Chapitre III
Tsunamis et leur simulation à l’aide du logiciel VOLNA
31
Figure 21: Évolution d’û en un wave-gage au cours du temps (Denys et al 2011).
L’inconvénient de VOLNA est qu’une simulation nécessite beaucoup de temps, de l’ordre de1h,
1h30. On souhaite donc obtenir le maximum d’information avec un nombre fixé de points
calculés. On a donc utilisé la méthode LHS (Latin HypercubeSampling) pour déterminer les 5
paramètres physiques (coordonnées d’un point X) de chaque situation qui sera simulée. Cette
méthode permet de positionner dans l’espace un nombre fixé de points, de façon à maximiser un
certain critère, ici leur distance réciproque. Ceci permet une bonne occupation de l’espace, dite
"space-filling". De plus, Fricker et Urban ont montré dans leur article que la méthode Latin
Hypercube Sampling est plus efficace pour obtenir des points éparpillés dans l’espace que
choisir des points aléatoires.
Suivant l’ensemble de points généré par la méthode LHS, ils ont lancé VOLNA sur cet ensemble
de simulations. Les simulations effectuées permettre d’étudier le run-up et les paramètres
physiques qui le déterminent.
Nature des données
Avant de s’intéresser précisément aux simulations (x i , y i , i= 1...200) données par VOLNA, il
essaie d’avoir des informations globales sur le problème. Il a donc réalisé un scatterplot, qui
représente chaque x i en fonction de x j , i ≠ j, 1≤ i, j ≤ 5, et colore les points obtenus selon
lavaleur de l’amplification du run-up correspondante (bleu pour un run-up faible et rouge pour
un run-up élevé). Ils sont seulement sélectionnés ici 2 graphiques parmi les 10 obtenus pour
avoir une meilleure visibilité.
Tsunamis et leur simulation à l’aide du logiciel VOLNA
31
Figure 21: Évolution d’û en un wave-gage au cours du temps (Denys et al 2011).
L’inconvénient de VOLNA est qu’une simulation nécessite beaucoup de temps, de l’ordre de1h,
1h30. On souhaite donc obtenir le maximum d’information avec un nombre fixé de points
calculés. On a donc utilisé la méthode LHS (Latin HypercubeSampling) pour déterminer les 5
paramètres physiques (coordonnées d’un point X) de chaque situation qui sera simulée. Cette
méthode permet de positionner dans l’espace un nombre fixé de points, de façon à maximiser un
certain critère, ici leur distance réciproque. Ceci permet une bonne occupation de l’espace, dite
"space-filling". De plus, Fricker et Urban ont montré dans leur article que la méthode Latin
Hypercube Sampling est plus efficace pour obtenir des points éparpillés dans l’espace que
choisir des points aléatoires.
Suivant l’ensemble de points généré par la méthode LHS, ils ont lancé VOLNA sur cet ensemble
de simulations. Les simulations effectuées permettre d’étudier le run-up et les paramètres
physiques qui le déterminent.
Nature des données
Avant de s’intéresser précisément aux simulations (x i , y i , i= 1...200) données par VOLNA, il
essaie d’avoir des informations globales sur le problème. Il a donc réalisé un scatterplot, qui
représente chaque x i en fonction de x j , i ≠ j, 1≤ i, j ≤ 5, et colore les points obtenus selon
lavaleur de l’amplification du run-up correspondante (bleu pour un run-up faible et rouge pour
un run-up élevé). Ils sont seulement sélectionnés ici 2 graphiques parmi les 10 obtenus pour
avoir une meilleure visibilité.