Search

In this thesis, we are interested in the numerical solution of models governed by partial differential equations that admit a probabilistic interpretation. In a first part, we consider partial differential equations in high dimension. Based on a probabilistic interpretation of the solution which allows to obtain pointwise evaluations of the solution using Monte-Carlo methods, we propose an algorithm combining an adaptive interpolation method and a variance reduction method to approximate the global solution. In a second part, we focus on reduced basis methods for parametric partial differential equations. We propose two greedy algorithms based on a probabilistic interpretation of the error. We also propose a discrete optimization algorithm probably approximately correct in relative precision which allows us, for these two greedy algorithms, to judiciously select a snapshot to add to the reduced basis based on the probabilistic representation of the approximation error; Nous nous intéressons dans cette thèse à la résolution numérique de modèles régis par des équations aux dérivées partielles admettant une interprétation probabiliste. Dans un premier temps, nous considérons des équations aux dérivées partielles en grande dimension. En nous basant sur une interprétation probabiliste de la solution qui permet d’obtenir des évaluations ponctuelles de celle-ci via des méthodes de Monte-Carlo, nous proposons un algorithme combinant une méthode d’interpolation adaptative et une méthode de réduction de variance pour approcher la solution sur tout son domaine de définition. Dans un deuxième temps, nous nous intéressons aux méthodes de bases réduites pour les équations aux dérivées partielles paramétrées. Nous proposons deux algorithmes gloutons reposant sur une interprétation probabiliste de l’erreur. Nous proposons également un algorithme d’optimisation discrète probably approximately correct en précision relative qui nous permet, pour ces deux algorithmes gloutons, de sélectionner judicieusement un snapshot à ajouter à la base réduite en se basant sur la représentation probabiliste de l’erreur d’approximation.

Uncertainty quantification problems for numerical models require a lot of simulations, often very computationally costly (in time and/or memory). This is why it is essential to build surrogate models that are cheaper to evaluate. In practice, the output of a numerical model is represented by a function, then the objective is to construct an approximation.The aim of this thesis is to construct a controlled approximation of a function while using as few evaluations as possible.In a first time, we propose a new method based on weighted least-squares to construct the approximation of a function onto a linear approximation space. We prove that the projection verifies a numerical stability property almost surely and a quasi-optimality property in expectation. In practice we observe that the sample size is closer to the dimension of the approximation space than with existing weighted least-squares methods.For high-dimensional approximation, and in order to exploit potential low-rank structures of functions, we consider the model class of functions in tree-based tensor formats. These formats admit a multilinear parametrization with parameters forming a tree network of low-order tensors and are therefore also called tree tensor networks. In this thesis we propose an algorithm for approximating functions in tree-based tensor formats. It consists in constructing a hierarchy of nested subspaces associated to the different levels of the tree. The construction of these subspaces relies on principal component analysis extended to multivariate functions and the new weighted least-squares method. To reduce the number of evaluations necessary to build the approximation with a certain precision, we propose adaptive strategies for the control of the discretization error, the tree selection, the control of the ranks and the estimation of the principal components.; Les problèmes de quantification d'incertitudes des modèles numériques nécessitent de nombreuses simulations, souvent très coûteuses (en temps de calcul et/ou en mémoire). C'est pourquoi il est essentiel de construire des modèles approchés qui sont moins coûteux à évaluer. En pratique, si la réponse d'un modèle numérique est représentée par une fonction, on cherche à en construire une approximation.L'objectif de cette thèse est de construire l'approximation d'une fonction qui soit contrôlée tout en utilisant le moins d'évaluations possible de la fonction.Dans un premier temps, nous proposons une nouvelle méthode basée sur les moindres carrés pondérés pour construire l'approximation d'une fonction dans un espace vectoriel. Nous prouvons que la projection vérifie une propriété de stabilité numérique presque sûrement et une propriété de quasi-optimalité en espérance. En pratique on observe que la taille de l'échantillon est plus proche de la dimension de l'espace d'approximation que pour les autres techniques de moindres carrés pondérées existantes.Pour l'approximation en grande dimension et afin d’exploiter de potentielles structures de faible dimension, nous considérons dans cette thèse des approximations dans des formats de tenseurs basés sur des arbres. Ces formats admettent une paramétrisation multilinéaire avec des paramètres formant un réseau de tenseurs de faible ordre et sont ainsi également appelés réseaux de tenseurs basés sur des arbres. Dans cette thèse, nous proposons un algorithme pour construire l'approximation de fonctions dans des formats de tenseurs basés sur des arbres. Il consiste à construire une hiérarchie de sous-espaces imbriqués associés aux différents niveaux de l'arbre. La construction de ces espaces s'appuie sur l'analyse en composantes principales étendue aux fonctions multivariées et sur l'utilisation de la nouvelle méthode des moindres carrés pondérés. Afin de réduire le nombre d'évaluations nécessaires pour construire l'approximation avec une certaine précision, nous proposons des stratégies adaptatives pour le contrôle de l'erreur de discrétisation, la sélection de l'arbre, le contrôle des rangs et l'estimation des composantes principales.

Uncertainty quantification problems for numerical models require a lot of simulations, often very computationally costly (in time and/or memory). This is why it is essential to build surrogate models that are cheaper to evaluate. In practice, the output of a numerical model is represented by a function, then the objective is to construct an approximation.The aim of this thesis is to construct a controlled approximation of a function while using as few evaluations as possible.In a first time, we propose a new method based on weighted least-squares to construct the approximation of a function onto a linear approximation space. We prove that the projection verifies a numerical stability property almost surely and a quasi-optimality property in expectation. In practice we observe that the sample size is closer to the dimension of the approximation space than with existing weighted least-squares methods.For high-dimensional approximation, and in order to exploit potential low-rank structures of functions, we consider the model class of functions in tree-based tensor formats. These formats admit a multilinear parametrization with parameters forming a tree network of low-order tensors and are therefore also called tree tensor networks. In this thesis we propose an algorithm for approximating functions in tree-based tensor formats. It consists in constructing a hierarchy of nested subspaces associated to the different levels of the tree. The construction of these subspaces relies on principal component analysis extended to multivariate functions and the new weighted least-squares method. To reduce the number of evaluations necessary to build the approximation with a certain precision, we propose adaptive strategies for the control of the discretization error, the tree selection, the control of the ranks and the estimation of the principal components.; Les problèmes de quantification d'incertitudes des modèles numériques nécessitent de nombreuses simulations, souvent très coûteuses (en temps de calcul et/ou en mémoire). C'est pourquoi il est essentiel de construire des modèles approchés qui sont moins coûteux à évaluer. En pratique, si la réponse d'un modèle numérique est représentée par une fonction, on cherche à en construire une approximation.L'objectif de cette thèse est de construire l'approximation d'une fonction qui soit contrôlée tout en utilisant le moins d'évaluations possible de la fonction.Dans un premier temps, nous proposons une nouvelle méthode basée sur les moindres carrés pondérés pour construire l'approximation d'une fonction dans un espace vectoriel. Nous prouvons que la projection vérifie une propriété de stabilité numérique presque sûrement et une propriété de quasi-optimalité en espérance. En pratique on observe que la taille de l'échantillon est plus proche de la dimension de l'espace d'approximation que pour les autres techniques de moindres carrés pondérées existantes.Pour l'approximation en grande dimension et afin d’exploiter de potentielles structures de faible dimension, nous considérons dans cette thèse des approximations dans des formats de tenseurs basés sur des arbres. Ces formats admettent une paramétrisation multilinéaire avec des paramètres formant un réseau de tenseurs de faible ordre et sont ainsi également appelés réseaux de tenseurs basés sur des arbres. Dans cette thèse, nous proposons un algorithme pour construire l'approximation de fonctions dans des formats de tenseurs basés sur des arbres. Il consiste à construire une hiérarchie de sous-espaces imbriqués associés aux différents niveaux de l'arbre. La construction de ces espaces s'appuie sur l'analyse en composantes principales étendue aux fonctions multivariées et sur l'utilisation de la nouvelle méthode des moindres carrés pondérés. Afin de réduire le nombre d'évaluations nécessaires pour construire l'approximation avec une certaine précision, nous proposons des stratégies adaptatives pour le contrôle de l'erreur de discrétisation, la sélection de l'arbre, le contrôle des rangs et l'estimation des composantes principales.

Uncertainty quantification has been a topic of significant research in computational engineering since early worksin stochastic finite element method. Over past decades, several methods based on classical results in analysis and approximation theory have been proposed. However for problems involving high stochastic dimension, these methods are limited by the so called "curse of dimensionality" as the underlying approximation space increases exponentially with dimension. Resolution of these high dimensional problems "non intrusively" (where we cannot access or modify model source code), is indeed often difficult with only a partial information in the form of a few model evaluations. Given computation and time resource constraints, methods addressing these issues are needed. The present thesis exploits recent developments in low rank and sparse approximations to propose methods that take into account both low rank and sparsity structures of high dimensional functions and can thus provide sufficiently accurate approximation with few sample evaluations. The number of parameters to estimate in these sparse low rank tensor formats is linear in stochastic dimension with few non zero parameters that can be estimated efficiently by sparse regularization techniques. The proposed methods are integrated with clustering and classification approach for approximation of discontinuous and irregular functions.; La quantification d'incertitudes est un sujet de recherche important dans la simulation numérique en ingénierie depuis les premiers travaux sur la méthode des éléments finis stochastiques. Ces dernières années, plusieurs méthodes basées sur des résultats classiques de la théorie de l'approximation et de l'analyse numérique ont été proposées. Cependant pour des problèmes de grande dimension stochastique, ces méthodes sont limitées par « la malédiction de la dimension » car l'espace d'approximation sous-jacent augmente exponentiellement avec la dimension stochastique. La résolution de ces problèmes de grande dimension de manière non intrusive, où nous ne pouvons pas avoir accès au modèle ou le modifier, est en effet souvent difficile à partir d'informations partielles sous forme de quelques évaluations du modèle. Étant données les contraintes de ressources de calcul et de temps, des approches répondant à ces challenges sont nécessaires. Cette thèse exploite les développements récents sur les méthodes d'approximation de faible rang et les méthodes d'approximation creuse pour proposer une méthode qui exploite à la fois la structure de faible rang et la parcimonie de fonctions de nombreux paramètres et qui peut fournir des approximations suffisamment précises à partir de peu d'évaluations. Le nombre de paramètres à estimer dans les formats de tenseur de faible rang creux est linéaire avec la dimension stochastique et avec peu de paramètres non nuls qui peuvent être estimés efficacement par des techniques de régularisation creuse. Les méthodes proposées sont intégrées à une technique de clustering et classification pour l'approximation de fonctions discontinues ou irrégulières.