Assistance au calage de modèles numériques en hydraulique ... - TEL

CHAPITRE 3 CALAGE EN HYDRAULIQUE FLUVIALEAvantages InconvénientsMéthode heuristique fiabilité difficultéMéthode automatique reproductibilité équifinalitéTAB. 3.6 – Comparaison synthétique des méthodes d’ajustement.Ce tableau, s’il ne livre que des raccourcis d’analyse, permet de situer l’enjeu de nostravaux. La réalisation d’un système d’assistance au calage doit permettre de regrouperles bénéfices apportés par chacune des deux approches tout en s’affranchissant autantque faire se peut de leurs défauts.L’approche adopté dans ces travaux consiste ainsi à formaliser la méthode heuristique– et donc tout ce qui fait sa fiabilité – de façon à automatiser le processus de calageet en assurer la reproductibilité.3.3 Autres approchesNotre revue des pratiques actuelles de calage serait incomplète si nous n’évoquionsdeux approches émergentes dans le domaine de l’hydraulique fluviale : l’approche statistique– ou probabiliste – et la dérivation de code.3.3.1 Approches statistiquesCes approches se basent sur des techniques de Monte-Carlo, qui consistent à analyserde manière statistique les résultats de simulations correspondant à un échantillon –extrait de manière aléatoire ou systématique – de l’espace de paramètres. La méthodologieGLUE (Generalized Likelihood for Uncertainty Estimation), développée initialementpar Beven et Binley (1992), a ainsi été mise en œuvre à plusieurs reprises pour le calagede modèles hydrauliques. Même si la plupart des modèles calés sont bidimensionnels,cette méthodologie est aisément transposable en hydraulique unidimensionnelle. L’applicationde cette méthodologie fournit une cartographie de la vraisemblance dans l’espacedes paramètres et par suite dans l’espace des résultats, dont la nature dépend desdonnées de références disponibles : hauteurs d’eau (Aronica et al., 1998b), largeurs aumiroir (Romanowicz et al., 1996; Romanowicz et Beven, 2003) et cartes d’inondation(Aronica et al., 2002; Bates et al., 2004).Nous n’utiliserons pas dans nos travaux ces approches probabilistes – au demeurantfort intéressantes – puisqu’elles ne mettent en jeu, outre des théories statistiqueset notamment bayésienne, aucune connaissance experte supplémentaire par rapport auxméthodes automatiques précédemment évoquées. En fait, les approches statistiques nécessitentquasiment la même expertise complémentaire que les méthodes mathématiques: sélection des données de référence, détermination du nombre de paramètres,détermination d’une intervalle de variation a priori, vérification des résultats, etc. 4646. Aronica et al. (1998b) nous donnent un exemple de cette expertise particulière utilisée lors d’uneapproche statistique, en considérant que les coefficients de la plaine d’inondation sont supérieurs à ceuxdu lit mineur :The modeller might wish to use a truncated range of parameter values in order to assert some apriori knowledge about the physical situation in the field.77