Analyse de sensibilité fiabiliste en présence d'incertitudes épistémiques introduites par les données d'apprentissage

par Gabriel Sarazin

Thèse de doctorat en Mathématiques et Applications

Sous la direction de Jérôme Morio et de Agnes Lagnoux.

Thèses en préparation à Toulouse, ISAE , dans le cadre de École doctorale Mathématiques, informatique et télécommunications , en partenariat avec ISAE-ONERA MOIS MOdélisation et Ingénierie des Systèmes (laboratoire) et de ONERA/DTIS/MITT - Département Traitement de l'Information et Systèmes (equipe de recherche) depuis le 01-10-2017 .


  • Résumé

    Dans le contexte d'une analyse de fiabilité, pour évaluer la position de retombée d'un étage de lanceur de satellite et pour estimer le risque de défaillance associé, il est souvent nécessaire d'utiliser un code de simulation numérique dont les entrées sont des mesures issues de systèmes embarqués. La méconnaissance des incertitudes affectant ces entrées mesurées peut avoir un impact considérable sur la qualité de l'estimation du risque de défaillance. Ces travaux de thèse ont deux objectifs principaux : - Implémenter un algorithme permettant d'acquérir le maximum de connaissances sur la distribution des entrées (sachant que la seule matière première est un jeu de données de petite taille) avant d'utiliser le résultat de cette apprentissage pour quantifier le risque de défaillance. - Effectuer une analyse de sensibilité permettant de comprendre quelles sont les variables d'entrée ou bien les motifs de dépendance en entrée qui jouent un rôle clé dans le processus d'estimation du risque.

  • Titre traduit

    Reliability-oriented sensitivity analysis in presence of data-driven epistemic uncertainty


  • Résumé

    In the context of assessing the reliability of a satellite launch vehicle, an input-output simulation code is often required so as to predict the fallout position and to estimate the associated failure probability. Input data are measurements issued from embedded systems. The lack of knowledge about the uncertainties affecting input variables may have a significant impact on the quality of risk estimation. These PhD research works have two main goals : - Implementing an algorithm able to extract as much information as possible on the aforementionned uncertainties (knowing that the only available raw material is a small-sized dataset) before using the results of this statistical learning step to quantify the failure probability. - Performing a sensitivity analysis in order to understand which input variables or which input correlations play a key role in the risk assessment process.