S'abonner

Real-time Bayesian data assimilation with data selection, correction of model bias, and on-the-fly uncertainty propagation - 03/12/19

Doi : 10.1016/j.crme.2019.11.004 
Paul-Baptiste Rubio a, Ludovic Chamoin a, b, , François Louf a
a LMT (ENS Paris-Saclay, CNRS, Université Paris-Saclay), 61, avenue du Président-Wilson, 94235 Cachan, France 
b Institut Universitaire de France (IUF), 1 rue Descartes, 75005 Paris, France 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 18
Iconographies 18
Vidéos 0
Autres 0

Abstract

The work introduces new advanced numerical tools for data assimilation in structural mechanics. Considering the general Bayesian inference context, the proposed approach performs real-time and robust sequential updating of selected parameters of a numerical model from noisy measurements, so that accurate predictions on outputs of interest can be made from the numerical simulator. The approach leans on the joint use of Transport Map sampling and PGD model reduction into the Bayesian framework. In addition, a procedure for the dynamical and data-based correction of model bias during the sequential Bayesian inference is set up, and a procedure based on sensitivity analysis is proposed for the selection of the most relevant data among a large set of data, as encountered for instance with full-field measurements coming from digital image/volume correlation (DIC/DVC) technologies. The performance of the overall numerical strategy is illustrated on a specific example addressing structural integrity on damageable concrete structures, and dealing with the prediction of crack propagation from a damage model and DIC experimental data.

Le texte complet de cet article est disponible en PDF.

Keywords : Data assimilation, Bayesian inference, Model reduction, Modeling error, Real-time simulations, Full-field measurements, Uncertainty quantification


Plan


© 2019  Académie des sciences. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 347 - N° 11

P. 762-779 - novembre 2019 Retour au numéro
Article précédent Article précédent
  • Code2vect: An efficient heterogenous data classifier and nonlinear regression technique
  • Clara Argerich Martín, Ruben Ibáñez Pinillo, Anais Barasinski, Francisco Chinesta
| Article suivant Article suivant
  • Incremental dynamic mode decomposition: A reduced-model learner operating at the low-data limit
  • Agathe Reille, Nicolas Hascoet, Chady Ghnatios, Amine Ammar, Elias Cueto, Jean Louis Duval, Francisco Chinesta, Roland Keunings

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.