Extrapolation, comportements physiques non linéaires, SINDy Sparse Identification Of Nonlinear Dynamics, SARIMA Seasonal AutoRegressive Integrated Moving Average Model, LSTM Long-Short Term Memory, algorithme, auto régression, apprentissage automatique, prédiction des séries temporelles, sûreté de fonctionnement, langage Julia, PACF Partial Autocorrelation Function, IA Intelligence Artificielle
Dans le cadre du stage, différentes méthodes d'extrapolation ont été étudiées dans le but de trouver l'approche la plus rapide et robuste aux aléas d'approximer les comportements physiques non linéaires ayant des propriétés aléatoires. En particulier, les méthodes SARIMA, SINDy et réseaux de neurones profonds et LSTM ont été explorées et comparées. Il s'est avéré que la méthode la plus commode est SINDy qui, entre autres, fournit ses résultats sous une forme explicite et nécessite un temps de calcul très faible. Ainsi, une automatisation de l'étape de prétraitement et d'application de SINDy a été effectuée. Notamment, celle-ci inclut l'usage d'un algorithme de clustering pour séparer des modes de fonctionnement différents. Enfin, des pistes d'amélioration ont été proposées pour de futurs travaux.
Référence bibliographique
Format APA en un clicLecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture
