Contenu
1) Introduction et métamodèlisation
– Introduction à la quantification des incertitudes et à la conception optimale
– Apprentissage par processus processus gaussiens et autres métamodèles
– TP sur la régression par processus gaussiens
2) Plans d’expériences initiaux et séquentiels
– Plans d’expériences numériques classiques : plan maximin, plan hypercube latin, suite à faire discrépance etc.
– Plans d’expériences numériques liés à la régression par processus Gaussiens
– Plans d’expériences séquentiels
– TP sur les plans d’expériences
3) Analyse de sensibilité
– Méthodes de criblage
– Méthode de Morris
– Indice de Sobol
– TP sur l’analyse de sensibilité
4) Optimisation bayésienne
– Démarche séquentielle d’apprentissage en vue de trouver une conception optimale
– Extension à la prise en compte des incertitudes (environnement ou fabrication)
– Extension à l’optimisation bayésienne multi-objectif ou sous contraintes
– Extension à l’inversion (ensemble de solutions admissibles)
– TP sur l’optimisation bayésienne
