Cette thèse propose une méthode originale pour la génération automatique d'un code de simulation pour les systèmes à événements discrets. Cette méthode utilise l'information de localisation des produits lors du fonctionnement du système. Ce flux composé par des tuples (product id, location, time) constitue le point d'entrée pour l'algorithme proposé de génération d'un modèle de simulation de type réseau de files d'attente. Ce type d'approche permet, outre un gain important de temps pour la conception initiale du modèle, une maintenance et reconfiguration " on line " du modèle. La thèse est composée de 5 chapitres. Le premier chapitre pose la problématique et fixe le cadre théorique de la thèse. Le second chapitre est une revue de la littérature sur la simulation en général et sur les travaux utilisant la notion de trajectoires à des fins de modélisation. Le troisième chapitre sert à mettre en avant la proposition au coeur de cette thèse. Le quatrième chapitre décrit le générateur développé. Le cinquième et dernier chapitre présente les travaux d'expérimentation et de validation du générateur. / This thesis work proposes a novel method for the automatic generation of simulation code of discrete event systems. This method uses the location information of the products during operation of the system. This flow, of tuples (product id, location, time) is the input of the proposed algorithm that generates a queueing-network simulation model. This type of approach can achieve a significant time gain for the design, maintenance and on-line reconfiguration of the model. The thesis is composed on five chapters. The first chapter poses the problem and fixes the theoretical framework of the thesis. The second chapter is a literature review of the broad sense of simulation and present works using the notion of trajectories for modeling. The third chapter is to highlight the proposal of the heart of this thesis. The fourth chapter describes the generator developed. The fifth and final chapter presents the experiments and the validation of the generator

Une Interface Cerveau-Machine (ICM) est un système permettant de transformer l'activité neurale du cerveau en une commande d'effecteurs externes. Cette étude correspond à une étape vers une ICM totalement autonome fonctionnant dans un environnement naturel ce qui est d'une importance cruciale pour les futures applications cliniques d'une ICM. Pour représenter l'environnement naturel, des expériences avec une ICM binaire asynchrone ont été réalisées avec des animaux libres de se mouvoir. En comparaison avec les études précédentes, des expériences sur le long terme ont été réalisées, ce qui est plus conforme aux exigences des applications de la vie réelle. L'objectif principal de cette étude est de différencier le modèle spécifique neuronal lié à l'intention d'action de l'activité de fond du cerveau chez des animaux libres de tous mouvements. Pour atteindre le niveau nécessaire de sélectivité, l'analyse Multi-Voies PLS a été choisie sachant qu'elle fournit simultanément un traitement du signal dans plusieurs domaines, à savoir, temporel, fréquentiel et spatial. Pour améliorer la capacité de l'approche générique Multi-Voies PLS pour le traitement de données à grandes dimensions, l'algorithme " Itérative NPLS " est introduit dans notre travail. En ayant des besoins plus faibles en mémoire, cet algorithme fournit des traitements de grands ensembles de données, permet une résolution élevée, préserve l'exactitude de l'algorithme générique et démontre une meilleure robustesse. Pour la calibration adaptative d'un système ICM, l'algorithme récursif NPLS est proposé. Finalement, l'algorithme pénalisé NPLS est développé pour la sélection efficace d'un sous-ensemble de fonctions, à savoir, un sous-ensemble d'électrodes. Les algorithmes proposés ont été testés sur des ensembles de données artificielles et réelles. Ils ont démontré une performance qui est comparable à celle d'un algorithme générique NPLS. Leur efficacité de calcul est acceptable pour les applications en temps réel. Les algorithmes développés ont été appliqués à la calibration d'un système ICM et ont été utilisés dans des expériences d'ICM avec bouclage en temps réel chez des animaux. Enfin, les méthodes proposées représentent une approche prospective pour de futurs développements de systèmes ICM humains.

Une Interface Cerveau-Machine (ICM) est un système permettant de transformer l'activité neurale du cerveau en une commande d'effecteurs externes. Cette étude correspond à une étape vers une ICM totalement autonome fonctionnant dans un environnement naturel ce qui est d'une importance cruciale pour les futures applications cliniques d'une ICM. Pour représenter l'environnement naturel, des expériences avec une ICM binaire asynchrone ont été réalisées avec des animaux libres de se mouvoir. En comparaison avec les études précédentes, des expériences sur le long terme ont été réalisées, ce qui est plus conforme aux exigences des applications de la vie réelle. L'objectif principal de cette étude est de différencier le modèle spécifique neuronal lié à l'intention d'action de l'activité de fond du cerveau chez des animaux libres de tous mouvements. Pour atteindre le niveau nécessaire de sélectivité, l'analyse Multi-Voies PLS a été choisie sachant qu'elle fournit simultanément un traitement du signal dans plusieurs domaines, à savoir, temporel, fréquentiel et spatial. Pour améliorer la capacité de l'approche générique Multi-Voies PLS pour le traitement de données à grandes dimensions, l'algorithme « Itérative NPLS » est introduit dans notre travail. En ayant des besoins plus faibles en mémoire, cet algorithme fournit des traitements de grands ensembles de données, permet une résolution élevée, préserve l'exactitude de l'algorithme générique et démontre une meilleure robustesse. Pour la calibration adaptative d'un système ICM, l'algorithme récursif NPLS est proposé. Finalement, l'algorithme pénalisé NPLS est développé pour la sélection efficace d'un sous-ensemble de fonctions, à savoir, un sous-ensemble d'électrodes. Les algorithmes proposés ont été testés sur des ensembles de données artificielles et réelles. Ils ont démontré une performance qui est comparable à celle d'un algorithme générique NPLS. Leur efficacité de calcul est acceptable pour les applications en temps réel. Les algorithmes développés ont été appliqués à la calibration d'un système ICM et ont été utilisés dans des expériences d'ICM avec bouclage en temps réel chez des animaux. Enfin, les méthodes proposées représentent une approche prospective pour de futurs développements de systèmes ICM humains. / Brain Computer Interface (BCI) is a system for translation of brain neural activity into commands for external devices. This study was undertaken as a step toward the fully autonomous (self-paced) BCI functioning in natural environment which is of crucial importance for BCI clinical applications. To model the natural environment binary self-paced BCI experiments were carried out in freely moving animals. In comparison to the previous works, the long-term experimental sessions were carried out, which better comply with the real-life applications requirements. The main goal of the study was to discriminate the specific neuronal pattern related to the animal's control action against background brain activity of freely-moving animal. To achieve the necessary level of selectivity the Multi-Way Analysis was chosen since it provides a simultaneous signal processing in several domains, namely, temporal, frequency and spatial. To improve the capacity of the generic Multy-Way PLS approach for treatment of high-dimensional data, the Iterative NPLS algorithm is introduced in the current study. Having lower memory requirements it provides huge datasets treatment, allows high resolution, preserves the accuracy of the generic algorithm, and demonstrates better robustness. For adaptive calibration of BCI system the Recursive NPLS algorithm is proposed. Finally, the Penalized NPLS algorithm is developed for effective selection of feature subsets, namely, for subset of electrodes. The proposed algorithms were tested on artificial and real datasets. They demonstrated performance which either suppress or is comparable with one of the generic NPLS algorithm. Their computational efficiency is acceptable for the real-time applications. Developed algorithms were applied for calibration of the BCI system and were used in the real-time close-loop binary BCI experiments in animals. The proposed methods represent a prospective approach for further development of a human BCI system.

On s’intéresse ici aux erreurs de modélisation liées à l’usage de modèles de flammelette sous-maille en combustion turbulente non prémélangée. Le but de cette thèse est de développer une stratégie d’estimation d’erreur a posteriori pour déterminer le meilleur modèle parmi une hiérarchie, à un coût numérique similaire à l’utilisation de ces mêmes modèles. Dans un premier temps, une stratégie faisant appel à un estimateur basé sur les résidus pondérés est développée et testée sur un système d’équations d’advection-diffusion-réaction. Dans un deuxième temps, on teste la méthodologie d’estimation d’erreur sur un autre système d’équations, où des effets d’extinction et de réallumage sont ajoutés. Lorsqu’il n’y a pas d’advection, une analyse asymptotique rigoureuse montre l’existence de plusieurs régimes de combustion déjà observés dans les simulations numériques. Nous obtenons une approximation des paramètres de réallumage et d’extinction avec la courbe en «S», un graphe de la température maximale de la flamme en fonction du nombre de Damköhler, composée de trois branches et d’une double courbure. En ajoutant des effets advectifs, on obtient également une courbe en «S» correspondant aux régimes de combustion déjà identifiés. Nous comparons les erreurs de modélisation liées aux approximations asymptotiques dans les deux régimes stables et établissons une nouvelle hiérarchie des modèles en fonction du régime de combustion. Ces erreurs sont comparées aux estimations données par la stratégie d’estimation d’erreur. Si un seul régime stable de combustion existe, l’estimateur d’erreur l’identifie correctement ; si plus d’un régime est possible, on obtient une fac˛on systématique de choisir un régime. Pour les régimes où plus d’un modèle est approprié, la hiérarchie prédite par l’estimateur est correcte. / We are interested here in the modeling errors of subgrid flamelet models in nonpremixed turbulent combustion. The goal of this thesis is to develop an a posteriori error estimation strategy to determine the best model within a hierarchy, with a numerical cost at most that of using the models in the first place. Firstly, we develop and test a dual-weighted residual estimator strategy on a system of advection-diffusion-reaction equations. Secondly, we test that methodology on another system of equations, where quenching and ignition effects are added. In the absence of advection, a rigorous asymptotic analysis shows the existence of many combustion regimes already observed in numerical simulations. We obtain approximations of the quenching and ignition parameters, alongside the S-shaped curve, a plot of the maximal flame temperature as a function of the Damköhler number, consisting of three branches and two bends. When advection effects are added, we still obtain a S-shaped curve corresponding to the known combustion regimes. We compare the modeling errors of the asymptotic approximations in the two stable regimes and establish new model hierarchies for each combustion regime. These errors are compared with the estimations obtained by using the error estimation strategy. When only one stable combustion regime exists, the error estimator correctly identifies that regime; when two or more regimes are possible, it gives a systematic way of choosing one regime. For regimes where more than one model is appropriate, the error estimator’s predicted hierarchy is correct.

Cette thèse est une contribution à la résolution du problème d'optimisation sous contrainte de fiabilité. Cette méthode de dimensionnement probabiliste vise à prendre en compte les incertitudes inhérentes au système à concevoir, en vue de proposer des solutions optimales et sûres. Le niveau de sûreté est quantifié par une probabilité de défaillance. Le problème d'optimisation consiste alors à s'assurer que cette probabilité reste inférieure à un seuil fixé par les donneurs d'ordres. La résolution de ce problème nécessite un grand nombre d'appels à la fonction d'état-limite caractérisant le problème de fiabilité sous-jacent. Ainsi,cette méthodologie devient complexe à appliquer dès lors que le dimensionnement s'appuie sur un modèle numérique coûteux à évaluer (e.g. un modèle aux éléments finis). Dans ce contexte, ce manuscrit propose une stratégie basée sur la substitution adaptative de la fonction d'état-limite par un méta-modèle par Krigeage. On s'est particulièrement employé à quantifier, réduire et finalement éliminer l'erreur commise par l'utilisation de ce méta-modèle en lieu et place du modèle original. La méthodologie proposée est appliquée au dimensionnement des coques géométriquement imparfaites soumises au flambement.

No description available.

Cette thèse est une contribution à la résolution du problème d’optimisation sous contrainte de fiabilité. Cette méthode de dimensionnement probabiliste vise à prendre en compte les incertitudes inhérentes au système à concevoir, en vue de proposer des solutions optimales et sûres. Le niveau de sûreté est quantifié par une probabilité de défaillance. Le problème d’optimisation consiste alors à s’assurer que cette probabilité reste inférieure à un seuil fixé par les donneurs d’ordres. La résolution de ce problème nécessite un grand nombre d’appels à la fonction d’état-limite caractérisant le problème de fiabilité sous-jacent. Ainsi,cette méthodologie devient complexe à appliquer dès lors que le dimensionnement s’appuie sur un modèle numérique coûteux à évaluer (e.g. un modèle aux éléments finis). Dans ce contexte, ce manuscrit propose une stratégie basée sur la substitution adaptative de la fonction d’état-limite par un méta-modèle par Krigeage. On s’est particulièrement employé à quantifier, réduire et finalement éliminer l’erreur commise par l’utilisation de ce méta-modèle en lieu et place du modèle original. La méthodologie proposée est appliquée au dimensionnement des coques géométriquement imparfaites soumises au flambement. / This thesis is a contribution to the resolution of the reliability-based design optimization problem. This probabilistic design approach is aimed at considering the uncertainty attached to the system of interest in order to provide optimal and safe solutions. The safety level is quantified in the form of a probability of failure. Then, the optimization problem consists in ensuring that this failure probability remains less than a threshold specified by the stakeholders. The resolution of this problem requires a high number of calls to the limit-state design function underlying the reliability analysis. Hence it becomes cumbersome when the limit-state function involves an expensive-to-evaluate numerical model (e.g. a finite element model). In this context, this manuscript proposes a surrogate-based strategy where the limit-state function is progressively replaced by a Kriging meta-model. A special interest has been given to quantifying, reducing and eventually eliminating the error introduced by the use of this meta-model instead of the original model. The proposed methodology is applied to the design of geometrically imperfect shells prone to buckling.