Dans de nombreux problèmes physiques, un modèle incertain peut être traduit par un ensemble d'équations aux dérivées partielles stochastiques. Nous nous intéressons ici à des problèmes présentant de nombreuses sources d'incertitudes localisées en espace. Dans le cadre des approches fonctionnelles pour la propagation d'incertitudes, ces problèmes présentent deux difficultés majeures. La première est que leurs solutions possèdent un caractère multi-échelle, ce qui nécessite des méthodes de réduction de modèle et des stratégies de calcul adaptées. La deuxième difficulté est associée à la représentation de fonctions de nombreux paramètres pour la prise en compte de nombreuses variabilités. Pour résoudre ces difficultés, nous proposons tout d'abord une méthode de décomposition de domaine multi-échelle qui exploite le caractère localisé des aléas. Un algorithme itératif est proposé, qui requiert une résolution alternée de problèmes globaux et de problèmes locaux, ces derniers étant définis sur des patchs contenant les variabilités localisées. Des méthodes d'approximation de tenseurs sont ensuite utilisées pour la gestion de la grande dimension paramétrique. La séparation multi-échelle améliore le conditionnement des problèmes à résoudre et la convergence des méthodes d'approximation de tenseurs qui est liée aux propriétés spectrales des fonctions à décomposer. Enfin, pour la prise en compte de variabilités géométriques localisées, des méthodes spécifiques basées sur les approches de domaines fictifs sont introduites.

La quantification et la propagation des incertitudes dans les modèles physiques apparaissent comme des voies essentielles vers l'amélioration de la prédiction de leur réponse. Le développement d'outils de modélisation des incertitudes et d'estimation de leur impact sur la réponse d'un modèle a constitué un axe de recherche privilégié dans de nombreux domaines scientifiques. Cette dernière décennie, un intérêt croissant a été porté à des méthodes numériques basées sur une vision fonctionnelle des incertitudes. Ces méthodes, couramment baptisées ``méthodes spectrales stochastiques'', sont issues d'un mariage fructueux de l'analyse fonctionnelle et de la théorie des probabilités.<br /><br />Reposant sur des bases mathématiques fortes, les méthodes spectrales de type Galerkin semblent constituer une voie prometteuse pour l'obtention de prédictions numériques fiables de la réponse de modèles régis par des équations aux dérivées partielles stochastiques (EDPS). Plusieurs inconvénients freinent cependant l'utilisation de ces techniques et leur transfert vers des applications de grande taille : le temps de calcul, les capacités de stockage mémoire requises et le caractère ``intrusif'', nécessitant une bonne connaissance des équations régissant le modèle et l'élaboration de solveurs spécifiques à une classe de problèmes donnée. Un premier volet de mes travaux de recherche a consisté à proposer une stratégie de résolution alternative tentant de lever ces inconvénients. L'approche proposée, baptisée méthode de décomposition spectrale généralisée, s'apparente à une technique de réduction de modèle a priori. Elle consiste à rechercher une décomposition spectrale optimale de la solution sur une base réduite de fonctions, sans connaître la solution a priori. <br /><br />Un deuxième volet de mes activités a porté sur le développement d'une méthode de résolution d'EDPS pour le cas où l'aléa porte sur la géométrie. Dans le cadre des approches spectrales stochastiques, le traitement d'aléa sur l'opérateur et le second membre est en effet un aspect aujourd'hui bien maîtrisé. Par contre, le traitement de géométrie aléatoire reste un point encore très peu abordé mais qui peut susciter un intérêt majeur dans de nombreuses applications. Mes travaux ont consisté à proposer une extension de la méthode éléments finis étendus (X-FEM) au cadre stochastique. L'avantage principal de cette approche est qu'elle permet de traiter le cas de géométries aléatoires complexes, tout en évitant les problèmes liés au maillage et à la construction d'espaces d'approximation conformes.<br /><br />Ces deux premiers volets ne concernent que l'étape de prédiction numérique, ou de propagation des incertitudes. Mes activités de recherche apportent également quelques contributions à l'étape amont de quantification des incertitudes à partir de mesures ou d'observations. Elles s'insèrent dans le cadre de récentes techniques de représentation fonctionnelle des incertitudes. Mes contributions ont notamment porté sur le développement d'algorithmes efficaces pour le calcul de ces représentations. En particulier, ces travaux ont permis la mise au point d'une méthode d'identification de géométrie aléatoire à partir d'images, fournissant une description des aléas géométriques adaptée à la simulation numérique. Une autre contribution porte sur l'identification de lois multi-modales par une technique de représentation fonctionnelle adaptée.