DES FONCTIONNALITÉS OPTIMISÉES
- pour l’analyse de données, OpenTURNS fournit différents outils statistiques permettant de gérer un échantillon, d’estimer les paramètres d’un modèle probabiliste, de quantifier la dépendance, d’estimer les paramètres d’un processus stochastique et de visualiser les données.
- pour la quantification, OpenTURNS permet de définir le vecteur aléatoire en entrée du code de calcul. Ce vecteur aléatoire peut être modélisé par l’association de lois marginales et de copules. Ce mécanisme permet des manipulations complexes des lois de probabilités multivariées. Lorsqu’un échantillon d’observations est disponible, la librairie met à disposition des fonctionnalités de traitements statistiques, dont des tests d’ajustement paramétriques et non paramétriques (histogramme ou lissage à noyau). L’estimation des paramètres d’une loi peut être menée sur un échantillon et la librairie permet d’obtenir la loi des paramètres.
- des processus stochastiques peuvent être définis, par leur modèle de covariance, par leur décomposition spectrale ou par décomposition de Karhunen-Loève.
- pour la propagation, OpenTURNS propose des méthodes de calculs analytiques dès que possible pour la détermination de la loi de probabilité de la variable d’intérêt, basées sur la manipulation des fonctions caractéristiques. La librairie fournit plusieurs méthodes de simulation pour l’estimation de la tendance centrale ou la probabilité de dépassement de seuil, grâce à différents types de plans d’expériences ainsi que des algorithmes itératifs permettant de minimiser le nombre d’appels au code. Pour la fiabilité, la librairie fournit les méthodes FORM et SORM généralisées aux copules elliptiques.
- pour la hiérarchisation, OpenTURNS évalue des facteurs d’importance et de sensibilité adaptés aux méthodes de propagation sélectionnées, en particulier les indices de Sobol’. La librairie permet d’estimer les indices de sensibilité par échantillonnage ou par des algorithmes itératifs.
- pour le calage, OpenTURNS permet d’estimer les paramètres d’un modèle permettant de rapprocher les observations et les prédictions du modèle. Le calage peut être mené par moindres carrés ou par des méthodes bayésiennes. Le calage bayésien peut être mené en toute généralité par MCMC ou bien dans un cadre plus simple avec un a priori Gaussien. Dans tous les cas, la loi des paramètres du calage est déterminée par des méthodes exactes ou approchées.
- pour les modèles coûteux, OpenTURNS peut créer des métamodèles. La librairie permet de créer des métamodèles et surfaces de réponses, et en particulier des modèles de régression simple, des polynômes de chaos et des modèles de régression par processus Gaussiens ou krigeage.
- Tout code de calcul, fonction Python ou symbolique peut être l’objet d’une étude, grâce aux différents mécanismes de connexion disponibles pour définir une fonction. Lorsque le code est évaluable par échanges de fichiers, la librairie facilite la connexion pour piloter le code de calcul. Lorsque c’est possible, le calcul peut être paralléliser de manière locale ou distribuée.