Soutenance de thèse de Robin Marcille

Résumé : Les opérations de maintenance de l’éolien en mer sont sensibles aux incertitudes des prévision météo-océaniques. Les modèles de prévision numérique sont limités par leur coût de calcul pour l’estimation des incertitudes, ce qui pousse au développement de méthodes basées sur l’apprentissage profond. L’importance des mesures in-situ en mer est mis en exergue par les résultats de cette thèse. Une méthode basée sur le clustering non supervisé de données de modèle numérique est proposée pour la définition d’un réseau de capteurs optimal pour la reconstruction de la ressource en vent. Des méthodes d’apprentissage profond sont proposées pour la prévision météoocéaniques probabiliste. Nous montrons leur intérêt pour assimiler un grand nombre de données d’entrée. Une hypothèse de postérieur Gaussien et une approche générative utilisant les flots normalisants sont comparées. Ceux-ci permettent de relâcher les hypothèses sur la distribution postérieure, maintenant une capacité d’échantillonage et de calcul exact de la vraisemblance. Un cas d’étude réaliste est construit sur une zone représentative pour l’éolien en mer en France. Pour la prévision jointe du vent et des vagues, les propriétés non-Gaussiennes des flots normalisants se sont montrées bénéfiques à la calibration de la prévision. Un cadre d’évaluation représentatif des opérations en mer est proposé incluant la génération de scénarios et mesurant l’impact économique et le risque lié à la prise de décision. Nous montrons qu’il est crucial de prendre en compte le risque dans la séléction et l’évaluation des modèles de prévision.