interpolation de bases pod par idw et krigeage sur la
TRANSCRIPT
CSMA 201914Ăšme Colloque National en Calcul des Structures
13-17 Mai 2019, PresquâĂźle de Giens (Var)
Interpolation de bases POD par IDW et krigeage sur la variété deGrassmann
R. Mosquera1, A. Falaize1, A. Hamdouni1, A. El Hamidi1
1 Ăquipe M2N, LaSIE, UMR 7356 - CNRS - UniversitĂ© de la RochelleAvenue Michel CrĂ©peau 17042 La Rochelle cedex 1.
RĂ©sumĂ© â Depuis les travaux dâAmsallem et Fahrat (AIAA 2008), on sait que le bon cadre pour in-terpoler des bases POD est la variĂ©tĂ© de Grassmann. Cependant, la mĂ©thode quâils proposent utilise unespace vectoriel de rĂ©fĂ©rence auquel les rĂ©sultats peuvent ĂȘtre sensibles, et lâinformation de la rĂ©partitiondes donnĂ©es sur la variĂ©tĂ© est perdue. Dans cette communication, nous proposons deux mĂ©thodes dâinter-polation sur la variĂ©tĂ© de Grassmann qui lĂšvent ces difficultĂ©s : (i) une gĂ©nĂ©ralisation de la mĂ©thode IDW,qui ne nĂ©cessite pas de choisir un espace vectoriel de rĂ©fĂ©rence et (ii) une gĂ©nĂ©ralisation de la mĂ©thodede krigeage, qui exploite la rĂ©partition des points interpolĂ©s sur la variĂ©tĂ©.Mots clĂ©s â POD, VariĂ©tĂ© de Grassmann, Krigeage, Inverse Distance Weighting
Introduction
De nombreux problĂšmes de rĂ©duction de modĂšle sont paramĂ©trĂ©s. Ils peuvent ĂȘtre traitĂ©s par des tech-niques de type PGD, RBM, POD. Cependant, lâobtention dâun modĂšle rĂ©duit pour un paramĂštre donnĂ©Ă partir dâune interpolation basĂ©e sur la connaissance dâun ensemble de bases POD associĂ© Ă un Ă©chan-tillon de paramĂštres reste lâapproche la plus efficace et la plus utilisĂ©e pour de nombreuses applications.Depuis les travaux dâAmsallem et Fahrat [1], on sait que le bon cadre pour rĂ©aliser ces interpolationsest la variĂ©tĂ© de Grassmann. De nombreuses applications ont montrĂ© la pertinence de cette approchepar rapport Ă une interpolation ânaĂŻveâ dans un espace vectoriel. Un premier point faible de la mĂ©thodeproposĂ©e par Amsallemn et Fahrat est lâutilisation dâun point de rĂ©fĂ©rence auquel les rĂ©sultats peuventĂȘtre sensibles. Un second point faible est que lâinformation de la rĂ©partition des donnĂ©es sur la variĂ©tĂ©est perdue lors de lâinterpolation sur lâespace tangent.
Dans cette communication, nous proposons dâautres mĂ©thodes dâinterpolation qui peuvent soit sâaf-franchir du choix dâun point de rĂ©fĂ©rence, soit utiliser la structure intrinsĂšque des variĂ©tĂ©s de Grassmann(qui ne sera pas rappellĂ©e ici, voir [2]). Plus prĂ©cisĂ©ment, nous prĂ©sentons §2 une gĂ©nĂ©ralisation, Ă lavariĂ©tĂ© de Grassmann, de la mĂ©thode de pondĂ©ration par distance inverse (Inverse Distance Weighting,IDW). Cette gĂ©nĂ©ralisation ramĂšne la mĂ©thode IDW Ă une fonctionnelle sâĂ©crivant comme une sommepondĂ©rĂ©e de distances sur la variĂ©tĂ©, pour laquelle on garantit un minimum par un thĂ©orĂšme qui donne laconvergence dâune suite. Cette mĂ©thode ne nĂ©cessite pas de choisir un point de rĂ©fĂ©rence, mais est itĂ©-rative. Ensuite, nous prĂ©sentons §3 une mĂ©thode adaptĂ©e de lâinterpolation par krigeage dans un espacevectoriel Ă la variĂ©tĂ© de Grassmann. Cette derniĂšre mĂ©thode dĂ©pend dâun point de rĂ©fĂ©rence mais prĂ©-serve et exploite lâinformation de la rĂ©partition des bases de lâĂ©chantillon sur la variĂ©tĂ©. Finalement, lesperformances des deux mĂ©thodes proposĂ©es sont illustrĂ©es §4 sur un cas dâinterpolation de bases PODen mĂ©canique des fluides.
1 Formulation du problĂšme et notations
Une procĂ©dure maintenant standard pour construire des modĂšles rĂ©duits consiste Ă projeter en uncertain sens les equations du modĂšle continu sur une base rĂ©duite (voir figure 1). Une telle base estclassiquement dĂ©terminĂ©e Ă partir de la rĂ©solution dâun problĂšme discret de grande dimension. Dans lecas dâune Ă©tude paramĂ©trique, il apparaĂźt intĂ©ressant de ne pas rĂ©soudre le problĂšme discret complet,
1
âu
ât= F (u, λ) t > 0,
u(0) = u0
u â VModĂšle continu
d uh
dt= Fh(uh, λ)
uh â Vh
ModĂšle discret [uh(t1, λ) · · ·uh(tnâČ , λ)] â RnĂnâČ
Ί(λ) = [Ï1(λ) · · ·Ïm(λ)] â RnĂm
d a
dt= X(a, λ) t > 0,
a â V
ModÚle réduit
dim V âȘ dim Vh
u
u
uu
Proj. sur Ί(λ)
Proj. de Galerkin (ou autre)
sur Ί(λ)
Discrétisation
SVD tronquéet > 0,
uh(0) = uh,0
a(0) = a0
avec
X(a, λ) = tΊ(λ)Fh(Ί(λ)a, λ)
a0 = tΊ(λ)uh,0
a(t) = (a1(t), · · · , am(t)) â Rm et
m âȘ nâČ
FIGURE 1 â ReprĂ©sentation schĂ©matique de construction dâun modĂšle rĂ©duit par projection sur une basePOD Ί(λ) du modĂšle continu de paramĂštre λ (schĂ©ma non commutatif).
et de construire une base réduite directement par une interpolation de bases précalculées. Plus préci-sément, étant donné un ensemble
(Ί(λi)
)1â€iâ€N de bases POD (orthogonales) associĂ©es aux N para-
mÚtres Π=(λi)
1â€iâ€N avec λi âRP, âiâ {1 · · ·N} et Ί(λi) â RnĂm, âi â {1 · · ·N} et m < n, on souhaiteconstruire la base Ί(λ?) pour un nouveau paramĂštre λ? /â Î par interpolation des
(Ί(λi)
)1â€iâ€N .
On sait depuis les travaux dâAmsallem et Farhat [1] que le modĂšle rĂ©duit ainsi construit dĂ©pend dusous-espace Ί(λ) = span
(Ί(λ)
)engendré par la base, et non du représentant particulier Ί(λ) de ce sous
espace. Ainsi, lâinterpolation doit sâeffectuer sur lâensemble des sous-espaces vectoriels de dimension mde Rn. Cet ensemble nâest pas un espace vectoriel mais a une structure de variĂ©tĂ© diffĂ©rentielle : câestla variĂ©tĂ© de Grassmann Gm(Rn). Le problĂšme dâinterpolation de bases rĂ©duites peut donc ĂȘtre formulĂ©comme suit :
Ătant donnĂ©s N points(Ί(λi)
)1â€iâ€N de Gm(Rn) associĂ©s aux paramĂštres Î =
(λi)
1â€iâ€N ,
estimer le point Ί(λ?) â Gm(Rn) associĂ© au nouveau paramĂštre λ? /â Î.
La mĂ©thode proposĂ©e dans [1] consiste (i) Ă choisir un point de rĂ©fĂ©rence Ί(λr), (ii) Ă associer aux pointsles vecteurs tangents Ο(λi) dans T
Ί(λr)Gm(Rn) via lâapplication dite logarithme gĂ©odĂ©sique, (iii) Ă rĂ©aliser
une interpolation classique pour obtenir le vecteur tangent interpolĂ© Ο(λ?) â Gm(Rn) et (iv) Ă associerĂ ÎŸ(λ?) le point Ί(λ?) â Gm(Rn) via lâapplication dite exponentielle gĂ©odĂ©sique. Les limites de cetteprocĂ©dure sont (i) la dĂ©pendance au choix de la valeur de rĂ©fĂ©rence λr et (ii) la perte de lâinformationintrinsĂšque sur la rĂ©partition des points de lâĂ©chantillon sur la variĂ©tĂ©. Les deux mĂ©thodes proposĂ©es dansce travail permettent de lever ces difficultĂ©s et sont dĂ©crites dans les deux sections suivantes. Dans lasuite, la base associĂ©e au paramĂštre λi sera notĂ©e Ίi et le sous-espace engendrĂ© sera notĂ© Ίi.
2 Pondération par distance inverse sur la variété de Grassmann (IDW-G)
Dans la méthode classique de pondération par distance inverse (Inverse Distance Weighting, ou IDW
[9, 7]), un vecteur interpolé v? est obtenu comme un barycentre pondéré de N vecteurs : v? =N
âi=1
αi(λ?)vi,
oĂč αi(λ?) =
1S(λ?) â λiâλ? âq , avec S(λ?) =
N
âi=1
1â λiâλ? âq et q â Nâ un paramĂštre 1 de la mĂ©thode.
La généralisation de cette construction à la variété de Grassmann peut se faire comme décrit ci-aprÚs.
1. Ce paramĂštre est Ă renseigner par lâutilisateur, et peut ĂȘtre automatiquement dĂ©terminĂ© dans les versions adaptatives dela mĂ©thode IDW (voir e.g. [8]).
2
Dans le cas de la variĂ©tĂ© de Grassmann Gm(Rn), une notion de barycentre peut ĂȘtre dĂ©finie Ă partirdu barycentre de Karcher [5]. Plus prĂ©cisĂ©ment, nous considĂ©rons le problĂšme de minimisation suivant :
(PIDW)
Ătant donnĂ© λ? â RP, trouver Ί?IDW â Gm(Rn) tel que :
Ί?IDW = argmin
ΊâGm(Rn)
(12
N
âi=1
αi(λ?) d2(Ί,Ίi)
)oĂč d est la distance gĂ©odĂ©sique sur Gm(Rn) (dont une dĂ©finition est donnĂ©e dans e.g. [3, thĂ©orĂšme 2.3.34]).
Le théorÚme énoncé ci-aprÚs garantit que ce problÚme est bien posé et donne une procédure itérativepour approcher la solution. Une preuve de ce théorÚme est disponible dans [3, 4].
ThéorÚme 2.1 (Solution du problÚme (PIDW)). Si les points(Ίi)
1â€iâ€N sont contenus dans une bouleB(ΊC,r) de centre ΊC â Gm(Rn) et de rayon r < Ï
4â
2, alors le problĂšme (PIDW) admet une unique
solution Ί?IDW dans B(ΊC,r). De plus, pour toute initialisation Ί0 â B(ΊC,r), la suite {Ί` : ` â N}
définie par
Ί`+1 = expΊ`
(1
2N
N
âi=1
αi(λ)expâ1Ί`
(Ίi))
,
converge vers Ί?IDW.
Les expressions des applications exponentielle (exp) et logarithme (expâ1) gĂ©odĂ©siques sont donnĂ©ese.g. dans [3, proposition 2.3.19] et [3, proposition 2.3.22], respectivement. En pratique, on supposera quela sĂ©quence a convergĂ© lorsque la norme du gradient de la fonctionnelle associĂ©e au problĂšme (PIDW)est sous un seuil de tolĂ©rance prĂ©dĂ©fini [4]. Cette sĂ©quence donne lieu Ă lâalgorithme 1 qui prend enentrĂ©e les matrices (Ίi)1â€iâ€N et retourne la matrice Ί?, et utilise la reprĂ©sentation en termes de matricesdes applications exponentielle et logarithme gĂ©odĂ©siques. Afin de discerner exp
Ίr(Ο) et log
Ίr(Ί) de leur
reprĂ©sentation en termes de matrices, nous noterons ces derniĂšres expΊr(Ο) et log
Ίr(Ί). La représentation
en termes de matrices de lâapplication exponentielle gĂ©odĂ©sique est :
expΊr(Ο) =
(Ίr · (á”Ίr ·Ίr)
12 ·V · cos(S)+U · sin(S)
)· á”V · (á”Ίr ·Ίr)
12 ,
avec U ·S · á”V = SVD(
Ο · (á”Ίr ·Ίr)12
).
(1)
oĂč SVD(M) dĂ©note la dĂ©composition en valeurs singuliĂšres de la matrice M. La reprĂ©sentation en termesde matrices de lâapplication logarithme gĂ©odĂ©sique est :
logΊr(Ί) = U · arctan(S) · á”V · (á”Ί ·Ί)
12 ,
avec U ·S · á”V = SVD((
Ί · (á”Ίr ·Ί)â1âΊr)· (á”Ίr ·Ίr)
12
).
(2)
Ces expressions gĂ©nĂ©rales se simplifient pour des matrices orthogonales á”Ί ·Ί = Id.
3 Méthode de Krigeage sur la variété de Grassmann
La mĂ©thode dâinterpolation par krigeage [10, 11, 12, 13] est une technique dâinterpolation stochas-tique initialement dĂ©veloppĂ©e pour la gĂ©ostatistique [14, 15] pour prĂ©dire la valeur dâun phĂ©nomĂšnenaturel en des sites non Ă©chantillonnĂ©s par une combinaison linĂ©aire sans biais et Ă variance minimaledes observations du phĂ©nomĂšne en des sites voisins. La gĂ©nĂ©ralisation de cette mĂ©thode Ă la variĂ©tĂ© deGrassmann, dĂ©nommĂ©e krigeage grassmannien, est dĂ©crite ci-aprĂšs. Le modĂšle probabiliste sur lequel sebase la mĂ©thode de krigeage grassmannien repose sur le thĂ©orĂšme suivant, dont une dĂ©monstration estdisponible dans [3, chapitre 5].
3
Data:(λi)
1â€iâ€N Ensemble de paramĂštres ,
(Ίi)1â€iâ€N Ensemble de bases POD associĂ©es aux paramĂštres,
λ? ParamÚtre cible,
q ParamÚtre de la méthode,
Δtol Tolérance.
Result: Base interpolée Ί?IDW 'Ί?.
1 r = argminiâ[1,N]
â λ?âλi â // SĂ©lection de la valeur initiale ;
2 Ί` = Ίr ;
3 S = âNi=1
1â λ?âλi âq // Coefficient de normalisation;
4 for i â [1,N] do
5 wi =1
S â λ?âλi âq // Poids IDW;
6 end7 Δ = â ;8 `= 0 ;9 while Δ > Δtol do
10 `= `+1 ;11 for i â [1,N] do12 Οi = log
Ί`â1(Ίi) // Vecteurs de T
ΊrGm(Rn) ;
13 end14 Ο` =
12N â
Ni=1 wiΟi // Barycentre pondĂ©rĂ©;
15 Ί` = expΊ`â1
(Ο`) // Point sur Gm(Rn);16 Δ =â Ο` âF // VĂ©rification du rĂ©sidu ;17 end18 Ί?
IDW = Ί` // RĂ©sultat;Algorithm 1: Algorithme IDW-G pour lâinterpolation de bases POD, oĂč â âą â reprĂ©sente la normeeuclidienne et â âą âF reprĂ©sente la norme de Frobenius. Les expressions des reprĂ©sentations en termesde matrices des applications exponentielle exp et logarithme log gĂ©odĂ©siques sont donnĂ©es dans lesexpressions (1) et (2), respectivement.
ThéorÚme 3.1. Soit D une partie de RP (P ℠1) et N points(Ίi)
1â€iâ€N sur la variĂ©tĂ© de GrassmannGm(Rn) associĂ©s aux paramĂštres Î =
(λi)
1â€iâ€N â D. On fait les hypothĂšses suivantes :
1. Il existe Ίr â Gm(Rn) avec d(Ίr,Ίi )<Ï
2 pour tout i â {1, · · · ,N}.2. Il existe un processus alĂ©atoire Z, indexĂ©e par D, et Ă valeur dans T
ΊrGm(Rn) de la forme
Z = ”+ÎŽ tel que :Zi = expâ1
Ίr(Ίi)
pour tout i â {1, · · · ,N}, oĂč ” est constant (espĂ©rance), ÎŽ est un processus alĂ©atoire, indexĂ© parD et Ă valeur dans T
ΊrGm(Rn) intrinsÚquement stationnaire [11, 12].
Alors, Ă©tant donnĂ© λ? â D, il existe(αi(λ
?))
1â€iâ€N â RN tel que
(α1(λ?), · · · ,αN(λ
?)) = argmin(α1,··· ,αN)âRN
N
âi=1
αi = 1
E
â„â„â„â„â„ N
âi=1
αi ZiâZââ„â„â„â„â„
2 , (3)
et Z?KRI =
N
âi=1
αi(λ?)Zi est la valeur estimĂ©e de Z? = expâ1
Ίr(Ί
?).
4
La détermination des coefficients αi(λ?) suppose la connaissance du processus aléatoire Ύ (plus
précisément, du semi-variogramme associé au processus), inconnu en pratique. à partir des donnéesdisponibles
(Ίi)
1â€iâ€N et en utilisant la distance gĂ©odĂ©sique sur la variĂ©tĂ© de Grassmann d(âą,âą), nousconstruisons un semi-variogramme expĂ©rimental qui approche le semi-variogramme exact.
Construction du semi-variogramme expérimental géodésique On considÚre les nombres :
m(Î) = min{âλiâλ jâ : 1†i < j †N}, (4)
M(Î) = max{âλiâλ jâ : 1†i < j †N}, (5)
et K âN tel que K ·m(Î)<M(Î). Ces nombres permettent de dĂ©finir les distances hk = k ·m(Î) pour toutk â {1, · · · ,K}, h0 = 0 et hK+1 = M(Î) que lâon rassemble dans le vecteur h = (h0, · · · ,hK+1) â RK+2.Finalement, on dĂ©finit pour tout k â {1, · · · ,K +1} les ensembles :
N(hk) = {(λp,λq) â ÎĂÎ : 1†p < q†N et hkâ1 < âλpâλqâRP †hk}.
Alors, le semi-variogramme expérimental associé aux données(Ίi)
1â€iâ€N est dĂ©fini comme le vecteurv = (v0, · · · ,vK+1) â RK+2, oĂč
vk =1
Card(N(hk))â
(λp,λq)âN(hk)
d2(Ί(λp),Ί(λq)), k â {1, · · · ,K +1}, (6)
avec v(0) = 0 et d la distance gĂ©odĂ©sique sur la variĂ©tĂ© de Grassmann. Cette construction du semi-variogramme expĂ©rimental est dĂ©crite dans lâalgorithme 2, ou le logarithme gĂ©odĂ©siques est exprimĂ© entermes de matrices comme comme dans (2) et la distance gĂ©odĂ©sique exprimĂ©e en termes de matrice est
d(Ί1,Ί2) = â tanâ1(ÎŁ)âF ,
avec U ·S · á”V = SVD(
Ί2 · (á”Ί1 ·Ί2)â1âΊ1
).
(7)
Une fois le semi-variogramme estimĂ©, un variogramme analytique est dĂ©fini par ajustement dâune fonc-tion v : R â R+ de type nĂ©gatif conditionnel [11, 12]. Le choix dâune fonction comme modĂšle sefait selon lâauto-corrĂ©lation spatiale des donnĂ©es dĂ©crite par les valeurs de portĂ©e a = hd+1 et de pa-lier c = v(d +1). Dans ce travail, nous avons utilisĂ© deux modĂšles classiques de variogramme de typesphĂ©rique.
FIGURE 2 â Distances hk = k ·m(Î) intervenant dans la construction du semi-variogramme expĂ©rimental.
5
Data:(λi)
1â€iâ€N Ensemble de paramĂštres ,
(Ίi)1â€iâ€N Ensemble de bases POD associĂ©es aux paramĂštres.
Result: PortĂ©e a et palier c.1 DĂ©finir m(Î) et M(Î) comme dans (4) et (5), respectivement2 h0 = 03 for k = 1 Ă K +1 do4 hk = k ·m(Î) si k < K +1, sinon hk = M(Î)5 Dk = /0
6 for i = 1 Ă N do7 for j = i+1 Ă N do8 if hkâ1 < âλiâλ jâ †hk then9 Ajouter d2
(log(Ίi), log(Ί j)
)Ă lâensemble Dk
10 end11 end12 end13 if Card(Dk) 6= 0 then14 vk =
1Card(Dk)
Somme(Dk)
15 end16 end17 a = hK+1 // Portée18 c = vK+1 // PalierAlgorithm 2: Construction du semi-variogramme expérimental dans la méthode de krigeage grass-mannien. Le logarithme et la distance géodésiques sont exprimés en termes de matrices comme dans(2) et (7), respectivement.
Résumé de la méthode de krigeage grassmannien Pour un ensemble(Ίi)
1â€iâ€N de N points sur lavariĂ©tĂ© de Grassmann Gm(Rn) associĂ©s aux paramĂštres Î =
(λi)
1â€iâ€N â RP et un nouveau paramĂštreλ? â RP, les Ă©tapes de la mĂ©thode de krigeage grasmannien sont :
1. Obtenir par lâalgorithme 2 la portĂ©e a et le palier c du semi-variogramme expĂ©rimental associĂ©aux donnĂ©es.
2. ModĂ©liser le semi-variogramme expĂ©rimental Ă lâaide dâun modĂšle analytique et obtenir les poidsα1(λ
?), · · ·αN(λ?) comme solution du problÚme (3).
3. Calculer la valeur estimée Z?KRI =
N
âi=1
αi(λ?)expâ1
Ίr(Ίi).
4. Associer la base interpolĂ©e via lâexponentielle gĂ©odĂ©sique : Ί?KRI = exp
Ίr(Z?
KRI).
4 Application
Les performances des deux mĂ©thodes proposĂ©es dans cette communication sont illustrĂ©es sur lâin-terpolation de bases POD en mĂ©canique des fluide. Nous considĂ©rons le cas des dĂ©tachements tour-billonnaires derriĂšre un obstacle circulaire de diamĂštre 1m dans lâĂ©coulement dâun fluide incompressibleen 2D dans un canal de dimensions 40mĂ10m (voir figure 3). Le modĂšle discret complet est obtenupar projection de Galerkin des Ă©quations de Navier-Stokes adimensionnelles sur des Ă©lĂ©ments de typeTaylor-Hood (P2 pour la vitesse et P1 pour la pression). La masse volumique du fluide est Ï = 1kg/m3 etla viscositĂ© dynamique pilote lâinverse du nombre de Reynolds qui sera choisie comme paramĂštre dâin-terpolation λ = Reâ1. Le modĂšle discret est rĂ©solu par une mĂ©thode de type prĂ©dicteur/correcteur pourles paramĂštres λ â {100â1,120â1,130â1,160â1,170â1,200â1}, et dans chaque cas nous construisons labase POD par une dĂ©composition en valeurs singuliĂšres de la matrice des clichĂ©s du champ de vitessefluctuante (troncature Ă 10 valeurs). Lâinterpolation est rĂ©alisĂ©e pour λ? = 110â1 et une base POD derĂ©fĂ©rence est construite pour ce paramĂštre par simulation du modĂšle discret complet.
6
FIGURE 3 â Configuration utilisĂ©e dans les tests numĂ©riques, avec des conditions limites de Dirichletv = (1,0) sur ÎIN, v = (0,0) sur le solide circulaire et v ·n = (0,0) sur Î0 avec n le vecteur normal aubord, et sortie libre Ï Â·n = (0,0) sur ÎOUT, avec Ï le tenseur des contraintes de Cauchy.
Les modĂšles rĂ©duits (voir schĂ©ma en figure 1) sont rĂ©alisĂ©s par projection des Ă©quations continues surla base POD de rĂ©fĂ©rence et les bases interpolĂ©es par la mĂ©thode dâAmsallem et Farhat, par IDW-G etpar krigeage grassmannien. Les premiers coefficients temporels (ai(t))1â€iâ€4 obtenus par simulation desmodĂšles rĂ©duits sont prĂ©sentĂ©s en figure 4. Il apparait clairement que le modĂšle rĂ©duit construit sur la baseIDW-G approche mieux le comportement du modĂšle rĂ©duit de rĂ©fĂ©rence (POD) que celui construit surla base interpolĂ©e par la mĂ©thode dâAmsallem et Farhat. Ces rĂ©sultats se rĂ©percutent sur les coefficientsaĂ©rodynamiques (trainĂ©e, portance), non prĂ©sentĂ©s ici.
(a) IDW-G (b) Krigeage grassmannien
FIGURE 4 â Quatre premiers coefficients temporels des modĂšles rĂ©duit obtenus par projection sur la basede rĂ©fĂ©rence (POD) et les bases interpolĂ©es par la mĂ©thode dâAmsallem et Farhat, par IDW-G (4a) et parkrigeage grassmannien (4b).
Conclusions
Dans ce travail, nous avons proposĂ© deux mĂ©thodes dâinterpolation sur la variĂ©tĂ© de Grassmann. LamĂ©thode IDW-G, basĂ©e sur la gĂ©nĂ©ralisation Ă la variĂ©tĂ© de Grassmann de la mĂ©thode de pondĂ©rationinverse de la distance, ne nĂ©cessite pas de choisir un espace de rĂ©fĂ©rence, auquel les mĂ©thodes dâinter-polation existantes Ă©taient sensibles. La mĂ©thode KG est construite comme par une modification de lamĂ©thode de krigeage dans un espace vectoriel afin de prendre en compte la distance intrinsĂšque sur lavariĂ©tĂ© de Grassmann, de sorte Ă prĂ©server et exploiter la rĂ©partition des points interpolĂ©s sur la variĂ©tĂ©.Lâexemple de validation numĂ©rique que nous avons prĂ©sentĂ© montre la pertinence des deux mĂ©thodesproposĂ©es. Cependant, la mĂ©thode par krigeage prĂ©sente lâavantage dâĂȘtre explicite. Des perspectives Ă ce travail sont lâestimation a priori des erreurs dâinterpolations et la gĂ©nĂ©ralisation des mĂ©thodes propo-sĂ©es Ă dâautres variĂ©tĂ©s (e.g. variĂ©tĂ©s de tenseurs).
7
Références
[1] D. Amsallem, C. Farhat, Interpolation method for adapting reduced-order models and application toaeroelasticity, AIAA journal 46 (7), 1803â1813, 2008.
[2] P. A. Absil, R. Mahony, & R. Sepulchre, Riemannian geometry of Grassmann manifolds with a view onalgorithmic computation, Acta Applicandae Mathematica, Springer, 80, 199-220, 2004.
[3] R. Mosquera, Interpolation sur les variĂ©tĂ©s grassmanniennes et applications Ă la rĂ©duction de modĂšles enmĂ©canique, UniversitĂ© de La Rochelle, Ăcole Doctorale EUCLIDE, 2018.
[4] R. Mosquera, A. Hamdouni, A. El Hamidi et C. Allery, POD-basis interpolation via inverse distance weightingon Grassmann manifolds, Ă paraĂźtre, Discrete & Continuous Dynamical Systems - S, 12 (6), 2019.
[5] H. Karcher, Riemannian center of mass and mollifier smoothing, Communications on pure and applied mathe-matics, Wiley Online Library, 30, 509-541, 1977.
[6] Y.-C. Wong, Differential geometry of grassmann manifolds, Proceedings of the National Academy of Sciences57 (3) , 589â594, 1967.
[7] D. Zimmerman, C. Pavlik, A. Ruggles, et M. P. Armstrong, An experimental comparison of ordinary anduniversal kriging and inverse distance weighting, Mathematical Geology, Springer, 31, 375-390, 1999.
[8] G. Y. Lu, et D. W. Wong, An adaptive inverse-distance weighting spatial interpolation technique, Computers& geosciences, Elsevier, 34, 1044-1055, 2008.
[9] D. Shepard, A two-dimensional interpolation function for irregularly-spaced data, Proceedings of the 23rdACM national conference, 517-524, 1968.
[10] N. Cressie, The origins of kriging Mathematical geology, Springer, 22, 239-252, 1990.
[11] N. Cressie, Statistics for spatial data, Terra Nova, 4(5), 613-617, 1992.
[12] C. Gaetan, & X. Guyon, Spatial statistics and modeling, Springer, (2010).
[13] M. L. Stein, Interpolation of spatial data : some theory for kriging, Springer Science & Business Media, 2012.
[14] E. Verfaillie, V. Van Lancker, & M. Van Meirvenne, Multivariate geostatistics for the predictive modelling ofthe surficial sand distribution in shelf seas, Continental Shelf Research, Elsevier, 26, 2454-2468, 2006.
[15] R. J. Barnes, & T. B. Johnson, Positive kriging Geostatistics for natural resources characterization, Springer,231-244, 1984.
[16] E. Liberge, RĂ©duction de modĂšles par POD-Galerkin pour les problĂšmes dâinteraction fluide-structure, Uni-versitĂ© de La Rochelle, 2008.
8