Approche stochastique du problème du pouvoir prédictif dans la modélisation du champ moyen
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Dedes Nonell, Irene
Date de soutenance : 06-10-2017

Directeur(s) de thèse : Dudek, Jerzy

Établissement de soutenance : Strasbourg
Laboratoire : Institut pluridisciplinaire Hubert Curien (Strasbourg ; 2006-....)
École doctorale : École doctorale Physique et chimie-physique (Strasbourg ; 1994-....)
 
Discipline : Physique
Classification : Physique

Mots-clés libres : Structure nucléaire, Théorie du champ-moyen nucléaire, Énergies single particule, Problème inverse, Incertitudes stochastiques des prédictions de modélisation
Mots-clés :
  • Structure nucléaire
  • Processus stochastiques
  • Champs, Théorie des (physique)
  • Modèles mathématiques
Résumé : Les résultats de notre étude des capacités de modélisation théorique axées sur les approches phénoménologiques nucléaires dans le cadre de la théorie du champ-moyen sont présentés. On s’attend à ce qu’une théorie réaliste soit capable de prédire de manière satisfaisante les résultats des expériences à venir, c’est-à-dire avoir ce qu’on appelle un bon pouvoir prédictif. Pour étudier le pouvoir prédictif d’un modèle théorique, nous avons dû tenir compte non seulement des erreurs des données expérimentales, mais aussi des incertitudes issues des approximations du formalisme théorique et de l’existence de corrélations paramétriques. L’une des techniques centrales dans l’ajustement des paramètres est la solution de ce qu’on appelle le Problème Inverse. Les corrélations paramétriques induisent généralement un problème inverse mal-posé; elles doivent être étudiées et le modèle doit être régularisé. Nous avons testé deux types de hamiltoniens phénoménologiques réalistes montrant comment éliminer théoriquement et en pratique les corrélations paramétriques.Nous calculons les intervalles de confiance de niveau, les distributions d’incertitude des prédictions des modèles et nous avons montré comment améliorer les capacités de prédiction et la stabilité de la théorie.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2017STRAE017
Type de ressource : Thèse