Les inondations, qu’elles soient dans les terres ou côtières, les flux d’eau à l’échelle des territoires, sont issus de phénomènes complexes qui sont généralement décrites par des modèles mathématiques non linéaires (équations différentielles multi-dimensionnelles notamment).
Des modélisations précises des débits des rivières, que ce soit à l’échelle des territoires ou planétaire, des submersions marines, deviennent cruciales pour nos sociétés pour de multiples raisons.
Les approches purement physiques présentent leurs limites en termes de représentativité de ces phénomènes multi-échelles spatio-temporels, multi-physiques. Dans le cas des flux au sein des bassins versants, elles reposent même sur des représentations très empiriques. Aussi, les temps d’exécution des codes de calcul obtenus empêchent des calculs en temps très courts (« temps réels »).
Principal investigators
- Jérôme Monnier (professor INSA, IMT)
- Olivier Roustant (professor INSA, IMT, corresponding PI)
Les méthodes purement basées sur les données peuvent parfois être complémentaires mais nécessitent d’énormes quantités de données et demeurent difficilement certifiables. Une hybridation des approches basées sur la physique et les données (IA hybride) répond à ces challenges de modélisations numériques.
L’objectif de ce projet est d’étudier et de développer des algorithmes d’IA hybride pour l’estimation des flux d’eau continentales (réseaux de rivières), incluant les événements extrêmes que sont les inondations, et aussi les submersions marines. Des avancées significatives sont attendues en matière de précision et d’explicabilité des modèles numériques.
Les résultats de recherche seront illustrés au travers de démonstrateurs sur un ensemble de cas réels. Les bases de données employées sont généralement multi-sources : des mesures in situ à des mesures de satellites complémentaires.
Le programme de recherche est divisé en cinq axes interconnectés :
- Méthodes d’apprentissage informées par la physique : hybridation de deux classes célèbres de modèles, les réseaux neuronaux et les processus gaussiens, avec des connaissances physiques. Étude des modèles de substitution résultants et des processus d’assimilation de données.
- Méthodes de base réduite : réductions de modèles basées sur des méthodes hybrides POD – NN.
- Modèles multifidélité : techniques permettant de tenir compte d’une hiérarchie de codes informatiques.
- Quantification de l’incertitude : évaluation des risques ; analyse de sensibilité globale pour l’explicabilité des modèles.
- Conception d’expériences : stratégies pour créer de nouvelles données à partir de codes informatiques.
Co-chairs
-
- Rémy Baraille
(Research engineer, SHOM)
- Robin Bouclier
(Professor, INSA-IMT, IUF Junior)
- Pierre-André Garambois (Researcher INRAE Aix-en-Provence)
- Josselin Garnier (Professor, Ecole
Polytechnique, CMAP) - Nora Lüthen (Post-doc & lecturer, ETH Zürich)
- Pascal Noble (Professor, INSA-IMT)
L’équipe de la chaire est composée d’un groupe de chercheurs et d’experts issus du monde universitaire et de l’industrie, qui apportent des compétences complémentaires en modélisation mathématique (EDP, EDO, probabilités), en sciences informatiques et en ML.
Le programme est divisé en 5 axes interconnectés :
- Axe 1 – Méthodes d’apprentissage informées par la physique
- Axe 2 – Méthodes à base réduite
- Axe 3 – Modèles multi-fidélité
- Axe 4 – Quantification de l’incertitude
- Axe 5 – Plans d’expériences
- Frédéric Couderc (Research engineer CNRS – IMT)
- Benjamin Renard (Researcher INRAE Aix-en-Provence)
- Jérémy Rohmer (Researcher engineer BRGM)
- Déborah Idier (Researcher engineer BRGM)