15h15-15h45 : Gourmandises spatio-temporelles pour la modélisation des inondations, par Antoine Rousseau (Inria)

Dans cet exposé, on discutera de l’utilisation d’équations différentielles - et des modèles numériques sous-jacents - appliqués à la modélisation des inondations. Conçus aux 19ème siècle, ces modèles en eau « peu profonde » sont toujours utilisés aujourd’hui pour simuler l’écoulement d'un fleuve, la propagation d’un tsunami ou encore les risques liés au ruissellement et aux inondations. Afin d’être intégrées à des logiciels de simulations, les équations d’origine sont traduites en algorithmes qui font intervenir une précision spatiale et temporelle qui définissent à la fois la qualité de la simulation, mais aussi son coût (en terme de complexité, mais aussi de ressources pour les processeurs des ordinateurs). On verra alors comment le principe de sobriété peut s’appliquer à ces recherches, de façon à limiter l’empreinte environnementale des algorithmes de calcul.

16h30-17h00 : De l’eau et des grains : les avalanches en équations, par Guillaume Chambon (INRAE)

Dans cet exposé, nous montrerons comment la modélisation mathématique et numérique devient aujourd’hui un outil indispensable dans l’étude des mouvements gravitaires rapides en montagne (avalanches, coulées de boue, …). La capacité à simuler toujours plus précisément ces phénomènes géophysiques permet d’améliorer la prévision et l’évaluation des risques, d’étudier l’efficacité de solutions de protection, ou encore d’anticiper les évolutions attendues dans le contexte de changement climatique. Les modélisations peuvent également être exploitées pour enrichir la connaissance de certains processus physiques encore mal compris. Selon les objectifs visés, chercheurs et ingénieurs mobilisent des outils de différentes complexités : modèles 3D, modèles intégrés dans l’épaisseur, modèles de bloc glissant, etc. Néanmoins, dans tous les cas, les sources d’incertitude demeurent nombreuses, liées à la fois aux hypothèses de modélisation et à la méconnaissance de certains paramètres. La prise en compte de ces incertitudes passe par la mise en œuvre de méthodes statistiques appropriées pour calibrer les modèles et analyser la sensibilité des résultats.