Cette thèse se place dans le cadre des expériences simulées auxquelles on a recours lorsque des expériences physiques ne sont pas réalisables. Une expérience simulée consiste à évaluer une fonction déterministe type boîte-noire coûteuse qui décrit un modèle physique. Les entrées de ce modèle, entachées d'incertitude, forment un vecteur aléatoire. Cela implique que les sorties que nous souhaitons étudier sont aléatoires. Une technique standard pour rendre possibles de nombreux traitements statistiques, est de remplacer la fonction type boîte-noire par un métamodèle d'évaluation quasi-instantanée l'approchant. Nous nous concentrons plus particulièrement sur les métamodèles d'interpolateurs à noyaux dont nous étudions la construction et l'utilisation. Dans ce cadre, une première contribution est la proposition d'une définition plus générale de noyau conditionnellement positif qui permet une vraie généralisation du concept de noyau défini positif et des théorèmes associés. Nous donnons ensuite, dans une deuxième contribution, un algorithme de construction de plans d'expérience dans des domaines éventuellement non hypercubiques suivant un critère maximin pertinent pour ces métamodèles. Dans une troisième contribution, nous traitons un problème statistique inverse en utilisant un métamodèle d'interpolateurs à noyaux dans un algorithme stochastique EM puisque le modèle liant les entrées aux sorties est de type boîte-noire coûteux. Enfin, nous proposons aussi, dans la dernière contribution, l'utilisation d'un tel métamodèle pour développer deux stratégies d'estimation et de majoration de probabilités d'événements rares dépen\-dant d'une fonction type boîte-noire coûteuse.

Dans le cadre de l'élasticité linéaire 3D des microstructures complexes qui ne peuvent pas être simplement décrites en terme de constituants telles que des tissus biologiques, nous proposons, dans ce travail de recherche, une méthodologie d'identification expérimentale multi-échelle du champ stochastique d'élasticité apparent de la microstructure à l'échelle mésoscopique en utilisant des mesures de champ de déplacements aux échelles macroscopique et mésoscopique. On peut alors utiliser cette méthodologie dans le cadre de changement d'échelle pour obtenir des propriétés mécaniques à l'échelle macroscopique. Dans ce contexte, la question majeure est celle de l'identification expérimentale par résolution d'un problème statistique inverse de la modélisation stochastique introduite pour le champ d'élasticité apparent à l'échelle mésoscopique. Cette identification expérimentale permet non seulement de valider la modélisation mais encore de la rendre utile pour des matériaux existants ayant une microstructure complexe. Le présent travail de recherche est une contribution proposée dans ce cadre pour lequel l'expérimentation et validation expérimentale basée sur des mesures simultanées d'imagerie de champ aux échelles macroscopique et mésoscopique sont faites sur de l'os cortical

Dans le cadre de l'élasticité linéaire 3D des microstructures complexes qui ne peuvent pas être simplement décrites en terme de constituants telles que des tissus biologiques, nous proposons, dans ce travail de recherche, une méthodologie d'identification expérimentale multi-échelle du champ stochastique d'élasticité apparent de la microstructure à l'échelle mésoscopique en utilisant des mesures de champ de déplacements aux échelles macroscopique et mésoscopique. On peut alors utiliser cette méthodologie dans le cadre de changement d'échelle pour obtenir des propriétés mécaniques à l'échelle macroscopique. Dans ce contexte, la question majeure est celle de l'identification expérimentale par résolution d'un problème statistique inverse de la modélisation stochastique introduite pour le champ d'élasticité apparent à l'échelle mésoscopique. Cette identification expérimentale permet non seulement de valider la modélisation mais encore de la rendre utile pour des matériaux existants ayant une microstructure complexe. Le présent travail de recherche est une contribution proposée dans ce cadre pour lequel l'expérimentation et validation expérimentale basée sur des mesures simultanées d'imagerie de champ aux échelles macroscopique et mésoscopique sont faites sur de l'os cortical / In the framework of linear elasticity 3D for complex microstructures that cannot be simply described in terms of components such as biological tissues, we propose, in this research work, a methodology for multiscale experimental identification of the apparent elasticity random field of the microstructure at mesoscopic scale using displacement field measurements at macroscopic scale and mesoscopic scale. We can then use this methodology in the case of changing scale to obtain the mechanical properties at macroscale. In this context, the major issue is the experimental identification by solving a statistical inverse problem of the stochastic modeling introduced for the apparent elasticity random field at mesoscale. This experimental identification allows to validate the modeling and makes it useful for existing materials with complex microstructures. This research work is proposed in this context in which experimentation and experimental validation based on simultaneous measurements of field imaging at macroscale and mesoscale are made on the cortical bonemakes it useful for existing materials with complex microstructures. This research work is proposed in this context in which experimentation and experimental validation based on simultaneous measurements of field imaging at macroscale and mesoscale are made on the cortical bone.

Ce travail de thèse traite du développement d'une méthode de télédiagnostique de l'état de santé des suspensions des trains à grande vitesse à partir de mesures de la réponse dynamique du train en circulation par des accéléromètres embarqués. Un train en circulation est un système dynamique dont l'excitation provient des irrégularités de la géométrie de la voie ferrée. Ses éléments de suspension jouent un rôle fondamental de sécurité et de confort. La réponse dynamique du train étant dépendante des caractéristiques mécaniques des éléments de suspension, il est possible d'obtenir en inverse des informations sur l'état de ces éléments à partir de mesures accélérométriques embarquées. Connaître l'état de santé réel des suspensions permettrait d'améliorer la maintenance des trains. D’un point de vue mathématique, la méthode de télédiagnostique proposée consiste à résoudre un problème statistique inverse. Elle s'appuie sur un modèle numérique de dynamique ferroviaire et prend en compte l'incertitude de modèle ainsi que les erreurs de mesures. Les paramètres mécaniques associés aux éléments de suspension sont identifiés par calibration Bayésienne à partir de mesures simultanées des entrées (les irrégularités de la géométrie de la voie) et sorties (la réponse dynamique du train) du système. La calibration Bayésienne classique implique le calcul de la fonction de vraisemblance à partir du modèle stochastique de réponse et des données expérimentales. Le modèle numérique étant numériquement coûteux d'une part, ses entrées et sorties étant fonctionnelles d'autre part, une méthode de calibration Bayésienne originale est proposée. Elle utilise un métamodèle par processus Gaussien de la fonction de vraisemblance. Cette thèse présente comment un métamodèle aléatoire peut être utilisé pour estimer la loi de probabilité des paramètres du modèle. La méthode proposée permet la prise en compte du nouveau type d'incertitude induit par l'utilisation d'un métamodèle. Cette prise en compte est nécessaire pour une estimation correcte de la précision de la calibration. La nouvelle méthode de calibration Bayésienne a été testée sur le cas applicatif ferroviaire, et a produit des résultats concluants. La validation a été faite par expériences numériques. Par ailleurs, l'évolution à long terme des paramètres mécaniques de suspensions a été étudiée à partir de mesures réelles de la réponse dynamique du train / The work presented here deals with the development of a health-state monitoring method for high-speed train suspensions using in-service measurements of the train dynamical response by embedded acceleration sensors. A rolling train is a dynamical system excited by the track-geometry irregularities. The suspension elements play a key role for the ride safety and comfort. The train dynamical response being dependent on the suspensions mechanical characteristics, information about the suspensions state can be inferred from acceleration measurements in the train by embedded sensors. This information about the actual suspensions state would allow for providing a more efficient train maintenance. Mathematically, the proposed monitoring solution consists in solving a statistical inverse problem. It is based on a train-dynamics computational model, and takes into account the model uncertainty and the measurement errors. A Bayesian calibration approach is adopted to identify the probability distribution of the mechanical parameters of the suspension elements from joint measurements of the system input (the track-geometry irregularities) and output (the train dynamical response).Classical Bayesian calibration implies the computation of the likelihood function using the stochastic model of the system output and experimental data. To cope with the fact that each run of the computational model is numerically expensive, and because of the functional nature of the system input and output, a novel Bayesian calibration method using a Gaussian-process surrogate model of the likelihood function is proposed. This thesis presents how such a random surrogate model can be used to estimate the probability distribution of the model parameters. The proposed method allows for taking into account the new type of uncertainty induced by the use of a surrogate model, which is necessary to correctly assess the calibration accuracy. The novel Bayesian calibration method has been tested on the railway application and has achieved conclusive results. Numerical experiments were used for validation. The long-term evolution of the suspension mechanical parameters has been studied using actual measurements of the train dynamical response

Dans le cadre d'une analyse par ondelettes, nous nous intéressons à l'étude statistique d'une classe particulière d'espaces de Lorentz : les espaces de Besov faibles qui apparaissent naturellement dans le contexte de la théorie maxiset. Avec des hypothèses de type "bruit blanc gaussien", nous montrons, grâce à des techniques bayésiennes, que les vitesses minimax des espaces de Besov forts ou faibles sont les mêmes. Les distributions les plus défavorables que nous exhibons pour chaque espace de Besov faible sont construites à partir des lois de Pareto et diffèrent en cela de celles des espaces de Besov forts. Grâce aux simulations de ces distributions, nous construisons des représentations visuelles des "ennemis typiques". Enfin, nous exploitons ces distributions pour bâtir une procédure d'estimation minimax, de type "seuillage" appelée ParetoThresh, que nous étudions d'un point de vue pratique. Dans un deuxième temps, nous nous plaçons sous le modèle hétéroscédastique de bruit blanc gaussien et sous l'approche maxiset, nous établissons la sous-optimalité des estimateurs linéaires par rapport aux procédures adaptatives de type "seuillage". Puis, nous nous interrogeons sur la meilleure façon de modéliser le caractère "sparse" d'une suite à travers une approche bayésienne. À cet effet, nous étudions les maxisets des estimateurs bayésiens classiques - médiane, moyenne - associés à une modélisation construite sur des densités à queues lourdes. Les espaces maximaux pour ces estimateurs sont des espaces de Lorentz, et coïncident avec ceux associés aux estimateurs de type "seuillage". Nous prolongeons de manière naturelle ce résultat en obtenant une condition nécessaire et suffisante sur les paramètres du modèle pour que la loi a priori se concentre presque sûrement sur un espace de Lorentz précis.