 |
|||||
|
|||||
Accueil > Activités > Projets R&D > OPUS
Porteur : Partenaires du projet : Pour télécharger la fiche du projet,
Septembre 2011 Le projet ANR OPUS (Open source Platform for Uncertainty treatment in Simulation), qui s’est déroulé sur la période avril 2008 - septembre 2011, a eu pour objectif de réaliser des développements méthodologiques, scientifiques et logiciels pour le traitement des incertitudes affectant les sorties de codes de calcul. Le terme "plateforme" ici est à interpréter dans un sens plus large que celui ordinaire de l'ingénierie logicielle. Plus en détail, OPUS a été un projet structurant pour la communauté française intéressée par l'analyse d'incertitude et les expériences numériques.
Les réalisation d'OPUS, représentent aujourd’hui des avancées méthodologiques et scientifiques sur des problèmes de grand intérêt pour les applications industrielles : l'analyse de sensibilité de codes de calcul, la construction de surfaces de réponse pour approcher un code coûteux (y compris les méthodes intrusives de type "bases-réduites certifiées" pour construire une approximation avec bornes d'erreur), la modélisation inverse probabiliste, l'estimation robuste de quantiles de faible probabilité de sorties de codes numériques. Les travaux se sont traduits par des briques logicielles, utilisables à partir de logiciels libres. Au lieu d'imposer des règles et des standards trop rigides pour les développements logiciels, OPUS a défini des modalités de contributions différente à plusieurs "niveaux", répondant à des exigences plus ou moins strictes du point de vue de l'ingénierie logicielle. Ceci a permis également d'inclure des contributions que des chercheurs externes à l'équipe projet ont proposées à OPUS.
Janvier 2011 Le projet OPUS vise à faire émerger une plate-forme logicielle libre et générique de traitement des incertitudes : celle-ci couvrira notamment les volets statistiques et probabilistes ainsi que la supervision avancée des codes de calcul déterministes industriels. La démarche du projet OPUS se base sur une boucle qui part de véritables cas-tests industriels, issus de différents domaines (production d’énergie, sûreté nucléaire, aéronautique). La complexité des traitements mathématiques et logiciels associés fait émerger la nécessité de méthodes avancées issues du monde académique et scientifique. Une fois ces méthodes développées et testées sur les cas-tests, elles sont intégrées et pérennisées au sein de la plate-forme logicielle, pour finalement pouvoir être réutilisées dans d’autres études industrielles similaires. La plate-forme sera un outil de capitalisation du savoir-faire et des méthodes les plus avancées, ainsi que l’élément fédérateur d’une communauté de référence comprenant des acteurs de la recherche, de l’industrie, de l’enseignement. Le premier résultat marquant du projet OPUS a été la définition des cas-tests, des enjeux industriels et des besoins méthodologiques associés. Ces cas-tests ont été transférés aux partenaires académiques et constituent désormais un support pour la mise en œuvre pratique des méthodes avancées de traitement des incertitudes, qui constituent le lot « recherche » du projet. Les exercices de démonstration/validation des travaux « amont » sur les cas-tests industriels, menés au sein d’OPUS, constituent un résultat majeur du projet et ont été au cœur d’une session spéciale des « 42èmes Journées de Statistiques » en mai 2010. Des prototypes de code sont disponibles et partagés entre les partenaires. Ils seront capitalisés et pérennisés dans la dernière phase du projet.
Janvier 2010 Un nombre croissant des études industrielles de management des risques inclut des formes variées de traitement des nombreuses sources d’incertitudes afin de garantir des résultats fiables et d’explorer de façon robuste l’espace de conception des systèmes complexes. Le management approprié des incertitudes permet d’optimiser la conception des systèmes complexes, en réduisant les risques industriels et en améliorant la performance ou la qualité des prévisions. Dans un grand nombre de contextes, la prise en compte des incertitudes permet aux décideurs d’utiliser au mieux des modèles et informations disponibles. Tandis que de nombreuses approches, typiquement spécifiques à une application, ont été développées depuis des années 90 dans des domaines allant de la Défense à l’Energie, le spectre croissant des applications possibles rend désormais indispensable une consolidation des savoirs. En même temps, depuis plusieurs années, l’usage de la simulation multi-physique et multi-échelle pour la conception et la validation des systèmes complexes devient de plus en plus important. En effet, la simulation permet de réduire le besoin d’essais, souvent très coûteux, mais la condition en est une maîtrise accrue des incertitudes, imprécisions, et variabilités physiques ou numériques de toute nature. Plusieurs collaborations importantes (ESREDA, MUCM, SAMSI, IMdR, SYSTEMATIC/EPHOC) de niveau français ou international ont été lancées récemment avec pour ambition de développer des guides génériques de traitement des incertitudes couvrant une grande variété d’applications. Elles s’appuient sur une formalisation mathématique graduellement partagée, associant la modélisation statistique et l’analyse probabiliste au calcul scientifique des modèles numériques déterministes. L’objectif étant d’orienter l’utilisateur vers la méthodologie la plus appropriée suivant le contexte mathématique et industriel du problème formalisé : coût CPU d’un calcul unitaire du modèle déterministe, richesse des données ou du retour d’expérience disponible, régularité du modèle sous-jacent, nature du critère décisionnel incertain (variance, quantile, etc.)… Afin d’offrir à une communauté vaste, ingénieurs, chercheurs ou décideurs, une véritable capacité de traiter des incertitudes, une étape essentiel – l’objectif du projet OPUS – est de créer une plate-forme logicielle générique, ergonomique et globale : celle-ci couvrira notamment les volets statistiques, probabilistes ou stochastiques en lien avec la supervision avancée du calcul des modèles déterministes industriels. OPUS capitalise les développements conceptuels et méthodologiques les plus avancés dans une plate-forme libre, alliant également un objectif de qualité industrielle, et de pérennité. Ainsi, OPUS présente un bras de levier nettement supérieur à l’investissement proposé dans la présente offre. La synergie des expériences de ses partenaires donne à OPUS une masse critique pour lancer une Plate-forme Générique Libre de Traitement des Incertitudes et créer une dynamique durable assurant sa pérennité. OPUS promeut la transparence des approches de traitement des incertitudes qu’il adopte, à la fois via le collège ouvert d’experts qui sera constitué, et le principe même du logiciel libre : les partenaires sont en effet convaincus d’expérience que dans le domaine des incertitudes, le plus important est d’arriver à une conviction partagée, et de bâtir un consensus technique sur les limites, inconnues et imprécisions de manière à ce que les hypothèses sous-jacentes à la décision technique soient partagées. OPUS contribue de fait à la communauté du logiciel libre autour de la Conception des Systèmes Complexes car sa plate-forme respecte les standards actuels et assure l’interopérabilité avec les logiciels de la Simulation Haute Performance existants et émergents. En effet, projet OPUS assure une coopération étroite avec d’autres projets majeurs dans le domaine des Systèmes Complexes (EHPOC, SCILAB, SCOS, TERATEC) car il est constitué des acteurs actifs de ces projets. Objectifs d’OPUS en bref Faire émerger une plate-forme Intégrée de Traitement des Incertitudes pour la Simulation et la Conception des Systèmes Complexes. Ceci permet :
Ancrer le savoir-faire Français parmi les meilleurs mondiaux dans la recherche industrielle dans les Incertitudes Ceci favorise la promotion du logiciel libre pour la Simulation Haute Performance et la Conception des Systèmes Complexes. Ceci établit la France comme un pôle international de développement des logiciels libres pour l’industrie
|
|||
l’intégration de modèles d’incertitudes avec les approches les plus modernes dans la simulation traditionnelle 
