, Pour cela, nous avons proposé d'utiliser l'interpolation par krigeage associée à une formulation originale du problème d'interpolation. L'interpolation par krigeage étant basée sur une hypothèse de processus gaussien, il est possible de propager l'incertitude associée à l'interpolation dans le calcul couplé fluide-structure. L'application traitée a permis de mettre en évidence que le niveau d'incertitude pouvait être relativement élevé mais, Le but de cette étude était de quantifier l'incertitude introduite par interpolation dans un calcul couplé fluide-structure partitionné

. Ainsi and . Dans-un-cas-classique-d, interpolation entre maillages, où les informations sur la régularité des fonctions à interpoler ne sont pas connues (champs de pression au niveau d'un choc), il semblerait plus prudent de considérer les noyaux conduisant à la plus grande dispersion

, En effet, même si celle-ci est classiquement utilisée pour obtenir des résultats de référence, son coût de calcul est limitant et permet difficilement d'envisager l'application de la méthode proposée sur des solveurs fluide et structure de niveau de fidélité plus important. Pour cela, une des perspectives de ce travail est d'obtenir une représentation fonctionnelle de la réponse aléatoire par une approche de type chaos polynomial. Bien que cette approche ait été appliquée aux cas des calculs couplés, pour la propagation d'incertitude n'est pas optimale

. Références,

G. R. , Saaris A5021 User's Manual-PANAIR Technology Program for Solving Problems of Potential Flow about Arbitrary Configurations, 1992.

A. De-boer, A. H. Van-zuijlen, and H. Bijl, Review of coupling methods for non matching meshes, Computer methods in applied mechanics and engineering, pp.1515-1525, 2007.

T. C. Rendall and C. B. Allen, Unified fluid-strcuture interpolation and mesh motion using radial basis functions, International Journal for Numerical Methods in Engineering, pp.1519-1559, 2007.

M. Lombardi, N. Parolini, and A. Quarteroni, Radial basis functions for inter-grid interpolation and mesh motion in FSI problems, Computer methods in applied mechanics and engineering, pp.117-131, 2013.

D. G. Krige, A Statistical Approach to Some Mine Evaluations and Allied Problems at Witwatersrand, Master's thesis, 1951.

C. E. Rasmussen and C. K. Williams, Gaussian Processes for Machine Learning, 2006.

A. Forrester, A. Sobester, and A. Keane, Engineering Design Via Surrogate Modeling : A Practical Guide, 2008.

J. Lee and J. H. Kwon, On the Use of Kriging in the Interpolation of Fluid-Structure Interaction Analysis, Japan Society of Computational Fluid Dynamics, pp.294-299, 2008.

M. J. Patil and D. H. Hodges, On the importance of aerodynamics and structural geometrical nonlinearities in aeroelastic behavior of high-aspect-ratio wings, Journal of Fluids and Structure, pp.905-915, 2004.

M. Arnst, R. Ghanem, E. Phipps, and J. , Red-Horse. Dimension reduction in stochastic modeling of coupled problems, International journal for numerical methods in engineering, pp.940-968, 2012.

J. Katz and A. Plotkin, Low-Speed Aerodynamics, 2001.

S. Dubreuil, N. Bartoli, C. Gogu, and T. Lefebvre, Propagation of Modeling uncertainty by Polynomial Chaos Expansion in Muldisciplinary Analysis, Journal of Mechanical Design, pp.111411-111422, 2016.