Modèles de Processus Markoviens déterministes par
Transcription
Modèles de Processus Markoviens déterministes par
Modélisation de propagation de fissure par un PDMP Romain Azaïs, Anne Gégout-Petit, Marie Touzet, Charles Elegbede IMB – Equipe CQFD, INRIA – LMP – EADS Astrium Réunion GTR 22 A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 1 / 37 Pourquoi un modèle stochastique ? Plan 1 Pourquoi un modèle stochastique ? Les données de Virkler L’aléa dans la modélisation 2 Ajustement sur les données de Virkler Ajustement par morceaux Résultats obtenus 3 Modèles de propagation de fissure Modèle général Principe d’actualisation 4 Simulations et validation du modèle Simulations Critères numériques de validation Validation croisée et comparaison avec un modèle sans saut A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 2 / 37 Pourquoi un modèle stochastique ? Les données de Virkler Loi de Paris-Erdogan (propagation de fissure) π − m m √ da 2 a2 = C (∆σ π)m cos a dN ω (P-E) ,→ évolution déterministe A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 3 / 37 Pourquoi un modèle stochastique ? Les données de Virkler Loi de Paris-Erdogan (propagation de fissure) π − m m √ da 2 a2 = C (∆σ π)m cos a dN ω (P-E) ,→ évolution déterministe Expérience de Virkler ∆σ = 48.28MPa A.R. et ω = 152.4mm Modèle PDMP de prop. de fissure 26 nov. 2010 3 / 37 Pourquoi un modèle stochastique ? Les données de Virkler Données expérimentales de Virkler ,→ dispersion importante ! A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 4 / 37 Pourquoi un modèle stochastique ? Les données de Virkler Les données de Virkler 68 éprouvettes préfissurées (9mm) Contrainte cyclique d’amplitude constante 164 mesures par éprouvette Arrêt à la longueur 49.8mm (1/3 de l’éprouvette) A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 5 / 37 Pourquoi un modèle stochastique ? L’aléa dans la modélisation Loi de Paris-Erdogan π − m m √ da 2 = C (∆σ π)m cos a a2 dN ω (P-E) Suivant les modélisations, le couple de paramètres (m, C ) peut être : une variable aléatoire "choisie" à l’instant initial, un processus évoluant dans un espace continu, une chaîne de Markov à temps continu. A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 6 / 37 Pourquoi un modèle stochastique ? L’aléa dans la modélisation Evolution du processus A préciser : la loi initiale des paramètres, la loi du temps de saut, le noyau de transition pour les paramètres. A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 7 / 37 Ajustement sur les données de Virkler Plan 1 Pourquoi un modèle stochastique ? Les données de Virkler L’aléa dans la modélisation 2 Ajustement sur les données de Virkler Ajustement par morceaux Résultats obtenus 3 Modèles de propagation de fissure Modèle général Principe d’actualisation 4 Simulations et validation du modèle Simulations Critères numériques de validation Validation croisée et comparaison avec un modèle sans saut A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 8 / 37 Ajustement sur les données de Virkler Ajustement par morceaux Données de Virkler (k) (k) 68 courbes : (Nq , aq )1≤q≤164 1≤k≤68 A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 9 / 37 Ajustement sur les données de Virkler Ajustement par morceaux Données de Virkler (k) (k) 68 courbes : (Nq , aq )1≤q≤164 1≤k≤68 ath (m1 , C1 , T , m2 , C2 ) : courbe théorique définie par morceaux pour 0 ≤ N < T , ath (N) : P-E de paramètres m1 et C1 pour N ≥ T , ath (N) : P-E de paramètres m2 et C2 π − m m √ da 2 = C (∆σ π)m cos a a2 dN ω A.R. Modèle PDMP de prop. de fissure (P-E) 26 nov. 2010 9 / 37 Ajustement sur les données de Virkler Ajustement par morceaux Ajustement par morceaux Pour chaque fissure k, on minimise 164 n o2 X (k) (k) aq − ath (m1 , C1 , T , m2 , C2 )(Nq ) q=1 (Somme des carrés des écarts verticaux) ,→ A.R. (k)? m1 (k)? , C1 (k)? , T (k)? , m2 Modèle PDMP de prop. de fissure (k)? , C2 26 nov. 2010 10 / 37 Ajustement sur les données de Virkler Résultats obtenus Quelques statistiques des résultats obtenus A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 11 / 37 Ajustement sur les données de Virkler Résultats obtenus Quelques statistiques des résultats obtenus m1? ln(C1? ) ? N m2? ln(C2? ) A.R. min 2.313 −24.247 28207 2.446 −24.423 max 2.541 −23.740 258046 2.597 −23.736 moyenne 2.462 −24.013 118004 2.535 −24.048 Modèle PDMP de prop. de fissure écart-type 4.6810−2 1.18.10−1 51577 3.14.10−2 1.39.10−1 26 nov. 2010 12 / 37 Modèles de propagation de fissure Plan 1 Pourquoi un modèle stochastique ? Les données de Virkler L’aléa dans la modélisation 2 Ajustement sur les données de Virkler Ajustement par morceaux Résultats obtenus 3 Modèles de propagation de fissure Modèle général Principe d’actualisation 4 Simulations et validation du modèle Simulations Critères numériques de validation Validation croisée et comparaison avec un modèle sans saut A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 13 / 37 Modèles de propagation de fissure Modèle général PDMP pour la propagation de fissures ∀N ≥ 0, XN = (νN , ζN ) Espace d’états du mode νN ∈ M × C de cardinal fini On utilise les résultats d’ajustement pour déterminer : l’espace M × C, l’intensité de saut λ(m,C ) , le noyau de transition M des paramètres. A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 14 / 37 Modèles de propagation de fissure Modèle général Description du PDMP 1 - Choix aléatoire des paramètres initiaux ν0 = (m, C ) ∈ M × C (et ζ0 = 9) 2 - Evolution déterministe pendant un temps aléatoire ∀0 ≤ N < T , ζN : P-E de paramètres m et C avec P(T > s) = exp{−λ(m,C ) s} 3 - Transition aléatoire des paramètres à l’instant T , saut du mode selon un noyau de transition M : νT = (m̃, C̃ ) ∈ M × C 4 - Nouvelle évolution déterministe ∀N ≥ T , ζN : P-E de paramètres m̃ et C̃ A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 15 / 37 Modèles de propagation de fissure Modèle général Description du PDMP 1 - Choix aléatoire des paramètres initiaux ν0 = (m, C ) ∈ M × C (et ζ0 = 9) 2 - Evolution déterministe pendant un temps aléatoire ∀0 ≤ N < T , ζN : P-E de paramètres m et C avec P(T > s) = exp{−λ(m,C ) s} 3 - Transition aléatoire des paramètres à l’instant T , saut du mode selon un noyau de transition M : νT = (m̃, C̃ ) ∈ M × C 4 - Nouvelle évolution déterministe ∀N ≥ T , ζN : P-E de paramètres m̃ et C̃ A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 15 / 37 Modèles de propagation de fissure Modèle général Description du PDMP 1 - Choix aléatoire des paramètres initiaux ν0 = (m, C ) ∈ M × C (et ζ0 = 9) 2 - Evolution déterministe pendant un temps aléatoire ∀0 ≤ N < T , ζN : P-E de paramètres m et C avec P(T > s) = exp{−λ(m,C ) s} 3 - Transition aléatoire des paramètres à l’instant T , saut du mode selon un noyau de transition M : νT = (m̃, C̃ ) ∈ M × C 4 - Nouvelle évolution déterministe ∀N ≥ T , ζN : P-E de paramètres m̃ et C̃ A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 15 / 37 Modèles de propagation de fissure Modèle général Description du PDMP 1 - Choix aléatoire des paramètres initiaux ν0 = (m, C ) ∈ M × C (et ζ0 = 9) 2 - Evolution déterministe pendant un temps aléatoire ∀0 ≤ N < T , ζN : P-E de paramètres m et C avec P(T > s) = exp{−λ(m,C ) s} 3 - Transition aléatoire des paramètres à l’instant T , saut du mode selon un noyau de transition M : νT = (m̃, C̃ ) ∈ M × C 4 - Nouvelle évolution déterministe ∀N ≥ T , ζN : P-E de paramètres m̃ et C̃ A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 15 / 37 Modèles de propagation de fissure Modèle général Loi initiale du mode A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 16 / 37 Modèles de propagation de fissure Modèle général Transition du mode A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 17 / 37 Modèles de propagation de fissure Principe d’actualisation Actualisation Pour la fissure k, on dispose des l premières mesures (k) (k) (Nq , aq )1≤q≤l Principe d’actualisation ← modèle général modifié On prend en compte les l mesures : nouvelle loi initiale du mode saut contraint au bout d’un temps ne dépendant que de ν0 nouvelle matrice de transition A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 18 / 37 Modèles de propagation de fissure Principe d’actualisation Nouvelle loi initiale du mode A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 19 / 37 Modèles de propagation de fissure Principe d’actualisation Instant de transition forcée A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 20 / 37 Modèles de propagation de fissure Principe d’actualisation Nouvelle loi de transition A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 21 / 37 Modèles de propagation de fissure Principe d’actualisation Loi initiale (simulations) A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 22 / 37 Modèles de propagation de fissure Principe d’actualisation Loi de transition (simulations) A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 23 / 37 Simulations et validation du modèle Plan 1 Pourquoi un modèle stochastique ? Les données de Virkler L’aléa dans la modélisation 2 Ajustement sur les données de Virkler Ajustement par morceaux Résultats obtenus 3 Modèles de propagation de fissure Modèle général Principe d’actualisation 4 Simulations et validation du modèle Simulations Critères numériques de validation Validation croisée et comparaison avec un modèle sans saut A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 24 / 37 Simulations et validation du modèle Simulations Simulations selon le modèle général faisceau simulé (Card(M × C) = 40) et données de Virkler A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 25 / 37 Simulations et validation du modèle Simulations Faisceau de prédiction pour la fissure 67 A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 26 / 37 Simulations et validation du modèle Critères numériques de validation Critères numériques de validation Faisceau simulé selon le principe d’actualisation (k) (k) (k) F (k) = f1 , . . . , f100 où fj : courbe simulée Critère numérique : distance de Fk à la courbe k D(F (k) , « fissure k ») = A.R. 1 Q X (k) dq (k) NQ q=l+1 Modèle PDMP de prop. de fissure 26 nov. 2010 27 / 37 Simulations et validation du modèle A.R. Critères numériques de validation Modèle PDMP de prop. de fissure 26 nov. 2010 28 / 37 Simulations et validation du modèle A.R. Critères numériques de validation Modèle PDMP de prop. de fissure 26 nov. 2010 29 / 37 Simulations et validation du modèle Critères numériques de validation Critères retenus D : distance au faisceau (sans unité), (k) dQ : distance pour la dernière mesure (en nombre de cycles), dispersion du faisceau (en nombre de cycles). A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 30 / 37 Simulations et validation du modèle Validation croisée et comparaison avec un modèle sans saut Validation croisée : leave one out Modèle PDMP avec actualisation – Card(K ) = 20 pour 40% des fissures : D(F (k) , « fissure k ») = 0 pour 70% des fissures : D(F (k) , « fissure k ») < 1 pour 66% des fissures : dQ = 0 A.R. (k) Modèle PDMP de prop. de fissure 26 nov. 2010 31 / 37 Simulations et validation du modèle Validation croisée et comparaison avec un modèle sans saut Comparaison avec un modèle sans saut Fissures rapides D(F (k) , « fissure k ») = 0 fissure k ») < 1 (k) dQ = 0 dispersion moyenne D(F (k) , « A.R. Modèle PDMP 8/11 11/11 9/11 6191 cycles Modèle PDMP de prop. de fissure Modèle sans saut 0/11 1/11 7/11 9468 cycles 26 nov. 2010 32 / 37 Simulations et validation du modèle Validation croisée et comparaison avec un modèle sans saut Comparaison avec un modèle sans saut Fissures lentes D(F (k) , « fissure k ») = 0 fissure k ») < 1 (k) dQ = 0 dispersion moyenne (k) moyenne de dQ D(F (k) , « A.R. Modèle PDMP 0/7 0/7 1/7 9863 cycles 30644 cycles Modèle PDMP de prop. de fissure Modèle sans saut 0/7 0/7 1/7 8988 cycles 15007 cycles 26 nov. 2010 33 / 37 Simulations et validation du modèle Validation croisée et comparaison avec un modèle sans saut Comparaison avec un modèle sans saut Fissures "standards" D(F (k) , « fissure k ») = 0 D(F (k) , « fissure k ») < 1 (k) dQ = 0 dispersion moyenne A.R. Modèle PDMP 18/50 38/50 35/50 7593 cycles Modèle PDMP de prop. de fissure Modèle sans saut 1/50 23/50 49/50 9130 cycles 26 nov. 2010 34 / 37 Simulations et validation du modèle A.R. Validation croisée et comparaison avec un modèle sans saut Modèle PDMP de prop. de fissure 26 nov. 2010 35 / 37 Simulations et validation du modèle A.R. Validation croisée et comparaison avec un modèle sans saut Modèle PDMP de prop. de fissure 26 nov. 2010 36 / 37 Simulations et validation du modèle Validation croisée et comparaison avec un modèle sans saut Bibliographie J. Chiquet, N. Limnios & M. Eid : PDMPs applied to fatigue crack growth modelling, J.S.P.I. 139 (2009) 1657-1667 M.H.A. Davis : Piecewise-deterministic Markov Processes : A General Class of Non-diffusion Stochastic Models, J.R.Statist. Soc. B. (1984), 46, No.3, pp. 353-388 F. Perrin : Prise en compte des données expérimentales dans les modèles probabilistes pour la prévision de la durée de vie des structures, thèse de doctorat D.A. Virkler, B.M. Hillberry & P.K. Goel, 1979, The statistical nature of fatigue crack propagation, J. Engng Mater Tech , Trans. ASME, 101 : 148-153 A.R. Modèle PDMP de prop. de fissure 26 nov. 2010 37 / 37