space.