Pronostic hybride à l'aide de codes de simulation et de modèles statistiques – Application à l'étude du colmatage des générateurs de vapeur

Hybrid prognostics using simulation codes and statistical models applied to the study of steam generators clogging.

• Auteur / Autrice : Edgar Jaber
• Direction : Mathilde Mougeot, Didier Lucor
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées
• Date : Inscription en doctorat le 13/02/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale de mathématiques Hadamard
• Partenaire(s) de recherche : Laboratoire : Centre de mathématiques et de leurs applications (1990-2019 ; Cachan, Val-de-Marne)
• Partenaire(s) de recherche : Equipe de recherche : Apprentissage statistique et données massives
• Partenaire(s) de recherche : référent : École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....)

Mots clés

Mots clés libres

Pronostic

Modèles hybrides

Calcul scientifique

Quantification des incertitudes

Machine learning

Prognostics

Hybrid models

Scientific computing

Uncertainty quantification

Machine learning

Résumé

La complexité des systèmes industriels rend parfois difficile la prévision d'une quantité d'intérêt par le seul moyen de la modélisation physique du phénomène sous-jacent. Le problème est autant de nature théorique (existence/unicité de solutions aux équations) et numérique (implémentation de schémas robustes) que dû au temps de calcul et à l'incertitude qui entache les paramètres en entrée du modèle. L'utilisation de données de production permet de construire des modèles statistiques basés sur des dépendances entre la quantité d'intérêt et des paramètres de fonctionnement du système en exploitation. Toutefois, ces modèles ne sont pas eux aussi exempts de limitations, comme par exemple le peu de compréhension physique qu'ils peuvent apporter. Dans un objectif de gestion optimisée d'actifs industriels, il est souhaitable de disposer d'outils prédictifs à la fois robustes et potentiellement pilotables. L'ambition de cette thèse est donc de proposer des approches hybrides intégrant méthodes déterministes et statistiques, afin d'améliorer la capacité prédictive d'une quantité d'intérêt caractéristique d'un phénomène complexe. Le cas d'application industriel EDF est celui de la prévision du taux de colmatage dans les générateurs de vapeur du parc nucléaire français.

The complexity of industrial systems makes it difficult for classical physical modelling to achieve faithful prognostics results. The problem is related both to the theory (existence and uniqueness of solutions to the equations) and the numerics (construction of robust schemes) as well as to the uncertainty affecting input parameters of the models. Access to databases of the operating history of the system allows one to build statistical models based on dependencies between the quantity of interest (QoI) and these operating parameters. However, the models are not exempt of limitations such as their lack of physical interpretation. For optimizing the management of industrial assets it is of high interest to build predictive tools that are robust and potentially controllable. The aim of this thesis is to propose hybrid approaches integrating deterministic and statistical models that enhance the predictive capacity of a characteristic QoI in a complex system. The EDF industrial case study is the prevision of the clogging ratio in steam generators of the French nuclear fleet.