Huguette

Introduction
Problème direct
Problème d’estimation de paramètres
Conclusion et perspectives
ESTIMATION DES PARAMETRES POUR DES

MODELES D’EDP EN ECOLOGIE
WAMBA MAKENG Huguette Laure
Membres du jury
Président du Jury: Pr EMVUDU Yves
Examinateur: Dr TAGOUDJEU Jacques
Rapporteurs: Pr TEWA Jean Jules & Dr PEYNAUD Emilie.
3 octobre 2019
WAMBA MAKENG Huguette Laure Mémoire de Master Modélisation Mathématique et Calcul Scientifique 1/25
Introduction
Problème direct
SOMMAIRE
1 Introduction
2 Problème direct
Présentation du modèle de Réaction-Diffusion
Résultats théoriques
Simulations numériques
3 Problème d’estimation de paramètres
Définition du problème
Résolution numérique
4 Conclusion et perspectives
Introduction
Problème direct
Qu’est-ce qui motive notre travail ?
La densité de poisson u dans un

lac vérifie
∂u
= D∆u + u(r − γu)
∂t
Source Google Image
→ Comment déterminer le taux de croissance de la population ? la

capacité limite du milieu ? le taux de compétition ?
Introduction
Problème direct
Un deuxième exemple : la croissance de systèmes racinaires
La densité racinaire u vérifie

[Bonneu et al. 2012]
∂u
= D∆u + v0 · ∇u + u(r − γu)
∂t
Source Google Image
→ Quelles valeurs prendre pour (D, v0 , r , γ) pour simuler le modèle

dans des cas réalistes sachant qu’on ne sait pas mesurer les
paramètres ?
Introduction
Problème direct
Contexte
Connaissant la densité d’une population, comment retrouve t-on

les paramètres de l’équation ? Ces paramètres donnent le
comportement sur la population c’est à dire le déplacement, la
croissance et la compétition.
Introduction
Problème direct
Présentation de l’equation aux dérivées partielles
Soit le modèle suivant :


∂u

 ∂t
 = D∆u + u r − γu dans R+ × Ω;
u(t, x ) = 0, t > 0, x ∈ ∂Ω, (1)


u(0, x ) = u0 (x ), x ∈ Ω

Introduction
Problème direct
Posons :
A : H01 (Ω) → H −1 (Ω)
u(t) 7→ A(u(t)) = −D∆u(t)
et
F : L2 (Ω) → L2 (Ω)
u(t) 7→ F (u(t))
avec F (u(t)) = u (r − γu) ; ainsi notre equation devient :
∂u
+ Au = F (u(t)) avec x ∈ Ω, t ≥ 0,
∂t
Introduction
Problème direct
Existence locale
Théorème (Songmu Zheng)

Supposons que A est un opérateur m-accrétif, et F un opérateur
non linéaire et localement lipschitzien, de l’espace de Banach
L2 (Ω) dans lui même. Alors
1 Il existe une constante T > 0 dépendant de ku0 kL2 (Ω) telle
que notre EDP dans [0, T ] admet une unique solution u locale
faible telle que u ∈ C([0, T ]; L2 (Ω)) si u0 ∈ L2 (Ω)
2 Pour u0 ∈ D(A) notre EDP admet une unique solution u
locale forte telle que u ∈ C([0, T ]; L2 (Ω)) ∩ C 1 ([0, T ]; D(A)).
Introduction
Problème direct
Existence globale
Théorème
Soit u la solution de notre EDP, alors pour tout
(x , t) ∈ Ω × [0, +∞[, Σ = {u : 0 ≤ u ≤ K } est un ensemble
positivement invariant.
Théorème
Notre EDP admet :
1 Une unique solution globale faible u ∈ C([0, +∞[, L2 (Ω)) si
u0 ∈ L2 (Ω).
2 Une unique solution globale forte
u ∈ C 1 ([0, +∞[, L2 (Ω)) ∩ C([0, +∞[, D(A)) si u0 ∈ D(A).
Introduction
Problème direct
Méthode numérique
Nous avons utilisé la méthode des éléments finis. Pour y arriver,
nous avons installé la librairie FeNics qui est un logiciel pour la
résolution des EDP à l’aide de la méthode des éléments finis. Pour
la dérivée en temps nous utilisons le schéma de Crank-Nicolson
modifié et pour la dérivée en espace nous utilisons la méthode des
éléments finis.
Introduction
Problème direct
(a) (b)
Figure: (a)-(b) solutions exacte et approchée calculées avec
D = 1, r = γ = a = 1, C = 10, δt = 0.01, h = 0.0141, à t = 9.5.
Introduction
Problème direct
Etude de la convergence
(a) (b)
Figure: (a) Courbe représentative de log(erreur) en fonction de log(δt),
(b) Courbe représentative de log(erreur) en fonction de log(h).
L’erreur obtenue entre ces deux solutions est eh = 2.897e − 06

après 100 pas de temps, soit une erreur relative de l’ordre de 10−4 .
Introduction
Problème direct
Maintenant qu’on a un outil numérique sur le problème direct, on

peut passer au problème d’estimation de paramètre.
Ce problème peut se ramener à un problème de minimisation de la

forme suivante : Trouver p̂ := (D̂, r̂ , γ̂) dans R∗+ × R × [0, 1] qui
minimise la fonctionnelle des moindres carrés définie par
p
Φ(p) = 12 m i 2 i
i=1 |uh (xi , yi , ti ) − u | où u représente une mesure de
P
u réalisée au point (xi , yi ) à l’instant ti et où uhp est solution du

problème faible semi-discret en temps pour des paramètres p.
Introduction
Problème direct
Existence unicité et stabilité

Théorème
Il existe r̃ ∈ A qui minimise J(r ) i.e
J(r̃ ) = min J(r ).

r ∈A
Théorème
Soit r1 (x ), r2 (x ) deux fonctions qui minimisent le problème
d’estimation prit respectivement pour les donnnées u 1 (x ) et u 2 (x )
respectivement. S’il existe x0 ∈ [0, 1] tel que r1 (x0 ) = r2 (x0 ) alors
pour tout T << 1, on a :
1
max |r1 − r2 | ≤ √ ku 1 − u 2 kL2 ([0,1]) .
x ∈[0,1] N
Introduction
Problème direct
Implémentation
L’implémentation numérique de la méthode s’est faite sous python

en utilisant l’interface Pycharm. L’alogorithme est décrit ainsi qu’il
suit :
Fixer des valeurs aux paramètres
Produire un jeu de données associé à ces paramètres. En
d’autres termes, il s’agit de la solution du problème direct.
A partir du jeu de données, estimer les paramètres
Comparer les paramètres estimés à ceux fixés.
Introduction
Problème direct
Estimation du paramètre r .
Dans toutes nos simulations, nous prenons comme paramètres
1
communs : δt = 200 , h = 0.7071, D = 1, r = 0.9, γ = 0.8, et
nxdata = 10.
Introduction
Problème direct
Cas non bruité

Les données sont non bruitées quand l’observation de la solution de
l’EDP est exacte.
(a) (b)
Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0.8, (b) solution

calculée avec le paramètre estimé r̂ = 0.899.
Introduction
Problème direct
Cas bruité
Ici, nous parlons de données bruitées dans la mesure où nous
pourons avoir des erreurs dûes aux mesures expérimentales.
(a) (b)

calculée avec le paramètre estimé r̂ = 0.899.
Introduction
Problème direct
Erreur sur le paramètre r .
(a) (b)
Figure: (a) Boxplot de l’erreur du paramètre r cas non bruité, (b)
Boxplot de l’erreur du paramètre r cas bruité.
Introduction
Problème direct
Résidu des moindres carrés
(a) (b)
Figure: (a) Boxplot du résidu des moindres carrés pour le paramètre r
cas non bruité, (b) Boxplot du résidu des moindres carrés pour le
paramètre r cas bruité
Introduction
Problème direct
Estimation des paramètres D, r , γ

Cas non bruité
(a) (b)

calculée avec les paramètres estimés D̂ = 0.999, r̂ = 0.900, γ̂ = 0.800 .
Introduction
Problème direct
Cas bruité
(a) (b)
Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0, 8, (b) solution

calculée avec les paramètres estimés D̂ = 0.900, r̂ = 0.900, γ̂ = 0.800.
Introduction
Problème direct
Erreur sur les paramètres estimés
(a) (b)
Figure: (a) Boxplot de l’erreur sur les paramètres D, r et γ cas non
bruité, (b) Boxplot de l’erreur sur les paramètres D, r et γ cas bruité
Introduction
Problème direct
Conclusion et Perspectives
Conclusion
1 Résolution du problème direct
2 Estimation du paramètre r .
3 Résolution numérique du problème d’estimation des
paramètres D, r et γ dans les cas bruité et non bruité.
Perspectives
1 Mieux comprendre la régularisation de Tikhonov et faire une
étude théorique lorsqu’on estime les trois paramètres.
2 Du point de vue numérique, comparer notre méthode avec
d’autres méthodes comme l’inférence bayésienne.
3 Trouver des cas test de validation.
Introduction
Problème direct
FIN ! ! !
MERCI
POUR VOTRE AIMABLE
ATTENTION !

Huguette

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Huguette

Încărcat de

Drepturi de autor:

Formate disponibile

Introduction

ESTIMATION DES PARAMETRES POUR DES

WAMBA MAKENG Huguette Laure

Qu’est-ce qui motive notre travail ?

La densité de poisson u dans un

Source Google Image

→ Comment déterminer le taux de croissance de la population ? la

Un deuxième exemple : la croissance de systèmes racinaires

La densité racinaire u vérifie

Source Google Image

→ Quelles valeurs prendre pour (D, v0 , r , γ) pour simuler le modèle

Connaissant la densité d’une population, comment retrouve t-on

Présentation de l’equation aux dérivées partielles

Soit le modèle suivant :

Théorème (Songmu Zheng)

L’erreur obtenue entre ces deux solutions est eh = 2.897e − 06

Maintenant qu’on a un outil numérique sur le problème direct, on

Ce problème peut se ramener à un problème de minimisation de la

u réalisée au point (xi , yi ) à l’instant ti et où uhp est solution du

Existence unicité et stabilité

J(r̃ ) = min J(r ).

L’implémentation numérique de la méthode s’est faite sous python

Cas non bruité

Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0.8, (b) solution

Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0.8, (b) solution

Erreur sur le paramètre r .

Résidu des moindres carrés

Estimation des paramètres D, r , γ

Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0.8, (b) solution

Figure: (a) Solution générée avec D = 1, r = 0.9, γ = 0, 8, (b) solution

Erreur sur les paramètres estimés

POUR VOTRE AIMABLE

S-ar putea să vă placă și