Approche probabiliste pour la commande orientée

Présentation au sujet: "Approche probabiliste pour la commande orientée"— Transcription de la présentation:

1 Approche probabiliste pour la commande orientée
Presentation Approche probabiliste pour la commande orientée événement des systèmes stochastiques à commutation Simona Adriana MIHĂIŢĂ Directeurs de thèse Stéphane MOCANU Hassane ALLA GIPSA-lab, Département Automatique, Grenoble, France

2 0.1 – Description du probléme
Systèmes stochastiques à commutation (SSC) Changements brusques de comportement  Défaillances de composants Commutations entre divers modes de fonctionnement Evénements aléatoires Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

3 0.2 – Exemple introductif Réservoir d’eau Variables qui
Débit d’entrée Signaux aléatoires de commutation Variables qui commutent Débit de sortie 2 Modes de fonctionnement aléatoires Forte consommation d’eau Faible consommation d’eau Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

4 b) Faible consommation d’eau
0.2 - Exemple introductif Réservoir d’eau Politique de contrôle Sporadique = pas de contrôle entre Débit contrôle entrée Forte consommation d’eau b) Faible consommation d’eau Débit Contrôle sortie Comment appliquer le contrôle avec un coût minimal ? Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

5 0.4 –Description du problème
Systèmes stochastiques à commutation (SSC) Que sont les SSC ? systèmes dynamiques hybrides systèmes qui commutent en fonction des événements externes commutations modélisées par des Chaînes de Markov Problèmes : Comment analyser la dynamique d’un tel système stochastique ? Comment appliquer un contrôle qui commute pour ces SSC? Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

6 0.5 – Description du problème
Contrôle basé sur les événements (CBE) Pourquoi? Il est appliqué seulement si c’est nécessaire Il simplifie le système des capteurs Il est naturel dans plusieurs domaines Comment ? Définir les événements déclenchants Définir une zone de contrôle B Appliquer le contrôle quand certaines conditions sont remplies Continuer appliquer le contrôle afin que Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

7 0.6 - Problématique Contrôle basé sur les événements (CBE)
Pourquoi est-ce difficile ? Manque des résultats analytiques Comment définir les événements déclenchants? Comment définir la zone de contrôle B = ? Comment appliquer le contrôle avec une énergie minimale ? x(t) est un processus périodique avec une période aléatoire Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

8 Plan Intégrateur stochastique à commutation
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutation Optimisation par simulation à événements discrets Modèle analytique Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

9 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Modèle non contrôlé Modèle avec contrôle Optimisation par simulation à événements discrets Modèle analytique Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

10 1.1 - Intégrateur stochastique à commutation (ISC)
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 1.1 - Intégrateur stochastique à commutation (ISC) Modèle non – contrôlé : Chaîne de Markov en temps Continu Changement entre les N modes du systeme L’état global du système Variable d’état Etat discret du système Taux de variation associés aux modes : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

11 1.2 - Intégrateur stochastique à commutation (ISC)
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 1.2 - Intégrateur stochastique à commutation (ISC) Modèle contrôlée : Contrôle supérieur Limites pour arrêter le contrôle Contrôle inférieur Objectif: Système contrôlé : sera appliqué de sorte que Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

12 1.3 – Intégrateur stochastique à commutation à deux états
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 1.3 – Intégrateur stochastique à commutation à deux états Non-contrôlé : Avec le contrôle basé sur les événements : Seront choisis de sorte que : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

13 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Principes Application numérique Modèle analytique Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

14 2.3 – Optimisation d’un critère quadratique par simulation
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.3 – Optimisation d’un critère quadratique par simulation Integrateur à commutation à deux états Fixer une zone de contrôle : [Xmin,Xmax] Varier les parametres du contrôle : {QH1,QH2,QL1,QL2} Varier les limites pour arrêter le contrôle : {XH,XL} Chercher les parametres optimaux qui minimisent le coùt quadratique : Moment d’ordre 2 de la variable d’état Energie consommée pour appliquer le contrôle On minimise la moyenne statistique de l’énergie par unité de temps Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

15 2.1 - Optimisation par simulation à événements discrets
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.1 - Optimisation par simulation à événements discrets Initialiser les paramètres du système : Le nombre d’états : La longueur de la simulation : Les paramètres du contrôle : La liste des événements suivants : Evénements incontrôlables de la chaîne de Markov Evénements de contrôle Les périodes d’occurrence associés aux événements Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

16 2.1 - Optimisation par simulation à événements discrets
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.1 - Optimisation par simulation à événements discrets Evénements incontrôlables de la Chaîne de Markov Evénements de contrôle Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

17 2.1 - Optimisation par simulation à événements discrets
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.1 - Optimisation par simulation à événements discrets 2. Choisir le prochain événement : 3. Analyser l’événement suivant: Commuter vers un autre état Calculer les prochains temps d’occurrence Appliquer le contrôle Commuter vers un autre état Calculer les prochains temps d’occurrence 4. Mise à jour du système : - Avancer la simulation : - Mise à jour de x(t) - Calcul de l’énergie consommée Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

18 2.1 - Optimisation par simulation à événements discrets
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.1 - Optimisation par simulation à événements discrets 5. Statistiques : (calculer x(t) à certains points réguliers avec une certaine fréquence) 6. Fin simulation (calcul des mesures de sortie) : la moyenne de la variable d’état l’énergie totale consommée pour appliquer le contrôle etc. Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

19 2.2 – Exemples de Simulation événementielle
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.2 – Exemples de Simulation événementielle Integrateur stochastique à commutation à deux états non-contrôlé Nous observons le caractère aléatoire du système dans un temps de simulation assez court Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

20 2.2 – Exemples de Simulation événementielle
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.2 – Exemples de Simulation événementielle Integrateur à commutation à deux états contrôlé Plusieurs simulations sont necessaires sur des longs temps de simulation longs Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

21 2.3 – Optimisation d’un critère quadratique par simulation
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.3 – Optimisation d’un critère quadratique par simulation Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

22 2.3 – Optimisation d’un critère quadratique par simulation
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.3 – Optimisation d’un critère quadratique par simulation Intégrateur à commutation à quatre états 1 point = une paire de paramètres Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

23 2.3 – Optimisation d’un critère quadratique par simulation
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 2.3 – Optimisation d’un critère quadratique par simulation Complexité de l’algorithme : Longueur de la simulation Tf Le nombre de simulations Nr Le nombres de modes du système N La durée du calcul Tc = ? Tc par rapport à Tf Tf 10 50 100 1000 5000 Tc 0.45[sec] 0.54[sec] 0.63[sec] 2.57[sec] 15.22[sec] dst = 1 N=2 Nr = 100 Tc par rapport à Nr Nrepl 100 1000 5000 10000 50000 Tc 2.57[sec] 22.18[sec] 1.82[min] 3.61[min] 19.4[min] N=2 Tf=1000 Tc par rapport à N N 5 10 15 20 30 Tc 1.61[min] 2.7[min] 3.66[min] 4.66[min] 6.68[min] Tf=1000, Nr=1000 Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

24 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Energies Moments d’ordre 2 de la variable d’état Probabilités de scénarios Temps de sortie Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

25 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Energies Moments d’ordre 2 de la variable d’état Probabilités de sortie Temps de sortie Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

26 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Critère quadratique de minimisation : La minimisation globale de l’énergie du système repose sur la minimisation de l’énergie sur chaque période de redémarrage ? Moment d’ordre 2 de la variable d’état Energie consommée pour appliquer le contrôle ? ? Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

27 3 – Comportement périodique
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 – Comportement périodique T T Points de redémarrage T T La commande va forcer le système de retourner en XH ou en XL Problème : x(t) est un processus qui redémarre périodiquement en XH et XL T = période de redémarrage T = Tsans_controle + Tcontrôle ? ? ? Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

28 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Scénarios d’évolution du système à partir de XH et XL i = numéro de scénario (i = 1,...4) j = numéro de mode (j = 1,...N) Energie totale consommée dans un mode Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

29 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Energies Esperances d’énergies de contrôle: Puissance de contrôle pour un état: Puissance totale pour un état : ? Puissance totale pour N états Critère quadratique de minimisation : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

30 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Comment calculer : les probabilités de chaque scénario : les périodes de redémarrage : T =Tsans_contrôle + Tcontrôle ? les temps sans contrôle : les temps de contrôle : le moment d’ordre 2 : l’énergie de contrôle : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

31 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Simulation événementielle en temps continu Modèle analytique d’énergie Energies Moments d’ordre 2 de la variable d’état Probabilités de sortie Temps de sortie Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

32 3.1 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.1 - Modèle analytique d’énergie Energie de contrôle ? Moment d’ordre 2 de la variable d’état = ? [Pattipati et all,1995] – études de performabilité sur des systèmes de production Générateur R = matrice des taux de variation de signe different! Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

33 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Simulation événementielle en temps continu Modèle analytique d’énergie Energies Moments de performabilité Probabilités de scénarios Temps de sortie Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

34 3.2 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.2 - Modèle analytique d’énergie Probabilités de scénarios = probabilité d’arriver à Xmax en partant de XH dans le mode j = probabilité que le système démarre en XH probabilité que le système démarre en XH avec la probabilité pHj Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

35 3.2 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.2 - Modèle analytique d’énergie Probabilités de scénarios Observation Pour la suite, notons : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

36 3.2 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.2 - Modèle analytique d’énergie Probabilités de scénarios [Gardiner,2004] A partir des équations Kolmogorov – arrière sans termes de diffusion avec des commutations et … Vecteur de probabilités de sortie vers Xmax … des conditions sur les frontieres Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

37 3.2 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.2 - Modèle analytique d’énergie Probabilités de scénarios Conditions aux limites : Idem pour le vecteur de probabilités de sortie vers Xmin Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

38 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Comment calculer : les probabilités de chaque scénario : les périodes de redémarrage : T =Tsans_contrôle + Tcontrôle ? les temps sans contrôle: les temps de contrôle : le moment d’ordre 2 : l’énergie de contrôle : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

39 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Energies Moments de performabilité Probabilités de sortie Temps sans contrôle Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

40 3.3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.3 - Modèle analytique d’énergie Temps de sortie de la zone de contrôle Suite à l’analyse des équations des probabilités de sortie Obtenu précedement Vecteur de fonctions (temps - probabilité de sortie) Conditions aux limites : Idem pour la sortie vers Xmin Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

41 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Energies Moments de performabilité Probabilités de sortie Temps de sortie Temps de contrôle Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

42 3.4 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3.4 - Modèle analytique d’énergie Temps de contrôle Vecteur initial de probabilités de sortie de la zone de contrôle supérieur Matrice des taux de transition avec contrôle (même signe) Vecteur de temps de contrôle supérieur Condition finale : Idem pour le temps de contrôle inférieur Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

43 3 - Modèle analytique d’énergie
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 3 - Modèle analytique d’énergie Comment calculer : les probabilités de chaque scénario : les périodes de redémarrage : T =Tsans_contrôle + Tcontrôle ? les temps sans contrôle: les temps de contrôle : le moment d’ordre 2 : l’énergie de contrôle : coût quadratique : Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

44 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

45 4.1 - Résultats Moments d’ordre 2 ISC à deux états non - contrôlé :
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4.1 - Résultats Moments d’ordre 2 ISC à deux états non - contrôlé : ISC à deux états avec CBE Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

46 4.2 - Résultats Probabilités de scénarios : Temps sans contrôle :
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4.2 - Résultats Probabilités de scénarios : Temps sans contrôle : Probabilités Analytique Simulation Erreurs[%] 0.8556 0.8550 0.0678 0.1144 0.1150 0.5217 0.6586 0.6574 0.1670 0.3414 0.3426 0.3503 0.4405 0.4393 0.2724 0.5595 0.5607 0.2140 0.2170 0.2181 0.5044 0.7830 0.7819 0.1405 Probabilités Analytique Simulation Erreurs[%] 0.1278 0.1276 0.1565 0.1973 0.1974 0.0507 0.0486 0.0482 0.8299 0.1792 0.179 0.0116 0.2337 0.2344 0.2986 0.1335 0.2829 0.2824 0.1771 0.2463 0.2457 0.2436 Erreurs < 0.52% Erreurs < 0.82% Temps totaux de contrôle : Temps de contrôle Analytique Simulation Erreurs[%] 0.0819 0.0828 1.08 0.1409 0.1425 1.12 Erreurs < 1.12% Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

47 4 - Résultats Coût quadratique total : Difficultés numériques !
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4 - Résultats Coût quadratique total : Nr r r2 λ λ21 [Xmin,Xmax] [XL,XH] QH1 QH2 QL1 QL2 Simulation Analytique Erreurs[%] 1 [-10,10] [-5,5] 1.08 107.59 107.71 0.11 2 [-20,20] 1.12 239.62 240.59 0.4 Difficultés numériques ! Zones de contrôle plus grandes Temps de sortie Temps de contrôle Analytique Simulation Erreurs[%] 2948 2931.7 0.55 4398 4392.3 0.12 Analytique Simulation Erreurs[%] 139.7 216.0 35.34 304.6 202.87 33.4 Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

48 Plan Intégrateur stochastique à commutations
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Plan Intégrateur stochastique à commutations Optimisation par simulation à événements discrets Modèle analytique d’énergie Résultats Conclusions et perspectives Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

49 Analyse de SSC avec les Chaînes de Markov en temps continu
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Conclusion Contributions : Analyse de SSC avec les Chaînes de Markov en temps continu Application du CBE pour un ISC – N modes Simulation événementielle en temps continu – benchmark pour des modèles analytiques Construction du modèle probabiliste d’énergie en utilisant les Moments de performabilité Probabilités de sortie Temps de sortie Temps de contrôle Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

50 Généralisation de l’approche analytique pour des SSC plus complexes
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Conclusion Perspectives: Méthode d’approximation de calcul pour les probabilités et les temps de sortie/contrôle (afin d’éviter les problèmes numériques) Algorithme d’optimisation des paramètres de la commande en vue de la minimisation du critère quadratique Généralisation de l’approche analytique pour des SSC plus complexes Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

51 Je vous remercie pour votre attention !
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion Je vous remercie pour votre attention ! Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

52 Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion
Bibliographie [Liberzon, Morse, 1999] D. Liberzon et A.S. Morse, “Basic Problems in Stability and Design of Switched Systems”, IEEE Control Systems Magazine, Oct 1999. [Suri, R, Fu, 1991] On using continuous flow lines for permanence Estimation of discrete production lines, Proc. Of 1991 Winter Simulation Conference,NJ, [Pattipati et all, 1995] Performability studies of automated manufacturing systems with multiple part types, IEEE Transactions On Robotics and Automation, [Gardiner,2004] : Gardiner, C, Handbook of stochastic methods for physics, chemistry and the natural sciences, Springer Berlin Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

53 Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion
Annexes Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

54 4 - Résultats Erreurs < 0.02%
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4 - Résultats Intégrateur stochastique à commutation à deux états : Energies de contrôle : Energies Analytique Simulation Erreurs[%] 5.1278 5.1280 0.005 0.0001 0.0002 0.1792 0.179 0.0116 0.02 Erreurs < 0.02% Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

55 4.2 - Résultats Erreurs < 0.52%
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4.2 - Résultats Probabilités de sortie de la zone de contrôle : Probabilités Analytique Simulation Erreurs[%] 0.8556 0.8550 0.0678 0.1144 0.1150 0.5217 0.6586 0.6574 0.1670 0.3414 0.3426 0.3503 0.4405 0.4393 0.2724 0.5595 0.5607 0.2140 0.2170 0.2181 0.5044 0.7830 0.7819 0.1405 Erreurs < 0.52% Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC

56 4.3 - Résultats Erreurs < 0.82%
Intégrateur stochastique Simulation Modèle analytique Résultats Conclusion 4.3 - Résultats Temps de sortie de la zone de contrôle : Probabilités Analytique Simulation Erreurs[%] 0.1278 0.1276 0.1565 0.1973 0.1974 0.0507 0.0486 0.0482 0.8299 0.1792 0.179 0.0116 0.2337 0.2344 0.2986 0.1335 0.2829 0.2824 0.1771 0.2463 0.2457 0.2436 Erreurs < 0.82% Simona MIHAITA | Approche probabiliste pour la commande orientée événement des SSC