Couplage mécano-fiabiliste : 2 SMART - méthodologie d'apprentissage stochastique en fiabilité

Uncertainties usually play an important role in structural engineering and their effects need to be evaluated for robustness and safety. Coupling mechanical and stochastic data models for complex systems using a classical procedure may become prohibitive in terms of computer time. This time increases as the probability of failure of interest decreases, and this is a major limitation in using these methods for industrial applications. To overcome the computing time difficulty, limit-state substitution is proposed. J.E. Hurtado (Structural Reliability - Statistical Learning Perspectives) introduces Support Vector Machine to reliability and applies their classification properties to produce an efficient Monte-Carlo simulation. In SMART, we improved his algorithm to build the limit-state surrogate for reliability application. By merging Support Vector Machine classification into subset simulation, we propose here a robust method for reliability analysis referred as 2SMART for Subset by Support vector Margin Algorithm for Reliability esTimation. The proposed methodology is detailed and its efficiency is illustrated through various examples, from test cases for validation to structural mechanics applications.La prise en compte de l'incertain dans les analyses mécaniques est une condition indispensable pour un dimensionnement optimal et robuste des structures. Avec cet objectif les méthodes de couplage mécano-fiabiliste doivent intégrer les modélisations mécaniques de plus en plus complexes (comportement non-linéaire, dynamique, fatigue, mécanique de la rupture,...) complexité qui rend les analyses de plus en plus exigeantes en temps de calcul. La voie retenue dans la thèse consiste à substituer au modèle mécanique, un modèle approché obtenu par apprentissage statistique. La mise en oeuvre s'appuie sur la méthode des Support Vector Machines (SVM). Deux nouvelles méthodes sont proposées. SMART Support vector Margin Algorithm for Reliability es Timation permet d'élaborer de manière incrémentale une base de données optimale pour l'apprentissage de la frontière entre sûreté et défaillance. En couplant l'appprentissage avec la technique des subsets simulations, 2 SMART Subset by Support vector Margin Algorithm for Reliability es Timation prend en compte de faibles niveaux de probalité et un nombre relativement important de variables. Les travaux ont été validés sur des cas tests issus de la littérature ainsi que sur des cas mécaniques plus significatifs issus de problèmes industriels. Les résultats obtenus confirment la robustesse des méthodes proposées pour traiter les analyses de sensibilité et de fiabilité