Placement optimal bayésien de capteurs pour les modèles océaniques : une stratégie de majoration puis optimisation
| Auteur / Autrice : | Mohamed Doumbouya |
| Direction : | Arthur Vidard |
| Type : | Projet de thèse |
| Discipline(s) : | Mathématiques Appliquées |
| Date : | Inscription en doctorat le 01/10/2025 |
| Etablissement(s) : | Université Grenoble Alpes |
| Ecole(s) doctorale(s) : | École doctorale mathématiques, sciences et technologies de l'information, informatique |
| Partenaire(s) de recherche : | Laboratoire : Laboratoire Jean Kuntzmann |
| Equipe de recherche : AIRSEA |
Mots clés
Mots clés libres
Résumé
Ce projet de thèse s'inscrit dans le domaine de la conception expérimentale optimale bayésienne (Bayesian Optimal Experimental Design BOED), appliquée à la modélisation océanique. La problématique centrale est la suivante : où placer des capteurs pour maximiser les informations obtenues sur un système donné ? Cette question est cruciale dans les modèles océaniques où l'acquisition de données (via satellites, bouées, forages, etc.) est coûteuse et logiquement limitée. Dans les modèles linéaires avec des priors gaussiens, la BOED est bien maîtrisée. En revanche, les modèles réalistes sont souvent non linéaires, non gaussiens, et très coûteux à évaluer numériquement. Cela rend l'optimisation du placement des capteurs particulièrement complexe et gourmande en ressources. Pour pallier ces difficultés, une approche récente repose sur l'optimisation d'une borne de l'Expected Information Gain (EIG), plutôt que de l'EIG lui-même, difficile à estimer précisément. Cette stratégie, dite majorize-then-optimize, consiste à utiliser une borne facilement évaluable du critère EIG pour orienter l'optimisation, tout en réduisant le coût computationnel lié aux simulations multiples nécessaires à l'évaluation directe de l'EIG. L'objectif général de la thèse est de développer et d'améliorer cette méthode de placement optimal des capteurs selon trois axes principaux : Compréhension et évaluation de la méthode majorize-then-optimize : Comparer les résultats obtenus par l'approche basée sur la borne à ceux de l'approche classique par l'EIG. L'objectif est de mieux comprendre les propriétés de la borne, et potentiellement de l'utiliser comme étape de préconditionnement afin d'améliorer la précision de l'optimisation fondée sur l'EIG. Réduction du coût de calcul via l'algèbre linéaire aléatoire : Bien que la borne soit plus simple à calculer que l'EIG, elle reste coûteuse dans des modèles réalistes. Des techniques d'algèbre linéaire aléatoire seront utilisées pour accélérer ce calcul, rendant la méthode applicable à des systèmes de grande dimension. Prise en compte des contraintes physiques et pratiques : L'optimisation doit intégrer les contraintes réelles de déploiement des capteurs (physiques, techniques, financières) afin de proposer des solutions de placement exploitables en pratique.