Chargement Évènements
  • Cet évènement est passé

Soutenance de thèse de Alex KOSGODAGAN DALLA TORRE

26 juin @ 13 h 30 min - 17 h 00 min

La soutenance de thèse d’Alex KOSGODAGAN DALLA TORRE (équipe SLP)

intitulée « Modélisation de dépendance en grandes dimensions par les réseaux Bayésiens pour la détérioration d’infrastructures et autres applications »

aura lieu le 26 juin 2017 à 13h30, amphi Georges Besse à l’IMT-A.

Jury : Bruno Castanier (directeur de thèse), Oswaldo Morales-Napoles (co encadrant, TU Delft) Roger M Cooke (rapporteur, Ressources for the future, Washington), Laurent Bouillaut (rapporteur, IFSTTAR, COSYS-GRETTIA), Laurent Truffet (IMTA), Christophe Berenguer (Grenoble INP), Philippe Leray, Wim Courage (TNO, Delft Netherlands), Thomas G Yeung (invité, IMTA)

Résumé :
Cette thèse explore l’utilisation des réseaux Bayésiens (RB) afin de répondre à des problématiques de dégradation en grandes dimensions concernant des infrastructures du génie civil. Alors que les approches traditionnelles basées l’évolution physique déterministe de détérioration peuvent se révéler déficientes pour des problèmes à grande échelle, les gestionnaires d’ouvrages d’art nécessitent l’utilisation de modèles gérant l’incertain. L’utilisation de la dépendance probabiliste se révèle être une approche adéquate dans ce contexte tandis que la possibilité de modéliser l’incertain est une composante attrayante.
Le concept de dépendance au sein des RB s’exprime principalement de deux façons. D’une part, les probabilités conditionnelles classiques s’appuyant le théorème de Bayes et d’autre part, une classe de RB faisant l’usage de copules et corrélation de rang comme mesures de dépendance. Nous présentons à la fois des contributions théoriques et pratiques dans le cadre de ces deux classes de RB; les RB dynamiques discrets et les RB non paramétriques, respectivement. Des problématiques concernant la paramétrisation de chacune des classes sont également abordées.
Pour la classe dynamique discrète, nous étendons le cadre actuel en ajoutant une dimension supplémentaire. Cette dimension permet d’avoir davantage de contrôle sur le mécanisme de dégradation au travers des principales variables endogènes impactant ce dernier. Pour la classe non-paramétrique, nous montrons son efficacité quant à modéliser un problème en grandes dimensions de fissuration pour un pont en acier. Dans un cadre théorique, nous montrons également que ce type de RB permet de caractériser n’importe quel processus de Markov.

Mots-clés : Réseaux Bayésiens, Modèle de dégradation probabiliste, Modélisation de copules, Jugement structuré d’expert

************

Title: High-dimensional dependence modelling using Bayesian networks for the degradation of civil infrastructures and other applications

Abstract:
This thesis explores high-dimensional deterioration-related problems using Bayesian networks (BN). Asset managers become more and more familiar on how to reason with uncertainty as traditional physics-based models fail to fully encompass the dynamics of large-scale deterioration issues. Probabilistic dependence is able to achieve this while the ability to incorporate randomness is enticing.
In fact, dependence in BN is mainly expressed in two ways. On the one hand, classic conditional probabilities that lean on the well-known Bayes rule and, on the other hand, a more recent class of BN featuring copulae and rank correlation as dependence metrics. Both theoretical and practical contributions are presented for the two classes of BN referred to as discrete dynamic and non-parametric BN, respectively. Issues related to the parametrization for each class of BN are addressed.
For the discrete dynamic class, we extend the current framework by incorporating an additional dimension. We observed that this dimension allows to have more control on the deterioration mechanism through the main endogenous governing variables impacting it. For the non-parametric class, we demonstrate its remarkable capacity to handle a high-dimension crack growth issue for a steel bridge. We further show that this type of BN can characterize any Markov process.

Keywords: Bayesian networks, Deterioration modelling, Copula modelling, Bridge reliability, Stochastic modelling, Structured Expert Judgment

Détails

Date :
26 juin
Heure :
13 h 30 min - 17 h 00 min

Catégories d’Évènement:
,

Lieu

IMT Atlantique
École des Mines de Nantes, 2 Rue Alfred Kastler, 44300 Nantes, France
Nantes, 44300 France
+ Google Map
Site Web :
http://www.imt-atlantique.fr/