Représenter l’incertitude dans une simulation
- Un résultat de simulation sans intervalle de confiance n'est qu'un scénario parmi d'autres
- Monte-Carlo reste la méthode de référence pour propager l'incertitude des entrées vers les sorties
- Les approches par ensembles permettent de couvrir l'incertitude du modèle lui-même
- Le choix de la représentation détermine ce que le décideur peut lire et comparer
Un modèle thermique d’un bâtiment annonce une consommation de 47 kWh/m²/an. Le maître d’ouvrage retient ce chiffre, dimensionne les équipements, signe les engagements de performance. Deux ans plus tard, la consommation réelle oscille entre 55 et 72 kWh/m²/an. Le modèle n’avait pas tort sur la physique ; il avait simplement tu ce qu’il ne savait pas. Derrière chaque paramètre d’entrée — conductivité réelle des parois, comportement des occupants, météo de l’année — se cachait une plage de valeurs plausibles. La simulation n’en avait retenu qu’une. Représenter l’incertitude dans une simulation n’est pas un raffinement académique ; c’est la condition pour que le résultat serve à décider.
Ce que signifie « incertain » dans un modèle
L’incertitude d’une simulation a deux origines distinctes, et les confondre mène à de mauvais choix de méthode.
La première est l’incertitude sur les entrées. Les données qui alimentent le modèle sont mesurées, estimées ou supposées. Une résistance thermique mesurée sur un échantillon ne vaut pas pour tout le mur. Un débit de patients estimé à partir d’une année peut varier la suivante. Cette incertitude, dite aléatoire quand elle vient de la variabilité naturelle du phénomène, ne disparaît pas avec davantage de calculs : on peut la mesurer, pas l’éliminer.
La seconde est l’incertitude du modèle lui-même. Toute simulation repose sur des simplifications : un écoulement turbulent réduit à un modèle moyen, un comportement humain résumé par un profil type, un matériau supposé homogène. Cette incertitude, dite épistémique, peut en théorie être réduite : un modèle plus fin, des données de calage, une validation expérimentale. En pratique, elle reste toujours présente, et souvent dominante pour les systèmes complexes.
Un résultat de simulation accompagné d’un intervalle de confiance n’est pas un résultat « moins sûr ». C’est un résultat qui dit la vérité sur ce que le calcul peut et ne peut pas affirmer.
Propager l’incertitude des entrées : Monte-Carlo
La méthode de Monte-Carlo reste, après des décennies d’usage, la référence pour répondre à la question : si mes entrées varient dans les plages que j’estime réalistes, dans quelle plage varie la sortie ?
Le principe est simple. On attribue à chaque paramètre incertain une distribution de probabilité — uniforme si l’on sait seulement qu’il est compris entre deux bornes, normale si l’on dispose d’une moyenne et d’un écart-type, triangulaire si l’on a un minimum, un maximum et une valeur la plus probable. On tire au hasard un jeu de paramètres, on lance la simulation, on enregistre le résultat. On recommence plusieurs centaines ou milliers de fois. L’ensemble des résultats forme une distribution de sorties : une courbe qui montre les résultats les plus probables, les extrêmes, les percentiles.
Le coût est celui des tirages. Pour une simulation rapide — un tableur, un modèle simplifié —, dix mille tirages prennent quelques secondes. Pour une simulation lourde — éléments finis, mécanique des fluides —, chaque tirage peut prendre des heures. C’est la limite pratique de la méthode, et c’est elle qui a motivé le développement d’alternatives.
Réduire le nombre de tirages : les plans d’expériences numériques
Quand chaque simulation coûte cher, on cherche à extraire le maximum d’information d’un minimum de calculs. Les plans d’expériences numériques — hypercube latin, séquences de Sobol, Halton — répartissent les tirages de manière à couvrir l’espace des paramètres plus efficacement qu’un tirage purement aléatoire. Avec quelques centaines de calculs bien placés, on obtient une couverture comparable à celle de plusieurs milliers de tirages aléatoires.
Une étape plus loin, les métamodèles (ou surfaces de réponse) construisent une approximation rapide de la simulation à partir d’un petit nombre de calculs complets. Un krigeage, un polynôme de chaos, un réseau de neurones entraîné sur les résultats disponibles peut ensuite remplacer le modèle lourd pour les tirages de Monte-Carlo. L’approximation introduit sa propre incertitude, qu’il faut mesurer et inclure dans le résultat final — faute de quoi on remplace une incertitude physique par une incertitude numérique invisible.
Couvrir l’incertitude du modèle : les approches par ensembles
Monte-Carlo, même avec un métamodèle, ne traite que la variabilité des entrées dans un modèle donné. Pour le modèle lui-même, la question est différente : et si le modèle était construit autrement ?
Les approches par ensembles répondent en faisant tourner plusieurs modèles du même phénomène — ou plusieurs configurations du même modèle — et en comparant leurs résultats. La prévision météorologique utilise cette méthode depuis les années 1990 : un ensemble de 50 prévisions légèrement perturbées donne une idée de la fiabilité de la prévision. Si les 50 convergent, la confiance est élevée. Si elles divergent, le prévisionniste sait qu’il doit être prudent.
Dans l’ingénierie, l’approche est plus récente et moins systématique. Un bureau d’études peut comparer deux logiciels, ou deux niveaux de discrétisation, ou deux jeux d’hypothèses de calage. Le résultat n’est pas un intervalle statistique au sens strict — on n’a pas de distribution de probabilité des modèles —, mais une enveloppe qui montre la sensibilité de la conclusion au choix de modélisation. C’est souvent l’information la plus utile pour le décideur.
Présenter l’incertitude au décideur
Le choix de la représentation détermine ce que le décideur peut comprendre et comparer. Trois formats ont fait leurs preuves dans les contextes où la simulation éclaire une décision d’investissement, de dimensionnement ou de conformité.
| Format | Ce qu’il montre | Adapté à |
|---|---|---|
| Intervalle de confiance (ex. : « entre 45 et 68 kWh/m²/an à 90 % ») | La plage dans laquelle le résultat a de bonnes chances de tomber | Un indicateur unique, une valeur contractuelle |
| Distribution (histogramme ou densité) | La forme de l’incertitude : symétrique ou non, queue longue ou non | Un choix entre variantes, une analyse de risque |
| Carte de sensibilité (indices de Sobol, tornado) | Quels paramètres contribuent le plus à l’incertitude du résultat | Savoir où concentrer l’effort de mesure ou de réduction du risque |
Un piège fréquent est de présenter l’intervalle sans dire ce qu’il couvre. « ±10 % » ne signifie rien sans préciser s’il s’agit d’un écart-type, d’un intervalle à 95 %, ou de l’étendue min-max. Le décideur a besoin de savoir quelle fraction des scénarios tombe dans l’intervalle annoncé, et ce qui se passe en dehors.
Analyse de sensibilité : savoir où agir
L’analyse de sensibilité complète l’analyse d’incertitude. L’une dit « le résultat pourrait varier de tant » ; l’autre dit « c’est à cause de tel paramètre ». Les indices de Sobol, issus de la décomposition de la variance, attribuent à chaque paramètre sa contribution à la variabilité du résultat, y compris les effets croisés entre paramètres.
L’intérêt pratique est direct. Si 80 % de l’incertitude vient de la conductivité thermique d’un seul matériau, c’est sur ce matériau qu’il faut investir en mesure ou en contrôle de qualité. Si elle vient du scénario d’occupation, c’est le cahier des charges fonctionnel qu’il faut resserrer. L’analyse de sensibilité transforme un problème d’incertitude globale en un problème de décision ciblée.
Ce qui freine l’adoption
Si les méthodes existent depuis longtemps, leur usage reste limité dans la plupart des secteurs industriels et des administrations. Trois freins reviennent dans la littérature et dans les retours de praticiens.
Le coût de calcul d’abord. Une étude d’incertitude par Monte-Carlo multiplie le temps de simulation par un facteur 100 à 10 000. Les métamodèles réduisent ce coût, mais leur construction et leur validation demandent un savoir-faire qui n’est pas toujours disponible dans l’équipe projet.
La difficulté de caractériser les entrées ensuite. Attribuer une distribution à un paramètre suppose de connaître sa variabilité. Pour un matériau bien documenté, c’est faisable. Pour un comportement humain, un scénario économique ou une donnée d’exploitation, c’est souvent un exercice de jugement plus que de mesure.
La culture de la décision enfin. Un décideur habitué à recevoir un chiffre unique peut percevoir un intervalle comme un aveu de faiblesse du bureau d’études, et non comme un progrès d’honnêteté. Former les commanditaires à lire un résultat probabiliste fait partie du travail.
Implications pour les jumeaux numériques
Un jumeau numérique qui tourne en continu amplifie le problème : les entrées changent en temps réel (capteurs, conditions d’exploitation), et le modèle accumule des écarts avec le système réel. Sans quantification d’incertitude, le jumeau peut dériver sans que personne ne le sache — jusqu’à ce qu’une décision fondée sur ses prédictions s’avère fausse.
Les jumeaux les plus matures intègrent un recalage périodique (assimilation de données) et un suivi de l’écart modèle/réel. Quand cet écart dépasse un seuil, le système signale que ses prédictions ne sont plus fiables. C’est l’équivalent, pour un instrument de mesure, de la vérification métrologique : un modèle non vérifié ne doit pas servir à décider.
Notre expertise en jumeaux numériques inclut la conception de ces boucles de vérification. Pour une vue d’ensemble de la valeur économique de ces outils, voir notre article sur les méthodes d’évaluation des jumeaux numériques.
- ISO/IEC Guide 98-3, Guide pour l’expression de l’incertitude de mesure (GUM), 2008.
- Saltelli A. et al., Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models, Wiley, 2004.
- ASME V&V 20, Standard for Verification and Validation in Computational Fluid Dynamics and Heat Transfer, 2009.
- National Research Council, Assessing the Reliability of Complex Models: Mathematical and Statistical Foundations of Verification, Validation, and Uncertainty Quantification, 2012.
- ECMWF, documentation sur les prévisions par ensembles.
Questions fréquentes
Pourquoi un résultat de simulation unique est-il trompeur ?
Parce que les données d'entrée sont rarement connues avec précision. Une variation même faible d'un paramètre peut modifier sensiblement le résultat. Afficher un seul chiffre masque cette sensibilité et donne au décideur une confiance injustifiée.
Qu'est-ce qu'une simulation de Monte-Carlo ?
C'est une méthode qui fait tourner la simulation un grand nombre de fois en tirant au hasard les paramètres incertains selon leurs distributions estimées. Le résultat est une distribution de sorties, pas un chiffre unique, ce qui rend visible l'étendue des résultats possibles.
Faut-il quantifier l'incertitude dans tous les projets de simulation ?
Pour un calcul exploratoire rapide, un ordre de grandeur suffit parfois. Mais dès qu'une simulation sert à prendre une décision — investir, dimensionner, certifier —, ignorer l'incertitude revient à décider à l'aveugle sur le paramètre le plus sensible.
Quelle différence entre incertitude aléatoire et incertitude épistémique ?
L'incertitude aléatoire vient de la variabilité naturelle d'un phénomène : on peut la mesurer, pas la réduire. L'incertitude épistémique vient d'un manque de connaissance : on peut la réduire en collectant des données ou en améliorant le modèle. Les traiter de la même façon conduit à sous-estimer ou surestimer les marges.