L'objectif de cette these est d'adapter le processus d'assimilation de donnees utilisant l'algorithme de l'EnKF pour traiter des systemes dynamiques industriels de petite a moyenne taille pour EDF, eventuellement raides.
L'assimilation de donnees est une procedure qui consiste a combiner les informations obtenues par des observations et un modele d'un systeme physique pour obtenir la meilleure connaissance possible de son etat. Cette combinaison est appelee analyse ou assimilation. L'EnKF est une méthode de la classe des algorithmes de filtrage, il permet de se passer du calcul de l'adjoint. Il propage un ensemble d'etats possibles du systeme à partir duquel il estime empiriquement les matrices d'erreurs associees a son estimation de l'etat du systeme, reduisant les coets de stockage de telles matrices pour des gros systemes, qui sont aussi necessaires a l'etape d'analyse. La raideur du systeme dynamique impose des contraintes sur l'integration, et peut avoir des effets sur l'erreur modele et la sensibilite du systeme aux perturbations.
Dans cette these, l'EnKF stochastique est utilise sur des modeles de petite dimension possedant des caracteristiques representatives des problemes industriels, comme la raideur, la periodicite et du chaos. Les systemes peuvent etre fortement observes, autant en frequence d'arrivee des observations qu'en repartition spatiale, comme ils peuvent etre carences en observations. Pour simuler un cas industriel, des observations sur demande pourront etre disponibles. Les travaux de recherches portent sur l'estimation de l'importance des observations pour l'analyse en formulant de nouveaux indicateurs, dans le but d'etablir des strategies d'assimilation. Elles consistent a controler la dynamique des instants d'assimilation ainsi que le nombre d'observations assimilees à chaque assimilation, sur toute la duree du processus.
Vous aurez la fin dans mon manuscrit, l'algorithme de comptage du nombre de caracteres ne fonctionne pas correctement, et je suis pris par le temps pour déposer mon dossier. |
The aim of this thesis is to adapt the data assimilation process using EnKF for small dimension, possibly stiff, industrial dynamical systems at EDF, France's main electricity producer.
Data assimilation is a process which consists in the combination of data extracted from observations as well as a model of a physical system so as to compute the best possible knowledge about its state. This combination is known as the analysis step or assimilation. The EnKF belongs to the family of filtering algorithms and saves the computation of an adjoint. It propagates an ensemble of candidates of the physical system's state from which it empiricaly computes error matrix associated with the system's state estimation, reducing memory costs for storage of such matrix for huge systems. Those matrix are also mandatory for the analysis step. The stiffness of the dynamical system constrains the numerical integration, and may have effects on model error and the system's sensitivity to perturbations.
In this thesis, the stochastic EnKF is used on small systems possessing emblematic properties from industrial systems such as stiffness, periodicity and chaos. These systems can be strongly observed, in terms of frequency of arriving observations as well as spatial distribution, or lacking observations. To simulate industrial configurations, on demand observations may be available. Research works are aimed towards observation importance estimation for the analysis by formulating new indicators to establish assimilation strategies. They consist in controling the dynamics of analysis instants on the assimilation window as well as the number of observations assimilated for each analysis step during the whole process.
Vous aurez la fin dans mon manuscrit, l'algorithme de comptage du nombre de caracteres ne fonctionne pas correctement, et je suis pris par le temps pour déposer mon dossier. |