Conception de structures sûres: approches avancées par la méthode de Monte-Carlo
La prédiction de la fiabilité structurelle exige de plus en plus de quantifier les incertitudes inhérentes tout en intégrant efficacement les données disponibles. Si la simulation de Monte-Carlo standard constitue une référence robuste pour l'analyse stochastique des structures, son coût de calcul devient prohibitif lors de l'estimation des faibles probabilités de défaillance caractéristiques des infrastructures critiques. Cette présentation met en lumière des méthodologies de Monte-Carlo avancées, conçues pour surmonter ce goulot d'étranglement numérique. Nous nous concentrons sur des formulations d'échantillonnage préférentiel adaptatif développées pour estimer efficacement les probabilités de premier passage sous charges dynamiques. Nous explorons les extensions de ce cadre à la mise à jour bayésienne des modèles et à l'optimisation fiabiliste, en démontrant comment ces schémas d'échantillonnage spécialisés évaluent les vraisemblances marginales et actualisent les métriques de performance structurelle à mesure que les données d'observation sont assimilées. Les participants comprendront comment l'échantillonnage avancé fait le pont entre modèles numériques fondés sur la physique et données de surveillance opérationnelle, afin d'éclairer la prise de décision structurelle fondée sur le risque.