IMdR “Uncertainty and Industry” workshops

The Institute for risk management (IMdR) is an association helping industrials and public institution to engage in a process of risk evaluation, modelling and mitigation. The “Uncertainty and Industry”) working group focus on probabilistic modelling and the interplay between computer experiment and data science.

Occasional participation is free. Feel free to contact me for further detail.


If you are interested in the group activity, please consider officially joining it.

Collecte du REX, gestion des connaissances et modélisation

24 juin 2022

Les groupes « Incertitudes et Industries » et « Retour d’expérience technique » de de l’Institut de Maîtrise des Risques (IMdR) se réunissent pour proposer une atelier inter-disciplinaire le 24 juin 2022 à Paris et en ligne (TEAMS) de 10h00 à 12h00. Trois exposés suivis d’une discussion nous permettrons d’élucider les liens fructueux entre « Collecte du REX, gestion des connaissances et modélisation ».

Programme détaillé et formulaire d’inscription

  • Du Knowledge Management au User centric Knowledge Network : développer une connaissance communautaire basée sur le savoir faire d’experts appartenant à de multiples domaines industriels (Jérôme Laforcade, MeetSys) Jérôme Laforcade nous parlera de la problématique de la connaissance tacite et des évolutions que nous voyons apparaître sur la gestion de la connaissance communautaire. Jérôme est directeur scientifique de MeetSys, un cabinet d’experts scientifiques spécialisé dans la conduite, la capitalisation et la réutilisation des raisonnements, ayant récemment rejoint de groupe BASSETTI. MeetSYS intervient depuis 2003 en support à la résolution de problème et à la stratégie de recherche auprès des départements R&D industriels. De cette expérience, les fondateurs de MeetSYS ont imaginé et mis au point - avec leurs clients - i²Kn (Intelligence to Knowledge Network), démarche associant une méthodologie innovante d’interview et de modélisation des raisonnements des experts à un logiciel de capitalisation et restitution de ces savoir-faire.

  • CapCoV : capitalisation des connaissances et aide au diagnostic pour la Maîtrise du Vieillissement des tranches nucléaires (Sylvain Mahé, EDF R&D) La démarche de R&D CAPCOV vise à capitaliser, mettre à jour et diffuser les connaissances scientifiques issues de la R&D d’EDF sur le vieillissement des matériaux. La base de connaissances CAPCOV comprend une modélisation générale et des modèles cinétiques des effets du vieillissement et constitue un outil de diagnostic puissant permettant d’identifier les effets potentiels du vieillissement pour des conditions de fonctionnement spécifiques, pour des symptômes spécifiques ou pour une qualité de matériau spécifique. Initiée suite à une demande de l’Autorité de Sûreté Nucléaire en 2002, en appui au processus opérationnel EDF de Maîtrise du Vieillissement, cette démarche a été reconnue internationalement comme un point fort lors d’un audit de l’AIEA en 2019.

  • La modélisation physique vue comme création de connaissance : un moteur de l’innovation (Sylvain Girard, Phimeca) La construction de modèles physiques dans l’industrie est souvent essentiellement motivée par la simulation du comportement des systèmes à des fin de dimensionnement, démonstration de sûreté, surveillance en ligne etc. Nous avons analysé les trajectoires d’innovation de nos clients lors des deux dernières décennies, et observé de façon récurrente deux phénomènes l’effet « phénix » :

    • des modèles sont re-créés périodiquement,

    • les bifurcations : un modèle en engendrant un autre, les innovations les plus intéressantes sont difficiles à relier aux intentions initiales. Nous proposons des pistes pour articuler les stratégie de modélisation et de gestion des connaissances permettant d’exploiter ces phénomènes.

Computer experiment with dynamical models (II)

6 May 2021

  • Application de la décomposition de Karhunen-Loeve à l’étude de simulations thermo-hydrauliques

    Roman Sueur, EDF R&D

    L’étude de certains accident nucléaires, tels que les accidents de perte de réfrigérant primaire (APHP) implique le recours à des modèles de thermo-hydraulique simulant le fonctionnement des principaux systèmes en jeu lors de tels transitoires. Ces modèles produisent un nombre important de sorties représentant l’évolution temporelle des grandeurs physiques qui définissent l’état du système au cours du transitoire. Ces données sont donc bien plus riches que le seul indicateur traduisant la marge de sûreté par rapport à un critère réglementaire. On se propose ici d’exploiter l’information contenue dans les données fonctionnelles issues de ces simulations, dans le but d’une meilleure compréhension physique, à l’aide de la décomposition de Karhunen-Loève.

  • Approximation en grande dimension en utilisant des tenseurs hiérarchiques de faible rang (réseaux arborescents de tenseurs)

    Cécile Haberstich, Centrale Nantes et CEA

    Grâce aux modèles de calcul, des expériences physiques complexes et coûteuses peuvent être remplacées par des simulations numériques et la réponse d’un modèle dépendant de multiples paramètres peut être représentée par une fonction multivariée. Cependant, la résolution de problèmes de quantification d’incertitudes nécessite de nombreuses simulations, souvent très coûteuses (en temps de calcul et/ou en mémoire). Une solution est de remplacer le modèle par un modèle simplifié, autrement dit de construire une approximation de la fonction. Les outils d’approximation standards sont limités par la malédiction de la dimension, lorsque l’on cherche à approcher des fonctions en grande dimension. Dans cet exposé, nous considérons la classe de fonctions des formats de tenseurs basés sur des arbres, qui exploitent les structures de faibles dimensions des fonctions. Plus précisément nous présentons une méthode qui grâce à plusieurs stratégies adaptatives permet de construire une approximation de la fonction contrôlée tout en utilisant le moins possible d’évaluations de la fonction.

Computer experiment with dynamical models (I)

25 February 2021

  • Machine Learning for Risk Ranking Automation in IRSN Level 2 PSA

    Guillaume Kioseyian and Marine Marcilhac (IRSN)

    Level 2 PSA producing more and more output data, IRSN has been et developing computing tools since 2017 to perform effective post-treatments and to provide in-depth analysis. These tools have allowed the automation of numerous steps in the post-treatment of release categories generated by the accident progression event tree. The L2 PSA post-treatment is a crucial part to determine and analyse the risk ranking, and consequently to identify critical severe accident scenarios. The analysis of these specific accidental sequences points out the safety improvements to bring about, such as addition or modification of procedures or safety devices. The toolbox developed has been recently completed with a Machine Learning algorithm-based-tool, using Regression Trees method. Thus, for future L2 PSA, a fully automated post-treatment of release categories is available, and the Farmer diagram can be automatically generated for each risk metric. The results obtained with this new method are very satisfactory since the risk ranking automatically obtained is similar to that obtained manually. Moreover, the calculation time for this automatic grouping is about fifteen minutes whereas it is about eight days when done manually. This application paves the way for other automations or process improvements of L2 PSA with the use of Machine Learning approaches

    Keywords: Machine Learning, L2 PSA, risk ranking, severe accident, radiological consequences.

  • Une nouvelle méthode de détection d’outliers fonctionnels pour l’analyse de transitoires accidentels”, Álvaro Rollón De Pinedo, EDF R&D