Info-gap robustness assessment of reliability evaluations for the safety of critical industrial systems - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Info-gap robustness assessment of reliability evaluations for the safety of critical industrial systems

Analyse info-gap de la robustesse d’évaluations fiabilistes pour la sûreté de systèmes industriels critiques

Résumé

Power generation facilities such as nuclear and hydroelectric power plants are typical examples of complex industrial systems for which high safety standards must be met. These safety assessments generally rely on the use of computer models that simulate the real behavior of the studied system under specific operational conditions. However, this framework represents an idealization of reality as it faces various sources of uncertainty that are commonly separated into aleatory uncertainty (due to natural variability of physical phenomena) and epistemic uncertainty (due to lack of knowledge). As a consequence, uncertainty quantification in computer models gained much consideration over the past decades in order to evaluate the reliability of a system. In particular, techniques considering the propagation of aleatory uncertainty enable to evaluate risk-oriented quantities of interest such as low failure probabilities or high-order quantiles on which safety-related decisions are justified. However, these evaluations incorporate assumptions as, in practice, information is limited especially when considering complex systems and rare events. Therefore, it is crucial to address these assumptions. In this thesis, it is done by considering the info-gap framework in order to evaluate the robustness of reliability estimations to epistemic uncertainty.The info-gap framework quantifies the notion of robustness by evaluating the highest level of epistemic uncertainty for which the system still guarantees an acceptable performance. In this thesis, it is applied to two real industrial cases, namely the reliability assessment of penstocks and the risk assessment of a nuclear accident related to a loss-of-coolant scenario. First, the methodological and numerical frameworks associated to the application of info-gap to reliability assessments are described. The context of hybrid reliability analysis is addressed. In particular, the use of random set theory enables to evaluate the impact of different uncertainty representations on the robustness evaluation. Secondly, dedicated numerical methodologies, such as a sequential line sampling technique and artificial neural networks, are proposed in order to efficiently apply the info-gap framework to both industrial cases. The proposed solutions bring insights on the compatibility of the info-gap framework with reliability estimates in order to take safe decions.
Les systèmes de production d’électricité tels que les centrales nucléaires et hydroélectriques représentent des exemples typiques de systèmes complexes pour lesquels un haut niveau de sûreté est attendu. Ces évaluations de sûreté impliquent généralement l’utilisation de modèles numériques permettant de simuler le comportement du système étudié dans des conditions opérationnelles particulières. Cependant, ce contexte représente une idéalisation de la réalité confrontée à la présence de plusieurs sources d’incertitude généralement divisées en deux catégories : l’incertitude aléatoire (liée à une variabilité naturelle de certains phénomènes) et l’incertitude épistémique (liée à un manque de connaissance). Par conséquent, la quantification des incertitudes à travers les modèles numériques représente un intérêt grandissant dans la communauté scientifique dans le but d’évaluer la fiabilité d’un système. En particulier, des techniques de propagation de l’incertitude aléatoire permettent d’évaluer des quantités fiabilistes telles que des probabilités de défaillance faibles et des quantiles d’ordre élevé sur lesquelles des décisions liées à la sûreté sont justifiées. Cependant, ces évaluations impliquent généralement des hypothèses liées à un manque d’information qui est caractéristique des systèmes complexes et des événements rares. Dans ce contexte, il est impératif de considérer ces hypothèses dans la décision prise. Dans cette thèse, cela est fait en considérant le cadre info-gap permettant d’évaluer la robustesse d’estimations fiabilistes face à l’incertitude épistémique.La méthode info-gap quantifie la notion de robustesse en évaluant le niveau maximal d’incertitude épistémique pour lequel le système garantit toujours une performance acceptable. Dans cette thèse, la méthode est appliquée à deux cas industriels : l’étude de fiabilité des conduites forcées et un scénario nucléaire accidentel lié à une perte de réfrigérant dans le circuit primaire. Dans un premier temps, les cadres méthodologiques et numériques associés à l’application d’info-gap sur des quantités fiabilistes sont présentés. Le contexte de fiabilité hybride est traité. En particulier, l’utilisation de la théorie des random sets permet d’évaluer l’impact de différentes représentations de l’incertitude sur l’évaluation de la robustesse. Dans un second temps, des méthodologies numériques dédiées, telles qu’une adaptation séquentielle du line sampling ou l’utilisation de réseaux de neurones artificiels, sont proposées afin d’appliquer efficacement la méthode info-gap aux deux cas industriels. Les solutions proposées apportent des arguments sur la compatibilité du cadre info-gap avec le cadre fiabiliste dans le but de prendre des décisions sûres.
Fichier principal
Vignette du fichier
these_A_AJENJO_Antoine_2022.pdf (11.2 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04083789 , version 1 (27-04-2023)

Identifiants

  • HAL Id : tel-04083789 , version 1

Citer

Antoine Ajenjo. Info-gap robustness assessment of reliability evaluations for the safety of critical industrial systems. Probability [math.PR]. Université Bourgogne Franche-Comté, 2022. English. ⟨NNT : 2022UBFCD058⟩. ⟨tel-04083789⟩
88 Consultations
33 Téléchargements

Partager

Gmail Facebook X LinkedIn More