Вы находитесь на странице: 1из 9

Socit de Calcul Mathmatique, S. A.

Algorithmes et Optimisation

La modlisation mathmatique robuste

Expos au forum technique d'Arcachon, Aerospace Valley, mardi 29 mai 2007

par Bernard Beauzamy


PDG, Socit de Calcul Mathmatique S. A.

Aujourd'hui, les organismes et entreprises cherchent de plus en plus valuer la qualit


des rsultats numriques obtenus. C'est un tat d'esprit nouveau : pendant trente ans, la
mode tait au calcul de plus en plus prcis, de plus en plus rapide. Maintenant, on met
davantage l'accent sur la connaissance de l'incertitude sur les rsultats. Les deux, bien
sr, ne sont pas incompatibles, mais ils procdent d'une approche radicalement diffrente.
1. D'o vient ce besoin ?
Nous l'avons constat au travers des demandes des clients : la SCM a douze annes
d'existence et, depuis au moins dix ans, presque tous nos contrats se placent dans ce cadre. Il s'agit d'une photographie de l'tat de l'opinion des entreprises et des organismes
publics ; nous nous sommes adapts mais nous ne l'avons en aucune faon cr.
Comme souvent, le domaine moteur a t le nuclaire, pour des raisons videntes : scurit gnrale, allongement de la dure de vie des centrales ; tout ceci a conduit les responsables s'interroger sur la prcision, sur la fiabilit, des rsultats : lorsque le code de
calcul sort une temprature gale 1 145C, en cas de grosse brche dans le racteur,
est-ce que cela veut dire 1 140 - 1 150, ou bien 1 100 - 1 300, ou bien 100 - 3 000, ou n'importe quoi ? En d'autres termes, quelle est l'information fiable qui se cache derrire cette
valeur bien jolie, bien prcise, de 1 145C ?
De mme, quel sens peut-on donner un coefficient de scurit ou de dimensionnement
d'une structure, sachant que la gomtrie, les lois de comportement, les caractristiques
des matriaux, les charges appliques, et plus gnralement toutes les "entres" du calcul relvent elles-mmes d'approximations, de modlisations, ou de mesures incompltes ?
Dans le cas de vhicules aronautiques et spatiaux, il est souvent demand d'afficher
une "fiabilit prvisionnelle". Pour l'obtenir, on fait souvent des calculs paramtriques
reposant sur des modles, qui ne sont que des approximations. De plus, d'un point de vue
pratique, on ne peut balayer qu'un nombre fini et restreint de variations des paramtres
d'entre : tout ceci pose des problmes mthodologiques quant la validit du rsultat.
Sige social et bureaux : 111, Faubourg Saint Honor, 75008 Paris. Tel. : 01 42 89 10 89. Fax : 01 42 89 10 69
Socit Anonyme au capital de 56 200 Euros. RCS : Paris B 399 991 041. SIRET : 399 991 041 00035. APE : 731Z

Dans d'autres domaines, on a voulu valuer d'ventuels dommages. Nous avons travaill
pour le CNES (2005) sur la question : comment mesurer les dgts lis la retombe des
dbris spatiaux ? Nous verrons plus loin les mthodes que nous avons dveloppes.
Ce besoin de connatre les incertitudes s'est progressivement rpandu : rcemment, Veolia Environnement, Rgion Ouest, nous a demand de mettre au point un "panel" de
consommateurs, pour la consommation d'eau, et a prcis que ce panel devrait reflter la
consommation relle " 1 % prs". Cette requte, trs lgitime, est nouvelle : les sondages
lectoraux donnent une valeur, sans prciser la fourchette.
Enfin, d'autres secteurs ne sont pas encore conquis. Le responsable d'un bureau d'tudes
en environnement me disait rcemment que les laboratoires chargs d'analyser les pollutions des sols lui fournissaient toujours un chiffre de pollution, mais que ce chiffre n'tait
jamais assorti d'un intervalle. Je lui ai rtorqu qu'une mesure devait toujours tre assortie d'une valuation de prcision et je lui ai conseill de refuser de payer la facture
que les laboratoires lui adressaient !
La seconde raison qui favorise l'analyse des incertitudes est le besoin d'conomies. Bien
des organismes se font cette remarque de bon sens : il n'est pas utile de dvelopper un
logiciel trs fin, trs puissant, qui analyse tout et calcule avec 15 chiffres significatifs, si
nos donnes ne sont connues qu' 20 % prs. De mme, si le besoin est imprcis, le rsultat en sortie n'a pas de raison d'tre prcis. Nous en verrons des exemples plus loin.
Mais, mme en ce cas, les mthodes robustes, dont nous allons parler, ne conviennent
pas la culture de base des ingnieurs, qui aiment bien calculer vite et prcisment.
Beaucoup d'entre eux, lorsqu'ils y rflchissent, en conviennent volontiers, mais le rflexe de base, pour tout problme, est de vouloir recueillir des donnes suffisamment
prcises et suffisamment nombreuses pour alimenter un calcul fin. Or, comme nous le
verrons, ce n'est gnralement ni possible ni souhaitable. En 2007, on trouve encore des
coles d'ingnieurs qui se contentent d'enseigner l'analyse numrique (encore appele
"calcul scientifique"), sans que les lves aient jamais entendu parler d'valuation des
incertitudes et aient jamais reu le moindre bagage en probabilits.
Enfin, les mthodes robustes sont souvent adoptes par ceux qui souhaitent tre l'abri
de toute critique. Par exemple, pour reconstituer des donnes manquantes, pour faire
des extrapolations, de nombreuses mthodes existent : prolongement linaire, rgression, etc., mais elles reposent sur des hypothses factices, donc critiquables. Plutt que
de dire avec une belle certitude "la valeur retenue est 10,53", et de ployer aussitt sous le
dluge de critiques, beaucoup prfrent dire "la valeur est entre 10 et 11", en tant srs
de leur fait. Nous avons un contrat cadre avec l'Agence Europenne de l'Environnement :
il s'agit de fournir des rsultats "robustes" : grossiers certes, mais l'abri de toute critique. Le domaine concern est la mesure des pollutions dans les rivires ; nous en parlerons plus bas.

2. Un peu de terminologie
Quand il s'agit d'valuer la prcision sur un rsultat, trois concepts distincts peuvent
tre employs :
Une fourchette, encore appele tolrance absolue. Elle vous dit que le rsultat annonc a est ncessairement compris entre deux bornes m et M (qui ne sont pas ncessairement symtriques par rapport a ). Cela correspond un cahier des charges prcis. Je dclare que telle paisseur doit tre de 3.4 cm avec une tolrance de 1 mm :
Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

cela signifie que, lors de la fabrication, tous les produits doivent tre entre 3.3 et
3.5 cm. Ceux qui ne sont pas dans cet intervalle seront rejets.
Un intervalle de confiance, par exemple 95 %. Dans l'exemple prcdent, l'intervalle
3.3 - 3.5 cm sera un intervalle de confiance 95 % si 95 % des produits fabriqus tombent dans cet intervalle. On accepte (c'est moins strict que le prcdent) un quota hors
intervalle, pourvu que ce quota ne soit pas trop nombreux. Notons bien que l'on ne
fixe aucune borne sur ceux qui sont hors intervalle : s'il y en a un de 10 mtres de
long, cela reste acceptable !
Une loi de probabilit. On dfinira par exemple quatre valeurs, mettons :

P {3 < X 3.3} = 0.01


P {3.3 < X 3.4} = 0.38
P {3.4 < X 3.5} = 0.59
P {3.5 < X 4} = 0.02
et on rclamera que la production respecte ces critres : par exemple, sur 10 000 pices, il doit y en avoir environ 59 % entre 3.4 et 3.5. C'est plus prcis que l'intervalle de
confiance, tout en tant plus souple que la fourchette absolue. Notons bien que dans
ces conditions on contrle toute la production : un lment de 10 m n'est plus acceptable.

3. Un exemple concret
Pour traiter immdiatement un exemple concret, voici un problme que le CNES nous a
soumis en 2005 : comment valuer les dgts susceptibles d'tre commis par la rentre
d'un objet spatial (dbris de satellite, de lanceur, etc.). On connat (approximativement)
la position de l'objet et sa vitesse lors de la rentre dans l'atmosphre ; on dispose de
cartes de densit de population, d'implantation des sites industriels, etc. Comment valuer les dgts susceptibles de survenir ?
On peut videmment mettre en uvre un logiciel prcis : partir de la taille, de la forme
de l'objet, de ses caractristiques (Cx, surface, poids, nature du matriau), connaissant le
champ de gravit et les caractristiques de l'atmosphre (densit, direction et force des
vents), on peut calculer le point de chute de l'objet. Un tel logiciel est lourd et coteux
dvelopper, et trs lent d'excution, car toutes les quations doivent tre rsolues par des
mthodes numriques pas variable.
Le problme est que le rsultat obtenu (trois coordonnes, avec autant de dcimales que
l'on veut !) ne rpond en rien la question pose, car les donnes d'entre sont imprcises. On ne connat pas exactement, en ralit, ni la position ni la vitesse du satellite lors
de la rentre, ni la densit de l'air aux diffrentes couches. De plus, l'objet n'est pas
unique : il se fragmente, et les divers fragments auront des Cx, des surfaces, des poids,
des matriaux, diffrents, et donc des trajectoires diffrentes. Le rsultat n'est donc certainement pas un nombre, mais plutt ce que nous avons appel une "carte probabiliste",
dont voici un exemple (Est de la France) :

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

Figure 1 : carte probabiliste issue de la retombe de dbris spatiaux, Est de la France

Nous verrons tout l'heure comment cette carte a t construite. Notons tout de suite
qu'elle rpond la question pose, celle de l'assurance : vous superposez cette carte une
carte de densit de population, de sites industriels, et vous faites un calcul d'esprance
mathmatique : dommage multipli par la probabilit du dommage. Pour prendre un
exemple concret, nous avions dcid que si un dbris touchait une personne, cela reprsentait un million d'euros de ddommagement, et si le dbris touchait une centrale nuclaire (nous en avions ajout une, pour faire joli), la pnalit tait dix millions d'euros.
Tout calcul fait, la prime d'assurance se montait 100 Euros, tant la probabilit est faible.
Notre calcul conforte bien les donnes exprimentales recueillies la suite de l'accident
de la navette Columbia : bien que les dbris se fussent rpandus sur 5 Etats et prs de
2 500 km, aucune personne n'a t touche.
La robustesse s'entend par rapport aux donnes, mais aussi par rapport aux objectifs. Le
CNES n'a pas besoin de savoir exactement o les dbris vont tomber, mais approximativement, et si la zone est trop peuple, on dirige le satellite ailleurs.
Voyons sur la carte ci-dessus les trois concepts mentionns plus haut :
La fourchette, ou tolrance absolue, serait l'ensemble des positions possibles : sorte de
grosse "patate" englobant la carte.
L'intervalle 95 % serait obtenu en liminant des zones priphriques, de manire
ne garder qu'un ellipsode o la probabilit totale est de 95 %.
Enfin, la carte prsente plus haut est videmment ce qui comporte le plus d'information : on sait o sont les zones dangereuses, et dans quelle mesure elles le sont.

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

4. Modlisation robuste
Nous appellerons "modlisation robuste" un ensemble de mthodes qui permettent de
prendre en compte, ds l'origine, les incertitudes sur les donnes, sur les lois, sur les objectifs. La modlisation robuste est un concept beaucoup plus large que celui de "mthodes numriques robustes", censes fournir un rsultat lorsque les donnes sont imprcises. La modlisation robuste est un concept qui n'a rien de numrique : c'est une faon de
poser le problme.
L'ide de base est que la plupart des gens veulent, au moins dans un premier temps, une
aide la dcision, pour "dgrossir" le problme ; la solution prcise viendra plus tard si
ncessaire. Par dfinition, cette aide la dcision doit tre grossire et rapide : telle zone
est intressante, telle zone est limine. On dgage donc le concept de "Quick Acceptable
Solution" : solution rapide acceptable.
La plupart des problmes sont poss, sous forme acadmique, dans un cadre d'optimisation. Il y a une fonction objectif, qu'il s'agit d'optimiser, et des contraintes, qu'il s'agit de
respecter. Par exemple, on cherchera minimiser le cot d'une tourne, en respectant le
fait d'assurer toutes les livraisons et de garantir le temps de repos des chauffeurs.
Malheureusement, cette approche, fort rpandue, est de peu d'utilit pratique. Dans la
ralit, il n'y a jamais une fonction optimiser : il y en a des quantits. Par exemple, il y
a les objectifs court terme, moyen terme, long terme, qui sont gnralement peu
compatibles.
Dans notre programme de recherche "Robust Mathematical Modeling" (RMM), nous
abandonnons donc compltement la notion d'optimum, et nous la remplaons par des
contraintes. Par exemple, au lieu de chercher minimiser le cot de la tourne, on se
demandera : peut-on raliser la mme tourne que l'an pass avec une conomie de 5 %
en carburant ? ou bien avec une conomie d'heures de conduite ?
On cherche une Quick Acceptable Solution qui satisfasse les contraintes que l'on impose.
La premire qui sort de l'ordinateur est soumise l'examen : peu importe si elle ne ralise aucun optimum.
S'il s'avre qu'aucune solution n'est possible avec les contraintes retenues, on allge certaines de ces contraintes, et l'on recommence.
Au contraire, si une solution existe, on peut renforcer certaines contraintes et recommencer, en fonction des besoins.
Les contraintes que l'on impose sont elles-mmes simplifies. Il n'est pas utile, pour un
problme grossier, de conserver des contraintes fines et prcises. On remplace donc les
contraintes d'origine par des contraintes linaires ou affines, au moins par morceaux.
Le troisime outil essentiel de la mthode RMM est la mise en uvre systmatique de
lois probabilistes, pour tout ce qui n'est pas connu avec certitude.
Reprenons l'exemple de la rentre des dbris. La rsistance de l'air est donne par une
formule du type :

R=

1
Cx S V 2
2

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

o est la rsistance de l'air, C x un coefficient de frottement, S la surface du mobile et


V sa vitesse par rapport l'air.
En vrit, dans cette formule, rien n'est correctement connu. La rsistance de l'air, par
exemple, est donne par des tables standardises en fonction de l'altitude, mais ces valeurs ne sont certainement pas exactes. On peut penser qu'une variation de 10 % autour de ces valeurs est possible. Nous traduisons cela en instaurant une loi de probabilit
uniforme sur l'intervalle correspondant (il y a en ralit plusieurs lois, suivant les altitudes). De mme pour le coefficient de frottement, de mme pour la surface, de mme pour
la vitesse. Et mme l'exposant 2 de la vitesse est sujet caution : personne n'est rellement certain que, 7 km/s en atmosphre rarfie (de l'ordre de 100 km d'altitude) la
rsistance de l'air soit proportionnelle au carr de la vitesse. Nous avons donc introduit
un exposant , suivant une loi uniforme entre 2 et 2.5.
Et nous avons procd de mme pour toutes les tapes de la chute : l'enveloppe externe
du satellite fond (selon un processus mal connu), des dbris internes sont librs, qui
sont eux-mmes soumis au processus d'chauffement. Toutes les incertitudes sur l'ensemble du processus sont ainsi prises en compte.
Une fois toutes les lois crites, on lance 10 000 simulations, chacun des paramtres
ayant sa loi propre, et on compte combien de fois chaque maille de terrain est atteinte
par un ou par plusieurs dbris, d'o la carte ci-dessus.
Bien sr, les lois uniformes ne sont l que lorsque la connaissance est trs faible. Au fur
et mesure que la connaissance progresse, on sait que certaines plages sont plus probables que d'autres, et on utilise les lois appropries : par exemple des lois triangulaires ou
bien des lois gaussiennes.
Les mthodes probabilistes que nous venons de dcrire sont finalement assez simples.
Elles rpondent la proccupation suivante : il y a, dans le processus qui nous occupe,
des choses que nous ne connaissons pas (en l'occurrence, la densit de l'air, parmi d'autres). Peut-tre pourrions-nous les mesurer (envoyer un ballon sonde), mais en dfinitive
ce n'est pas utile, parce que la valeur prcise de cette densit nous importe assez peu, et
ce serait trs coteux. Mieux vaut donc considrer que la valeur de cette densit est rgie
par le hasard ; ce n'est pas le cas, bien sr, mais nous faisons comme si c'tait le cas.
Cet exemple est vraiment caractristique de la mise en uvre de mthodes robustes. On
s'aperoit qu'il n'y a absolument rien de numrique ; on ne recherche aucune prcision.
Bien au contraire, on s'efforce d'tre homogne d'un bout l'autre du travail : qu'importe
si la carte probabiliste a plusieurs centaines de km de long, puisque a) la position initiale
du satellite n'est pas exactement connue et b) il ne s'agit que de le guider vers des rgions suffisamment vides ?
Les trois concepts de base des mthodes RMM sont donc :
1. Il n'y a plus d'objectifs, seulement des contraintes ;
2. On simplifie les contraintes ;
3. On rend probabiliste tout ce qu'on ne connat pas.

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

5. Un exemple d'application possible des mthodes RMM : le Contrle Non Destructif


Nous avons travaill trois ans pour EdF sur la reconstruction de dfauts en Courants de
Foucault (1997-2000). Quelle que soit la mthode, thermographie infrarouge ou ultrasons, on cre une bibliothque de dfauts caractristiques ("dfauthque") et on s'en sert
pour calibrer les appareils. Etant donn un signal recueilli, on le compare aux lments
de la bibliothque et on tente de reconstituer la forme du dfaut rel. Cette reconstruction est binaire : on dtecte le dfaut de la bibliothque ou on ne le dtecte pas. Deux
questions se posent, qui relvent de la "robustesse" du procd :
A partir de quelle similarit entre le dfaut rel et le dfaut de la bibliothque peut-on
dtecter le dfaut rel ? (dfinir un indice de proximit)
Quel bruit de fond empche la dtection (prsence d'autres dfauts, paisseur du matriau, nature de la surface, etc.) ?
De manire gnrale, on peut vouloir passer d'un CND qui relve de l'imagerie (donc
dterministe) un CND qui serait probabiliste : reconstruction imprcise, mais robuste.
Il est trs important de noter que la prcision de la reconstruction dpend de l'objectif. Il
n'est pas ncessairement utile de reconstruire finement : ce peut tre utile pour une intervention chirurgicale, mais non pour le remplacement d'une pice. Par exemple, le
remplacement des tubes dans les gnrateurs de vapeur des centrales EdF ne requiert
pas une reconstitution prcise, fine, dtaille : une reconstitution grossire suffit, pour
dcider si oui ou non le tube doit tre remplac.
Voyons maintenant la mise en uvre d'un outil probabiliste plus sophistiqu, l'EPH (Experimental Probabilistic Hypersurface).

6. L'Hypersurface Probabiliste
Elle a t introduite par nous dans le cadre d'un contrat avec Framatome-ANP (20032004) ; elle est maintenant dveloppe par Olga Zeydina, SCM SA, dans le cadre d'une
thse soutenue par l'IRSN, Direction de la Sret des Racteurs (2007).
Supposons qu'un code de calcul dpende de 50 paramtres en entre ; ce code est long
travailler (mettons 24 heures pour faire un "run"), ce qui rend impossible une exploration complte de l'espace des paramtres. Mettons que 300 ou 400 runs aient t faits.
Dans le cas de Framatome et de l'IRSN, il s'agit du code "Cathare", code de thermohydraulique, qui calcule la temprature maximale atteinte par un racteur en cas de
grosse brche. Un seuil critique est fix 1 200C. Admettons que les 400 runs faits, sur
diffrentes valeurs des paramtres d'entre, aient donn diverses tempratures en sortie, avec au maximum 1 150C.
La question qui se pose est celle de la valeur prdictive de ce rsultat. Si chaque paramtre pouvait prendre 10 valeurs (et en gnral il peut en prendre une infinit, puisque ce
sont des paramtres continus), l'espace des paramtres aurait 1050 configurations possibles, et une exploration de 300 ou 400 d'entre eux est infime.
L'EPH est un moyen de propager l'information en tout point de l'espace des configurations. A partir de tout point o la mesure a t faite, on envoie une information, qui est
une loi de probabilit (portant en l'occurrence sur la temprature). Plus on est proche
Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

d'un point o la mesure a t faite, et plus cette loi est concentre ; plus on est loign et
plus cette loi est diffuse. Ensuite, lorsque plusieurs mesures ont t faites, ces diffrentes
informations se recombinent entre elles. L'ensemble de la construction se fait en respectant un principe d'entropie maximale : on ne fait jamais aucune hypothse supplmentaire.
Lorsque l'EPH est construite, le rsultat est une loi de probabilit en chaque point de
l'espace des configurations. Si on veut prdire une valeur prcise en un point, on prend
l'esprance de la loi. Ceci permet la reconstruction de valeurs manquantes et la prdiction. L'EPH est donc aussi un moyen de "stocker" l'information recueillie. Chaque nouvelle mesure, si l'on en fait, prcise et enrichit l'EPH.
Voici un exemple, tir d'un travail que nous ralisons pour l'AEE (Agence Europenne de
l'Environnement), 2007.
7. Un exemple d'utilisation de l'EPH
Il concerne la pollution des rivires en NH4 ; on s'intresse la proportion de stations de
mesure, en France, qui ont observ une concentration infrieure au seuil de 0.2 mg/l en
moyenne annuelle. Les valeurs pour les annes 73, 74, 75, 78, 79, 80, 85, 86, 87, taient
manquantes et ont t reconstitues grce l'EPH, et les valeurs pour 2006, 2007, 2008,
sont prdites.

concentration en NH4
1,20
1,00
0,80
0,60
0,40
0,20

2008

2007

2006

2005

2004

2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

1993

1992

1991

1990

1989

1988

1987

1986

1985

1984

1983

1982

1981

1980

1979

1978

1977

1976

1975

1974

1973

1972

1971

0,00

Figure 2 : reconstruction et prdiction de valeurs de pollution grce l'EPH

La reconstruction et la prdiction sont faites en deux tapes :


Tout d'abord, une loi de probabilit complte est calcule pour chacune des annes en
question. Ceci est obtenu par propagation de l'information. Par exemple, voici la loi de
probabilit pour l'anne 1986 :
loi proba 1986
0,35

proba

0,30
0,25
0,20
0,15
0,10
0,05
0,96

0,9

0,84

0,78

0,72

0,66

0,6

0,54

0,48

0,42

0,36

0,3

0,24

0,18

0,12

0,06

0,00

pourcentage stations

Figure 3 : la loi de probabilit pour 1986

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007

Aprs quoi, la valeur retenue est l'esprance de cette loi.


Cette manire de procder a trois avantages :
Pas d'hypothse gratuite ;
Une loi de probabilit tout entire, pas seulement une valeur prcise ;
Un contrle complet sur les incertitudes : on peut dire ce qui se passera si les valeurs
mesures en certains points changent de 10 %, par exemple.
Regardons nouveau la figure 2 : les valeurs annonces pour 73, 74, 75, sont trs audessus de celles que l'on aurait obtenues par interpolation linaire entre 72 et 76. Cela
tient au fait que la valeur en 77 est trs leve, et qu'elle influence les choix pour 73 - 75,
ce qui ne serait pas le cas pour une simple interpolation linaire. Il en rsulte une baisse
entre 75 et 76, qui n'est nullement absurde, puisqu'une telle baisse se produit effectivement entre 77 et 81.
8. Exemples possibles d'application relevant du secteur aronautique et spatial
Fiabilit prvisionnelle des vhicules spatiaux
L'EPH serait un outil appropri pour l'tude de la fiabilit prvisionnelle des vhicules
spatiaux (estimation d'une probabilit de dfaillance). On dispose a priori de modles
grossiers, et on ne peut faire varier qu'un petit nombre de paramtres d'entre. L'EPH,
dans ces conditions, permet la dtection des zones dangereuses (configurations critiques)
et l'valuation de la probabilit totale de dfaillance.
Qualifier un procd de fabrication
La qualification des procds de fabrication de produits intermdiaires (pr-imprgns),
matriaux, pices composites (par exemple) fournit galement un exemple intressant.
Il arrive rgulirement que le produit fini soit rebut, car des paramtres "cachs" du
procd ont chang (caractristique non identifie de la matire premire, temprature /
hygromtrie de l'atelier, "tour de main" de l'oprateur, etc. ...). Lorsque le procd de fabrication a t ainsi modifi, le premier rflexe est souvent de lancer des grands plans
d'expriences, pour essayer de "recentrer les paramtres" suivant l'expression consacre.
L'EPH permettrait ici d'estimer une probabilit, en sortie, de rester dans tel ou tel intervalle, tenant compte des changements sur les paramtres d'entre ; ces changements seraient incorpors sous la forme de lois de probabilit.
L'EPH permet de ne pas se limiter une vision "binaire" : en fonction de la valeur discrte d'une caractristique en sortie, on dclare le produit bon ou mauvais. On peut se
poser les mmes questions de manire plus quantitative : quel pourcentage sera dans tel
intervalle ? Ou, l'inverse, comment choisir le seuil pour qu'un pourcentage donn (par
exemple 99 %) y satisfasse ?
Le programme RMM est un programme ouvert : voir http://www.scmsa.com/robust.htm
pour les documents scientifiques, la liste des participants, les vnements organiss, etc.

Modlisation robuste. Expos BB, Aerospace Valley, Arcachon, mai 2007