Search for a command to run...
Ces travaux de thèse portent sur le développement de méthodes hybrides pour le pronostic de dégradation dans les systèmes industriels. L'application principale concerne le colmatage des générateurs de vapeur (GV) des réacteurs à eau pressurisée opérés par Électricité de France (EDF). Deux grandes familles de modèles sont mobilisées : les modèles physiques et les modèles statistiques. Les approches hybrides cherchent à combiner ces paradigmes pour tirer parti de leurs complémentarités, en particulier pour mieux maîtriser l'incertitude prédictive. Ces outils sont cruciaux pour la maintenance préventive ou le remplacement d'équipements dans des infrastructures critiques. Lorsque des données de dégradation sont disponibles régulièrement, les techniques de filtrage (Kalman, particulaire) sont efficaces pour corriger les prédictions issues des simulations. Toutefois, dans le cas des GV, les données sont rares et les phénomènes physiques complexes, rendant le pronostic fortement dépendant du contexte. Des lignes directrices générales peuvent cependant être définies. Les modèles physiques présentent un biais structurel et une incertitude paramétrique liée à la méconnaissance des entrées. Leur bon usage nécessite une analyse de sensibilité et une quantification d'incertitude rigoureuse. Lorsque les simulations sont coûteuses, des métamodèles deviennent nécessaires. La première partie de la thèse propose une méthode non intrusive de quantification d'incertitude appliquée à un code industriel EDF. Les résultats mettent en évidence une incertitude de pronostic significative, en cohérence avec l'expertise métier. Il est ensuite crucial d'évaluer la qualité prédictive des émulateurs. Les méthodes de prédiction conforme offrent une approche robuste, sans hypothèses fortes, pour produire des intervalles de prédiction. Nous développons des estimateurs adaptés aux faibles régimes de données, appliqués à des processus Gaussiens scalaires. Contrairement aux intervalles bayésiens, ceux-ci sont peu sensibles aux priors mal spécifiés. Dans le cas déterministe, leur taille reflète l'erreur d'approximation, ce qui en fait un outil diagnostic pertinent. La suite du travail consiste à ajuster les lois a priori à l'aide des données disponibles, afin d'adapter la prédiction probabiliste au contexte opérationnel réel. Nous proposons une méthode de fusion de données inspirée de l'assimilation, adaptée à des sources d'information hétérogènes et peu nombreuses (modèles statistiques, observations terrains). Appliquée à un cas jouet de fissuration et au colmatage des GV, cette approche améliore les performances prédictives. Des questions subsistent sur la prise en compte des variables latentes et la modélisation de la discrépance. Enfin, dans une perspective exploratoire, les simulations recalibrées peuvent générer des trajectoires utiles à l'apprentissage temporel. Les données capteurs disponibles sur les systèmes réels ne mesurent pas directement la dégradation. Une question centrale est de savoir si ces signaux permettent d'inférer les états futurs de dégradation. En cas de corrélation, l'information exogène peut être exploitée via des features extraits des signaux. Ces travaux s'inscrivent dans le développement des jumeaux numériques : l'intégration de modèles hybrides, la quantification d'incertitude et la fusion de données permettent de construire des cadres prédictifs robustes et certifiables pour les composants industriels des centrales nucléaires.