Modélisation de la propagation des incertitudes des mesures sur l'aube d'une turbine hydraulique par Krigeage et simulations stochastiques

Résumé

Ce projet de recherche est une contribution pour estimer la propagation des incertitudes des mesures expérimentales. Le krigeage, une méthode d’interpolation spatiale utilisée en géostatistique, a été exploité pour prédire les mesures manquantes d’une part et pour conditionner les simulations stochastiques d’autre part. Les simulations stochastiques conditionnelles ont réussi à franchir l’effet de lissage causé par le krigeage et ont abouti à une cartographie des estimations des mesures manquantes et des incertitudes de mesure qui y sont associées. L’interpolation spatiale des mesures expérimentales a pour but d’ajuster (calibrer) les calculs réalisés suite à des simulations par des éléments finis ÉFs. Les codes actuels permettent une simple estimation de la charge statique appliquée sur l’aube de la turbine, mais ils sont incapables de quantifier la charge dynamique. L’objectif est de prédire à partir de quelques mesures localisées spatialement le reste des contraintes ainsi que la propagation spatiale des incertitudes. Le travail repose sur une analyse variographique, à partir des résultats des simulations par des ÉFs. L’hypothèse majeure du présent projet stipule que la « vraie » mesure aura la même structure (morphologie) de variabilité spatiale que les résultats des simulations par des ÉFs. On a réussi à estimer adéquatement l’incertitude spatiale sur une éprouvette à encoches, puis sur une zone de l’aube d’une turbine hydraulique. On est parvenu à prédire la totalité des mesures manquantes à partir d’un échantillon de l’ordre de 1% du domaine d’étude. Les tests statistiques ont confirmé la validité de nos résultats avec des coefficients de corrélation ajustés qui dépassent les 90% pour les deux cas d’études. Finalement, l’approche utilisée a démontré sa capacité pour des domaines d’étude 2D ainsi que 3D. Dans une perspective de recherche ultérieure, on pourra procéder, d’une part, à une optimisation d’échantillonnage en analysant le nombre optimal ainsi que les localisations idéales des mesures et d’autre part à l’approche bayésienne qui utilisera nos résultats comme des données primaires à priori.

Date	24 nov. 2014
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Antoine Tahan (Directeur(-trice)) & Martin Gagnon (Codirecteur(-trice))