La complexité croissante des systèmes industriels nécessite de démontrer que l?ensemble des risques est maitrisé. Parmi les approches développées en ce sens, l'AiDR, développée par EDF R&D et le CRAN, apparait comme une solution intéressante grâce à un modèle unifié multidisciplinaire, générique et outillé. Elle dispose cependant d'un potentiel d'amélioration pour la modélisation et le traitement des connaissances (issues du REX statistique et d'avis d'experts). Celles-ci sont souvent entachées d'incertain influant sur la pertinence des résultats fournis aux décideurs. Si l'incertain dû au caractère aléatoire des phénomènes physiques est bien appréhendé par la théorie des probabilités, l'incertain dû à l'imperfection des connaissances (incertain épistémique) l'est beaucoup moins. L'un des enjeux est donc de disposer d'une approche adaptée à la modélisation et au traitement conjoint des deux incertains. En ce sens, la théorie de l'évidence constitue une alternative intéressante pour modéliser et traiter de façon plus cohérente et plus flexible les deux incertains. Nos travaux proposent trois contributions majeures. Tout d'abord, la formalisation de l'élicitation des risques par avis d'experts par des outils de collecte plus flexibles et plus complets. Ensuite, nous proposons un modèle de risques évidentiel pour représenter de façon cohérente les différentes expressions des connaissances et apprécier les risques. Enfin, nous proposons des supports pour la prise de décision en univers incertain pour la représentation des résultats et l'identification des contributeurs à l'incertain et à sa réduction. L'application de ces contributions sur un cas industriel réel met en évidence leur faisabilité et leurs apports au regard d'approches plus conventionnelles. Elle permet également de dégager des perspectives pour le développement de l'AiDR / The increasing complexity of industrial systems involves to demonstrate that all the risks are under control. Among the approaches developed, the IRA (developed from several years ago by EDF and CRAN) seems to be a relevant solution by proposing multidisciplinary, generic and unified model. However, these approaches should be improved with regards to modeling and processing of knowledge (provided by statistical experience feedback and expert judgments). This knowledge contains different types of uncertainty that influence the relevance of the results provided to the decision-makers. If the probabilistic framework is well adapted to deal with the uncertainties due to the natural variability of a physical phenomenon, it will be better to choose another framework to deal with the uncertainties due to the lack or imperfection of knowledge (epistemic uncertainties). One issue is to develop an approach adapted to the modeling and to the treatment of the two types of uncertainties. In that way, the evidence theory is an interesting framework to provide more coherent and more flexible modeling and processing of knowledge and uncertainties. Our works propose three main contributions. The first one concerns the formalization of the risks quantification by expert judgments by proposing more complete and flexible assessment tools. The second contribution provides an evidential risks model allowing to represent the different knowledge expressions a more coherent way and to estimate all the risks. Finally, in the last contribution, some tools are proposed for decision-making in uncertain environment. The implementation of these contributions on a real industrial application highlights their feasibility as well as their contributions with regard to more conventional approaches. It also allows us to identify new prospects development for the IRA approach

Face à la complexité croissante des systèmes industriels, il est aujourd'hui primordial de démontrer que l'ensemble des risques est maitrisé. En ce sens, différentes approches ont été développées ces dernières années afin de proposer une vision globale des risques techniques, humains, organisationnels et environnementaux. Parmi elles, celle développée depuis plusieurs années par EDF et intitulée AidR (Analyse intégrée Des Risques) apparait comme une solution intéressante en proposant un modèle unifié à la fois multidisciplinaire, générique et outillé. Cependant, ces approches disposent aujourd'hui d'un potentiel d'amélioration en termes de modélisation et de traitement des connaissances (issues principalement du retour d'expérience statistique et des avis d'expert). En effet, ces connaissances sont bien souvent entachées d'incertain qui influe sur l'ensemble du processus d'appréciation des risques et donc sur la pertinence des résultats issus de ces études. Si l'incertain dû au caractère aléatoire des phénomènes physiques est généralement bien appréhendé grâce à la théorie des probabilités, l'incertain dû à l'imperfection des connaissances l'est beaucoup moins. L'un des enjeux majeurs actuels est donc de disposer d'une approche adaptée à la modélisation et au traitement conjoints des différents incertains afin de fournir des résultats les plus pertinents possibles aux décideurs. Pour satisfaire à cet objectif, la théorie de l'évidence constitue une alternative intéressante pour modéliser et traiter de façon à la fois plus cohérente et plus flexible des connaissances et leur incertain. En s'appuyant sur cette théorie, nos travaux proposent trois contributions majeures pour la modélisation et le traitement de l'incertain. La première concerne la formalisation de l'élicitation des risques par avis d'experts en proposant différents outils pour une collecte flexible et plus complète de ces derniers (identification des risques). La seconde contribution aboutit à un modèle de risques évidentiel permettant de représenter de façon cohérente les différentes expressions des connaissances et d'apprécier les différents risques (analyse des risques). Enfin, la dernière contribution porte sur la proposition de supports à la prise de décision en univers incertain (évaluation des risques). Ces supports concernent à la fois la représentation des résultats et des éléments pour l'identification des contributeurs à l'incertain et à sa réduction. L'application de ces contributions sur un cas réel de l'industriel EDF permet ensuite de mettre en évidence leur faisabilité ainsi que leurs apports au regard d'approches plus conventionnelles. Elle nous permet également de dégager de nouvelles perspectives de recherche pour le développement de cette méthodologie.

Le domaine de recherche dans lequel s'inscrit ce travail de thèse est la théorie de la prédiction des suites individuelles. Cette dernière considère les problèmes d'apprentissage séquentiel pour lesquels on ne peut ou ne veut pas modéliser le problème de manière stochastique, et fournit des stratégies de prédiction très robustes. Elle englobe aussi bien des problèmes issus de la communauté du machine learning que de celle de la théorie des jeux répétés, et ces derniers sont traités avec des méthodes statistiques, incluant par exemple les techniques de concentration de la mesure ou de l'estimation adaptative. Les résultats obtenus aboutissent, entre autres, à des stratégies de minimisation des regrets externe et interne dans les jeux à information incomplète, notamment les jeux répétés avec signaux. Ces stratégies s'appliquent au problème d'ajustement séquentiel des prix de vente, ou d'allocation séquentielle de bande passante. Le regret interne est ensuite plus spécifiquement étudié, d'abord dans le cadre de l'investissement séquentiel dans le marché boursier, pour lequel des simulations sur des données historiques sont proposées, puis pour l'apprentissage des équilibres corrélés des jeux infinis à ensembles de stratégies convexes et compacts.

L’adaptation côtière est un impératif pour faire face à l’élévation du niveau marin,conséquence directe du réchauffement climatique. Cependant, la mise en place d’actions et de stratégies est souvent entravée par la présence de diverses et importantes incertitudes lors de l’estimation des aléas et risques futurs. Ces incertitudes peuvent être dues à une connaissance limitée (de l’élévation du niveau marin futur par exemple) ou à la variabilité naturelle de certaines variables (les conditions de mer extrêmes). La prise en compte des incertitudes dans la chaîne d’évaluation des risques est essentielle pour une adaptation efficace.L’objectif de ce travail est de proposer une méthodologie pour la quantification des incertitudes basée sur les fonctions de croyance – un formalisme de l’incertain plus flexible que les probabilités. Les fonctions de croyance nous permettent de décrire plus fidèlement l’information incomplète fournie par des experts (quantiles,intervalles, etc.), et de combiner différentes sources d’information. L’information statistique peut quand à elle être décrite par de fonctions des croyance définies à partir de la fonction de vraisemblance. Pour la propagation d’incertitudes, nous exploitons l’équivalence mathématique entre fonctions de croyance et intervalles aléatoires, et procédons par échantillonnage Monte Carlo. La méthodologie est appliquée dans l’estimation des projections de la remontée du niveau marin global à la fin du siècle issues de la modélisation physique, d’élicitation d’avis d’experts, et de modèle semi-empirique. Ensuite, dans une étude de cas, nous évaluons l’impact du changement climatique sur les conditions de mers extrêmes et évaluons le renforcement nécessaire d’une structure afin de maintenir son niveau de performance fonctionnelle. / Coastal adaptation is an imperative to deal with the elevation of the global sealevel caused by the ongoing global warming. However, when defining adaptationactions, coastal engineers encounter substantial uncertainties in the assessment of future hazards and risks. These uncertainties may stem from a limited knowledge (e.g., about the magnitude of the future sea-level rise) or from the natural variabilityof some quantities (e.g., extreme sea conditions). A proper consideration of these uncertainties is of principal concern for efficient design and adaptation.The objective of this work is to propose a methodology for uncertainty analysis based on the theory of belief functions – an uncertainty formalism that offers greater features to handle both aleatory and epistemic uncertainties than probabilities.In particular, it allows to represent more faithfully experts’ incomplete knowledge (quantiles, intervals, etc.) and to combine multi-sources evidence taking into account their dependences and reliabilities. Statistical evidence can be modeledby like lihood-based belief functions, which are simply the translation of some inference principles in evidential terms. By exploiting the mathematical equivalence between belief functions and random intervals, uncertainty can be propagated through models by Monte Carlo simulations. We use this method to quantify uncertainty in future projections of the elevation of the global sea level by 2100 and evaluate its impact on some coastal risk indicators used in coastal design. Sea-level rise projections are derived from physical modelling, expert elicitation, and historical sea-level measurements. Then, within a methodologically-oriented case study,we assess the impact of climate change on extreme sea conditions and evaluate there inforcement of a typical coastal defence asset so that its functional performance is maintained.

No description available.