**[DocT]** Methodology to elaborate a Data Assimilation or Optimization study
================================================================================
-This section presents the methodology to build a Data Assimilation or
-Optimization study. It describes the conceptual steps to build autonomously such
-a study. It is not dependent of any tool, but the ADAO module allows to set up
+This section presents a generic methodology to build a Data Assimilation or
+Optimization study. It describes the conceptual steps to build autonomously this
+study. It is not dependent of any tool, but the ADAO module allows to set up
efficiently such a study, following :ref:`section_using`. Notations are the same
than the ones used in :ref:`section_theory`.
STEP 1: Specifying the resolution of the physical problem and the parameters to adjust
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-An essential knowledge, about the physical system to be studied, is the
-numerical simulation, often available through calculation case(s) and symbolized
-as a **simulation operator** (previously included in :math:`H`). A standard
+An essential knowledge about the studied physical system is the numerical
+simulation. It is often available through calculation case(s), and symbolized as
+a **simulation operator** (previously included in :math:`H`). A standard
calculation case gathers model hypothesis, numerical implementation, computing
capacities, etc. in order to represent the behavior of the physical system.
-Moreover, a calculation case is characterized by its computing time and memory
-requirements, its data and results sizes, etc. The knowledge of all these
-elements is of primary importance in the setup of the data assimilation or
+Moreover, a calculation case is characterized for example by its computing time
+and memory requirements, its data and results sizes, etc. The knowledge of all
+these elements is of primary importance in the setup of the data assimilation or
optimization study.
-To state correctly the study, one have also to state or choose the unknowns of
-the simulation. For example, this can be expressed through physical models, of
-which the parameters can be adjusted. Moreover, it is always useful to add some
-knowledge of sensitivity, for example of the numerical simulation to the
-parameters that can be adjusted. More general elements, like stability or
-regularity of the simulation with respect to the unknown inputs, are also of
-great interest.
+To state correctly the study, one have also to choose the optimization unknowns
+in the simulation. Frequently, this can be through physical models of which the
+parameters can be adjusted. Moreover, it is always useful to add some knowledge
+of sensitivity, for example of the numerical simulation to the parameters that
+can be adjusted. More general elements, like stability or regularity of the
+simulation with respect to the unknown inputs, are also of great interest.
Technically, optimization methods can require gradient information of the
simulation with respect to unknowns. In this case, explicit gradient code has to
-be given or numerical gradient has to be tuned. Its quality is in relation with
-code stability or regularity, and it has to be checked carefully before
-establishing optimization calculations.
+be given, or numerical gradient has to be tuned. Its quality is in relation with
+the simulation code stability or regularity, and it has to be checked carefully
+before establishing optimization calculations. Specific conditions has to be
+used for these checkings.
An **observation operator** is always required, in complement of the simulation
operator. This observation operator, denoted as :math:`H` or included in, has to
convert the numerical simulation outputs into something that is directly
-comparable to observations. It is as essential operator as it is the way to
-compare simulations and observations. It is usually done by sampling, projection
-or integration, of the numerical outputs, but it can be more complicated. Often,
-because the observation operator follows the simulation one in simple data
-assimilation schemes,
+comparable to observations. It is an essential operator, as it is the practical
+way to compare simulations and observations. It is usually done by sampling,
+projection or integration, of the simulation outputs, but it can be more
+complicated. Often, because the observation operator directly follows the
+simulation one in simple data assimilation schemes, this observation operator
+heavily use the postprocessing and extraction capacities of the simulation code.
.. _section_m_step2:
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Because the studied system are real physical ones, it is of great importance to
-express the **physical information that can help to qualify a simulated state**.
-There are two main types of such information that leads to criteria allowing
-qualification and quantification of future results.
+express the **physical information that can help to qualify a simulated system
+state**. There are two main types of such information that leads to criteria
+allowing qualification and quantification of optimization results.
-First, coming from numerical or mathematical knowledge, a lot of standard
-criteria allow to qualify, relatively or in absolute, the quality of a state.
-For example, balance equations or equation closing conditions are good
-complementary measures of optimized state quality. Criteria like RMS, RMSE,
-field extrema, integrals, etc. are also of great interest to assess optimized
-state quality.
+First, coming from mathematical or numerical knowledge, a lot of standard
+criteria allow to qualify, relatively or in absolute, the interest of an
+optimized state. For example, balance equations or equation closing conditions
+are good complementary measures of system state quality. Well chosen criteria
+like RMS, RMSE, field extrema, integrals, etc. are also of great interest to
+assess optimized state quality.
Second, coming from physical or experimental knowledge, valuable information can
-be obtained on the meaning of optimized states or results. In particular,
-physical validity or technical interest can assess of the mathematical results
-of the optimization.
+be obtained from the meaning of optimized results. In particular, physical
+validity or technical interest can assess of the numerical results of the
+optimization.
In order to get helpful information from these two main types of knowledge, it
is recommended, if possible, to build numerical criteria to ease the assessment
-of physical results quality.
+of global quality of numerical results.
.. _section_m_step3:
As the second main source of knowledge of the physical system to be studied, the
**observations, or measures,** denoted as :math:`\mathbf{y}^o`, has to be
-properly described. The quality of the measures, their intrinsic errors, the
-special features is worth to know, in order to introduce these information in
+properly described. The quality of the measures, their intrinsic errors, their
+special features, are worth to know, in order to introduce these information in
the data assimilation or optimization calculations.
-The observations have not only to be available, but also to be easily introduced
-in the numerical framework of calculation or optimization. So the computing
-environment giving access to the observations is of great importance to smooth
-the effective use of various measures and sources of measures, and to promote
-extensive tests using measures. Computing environment covers availability in
-database or not, data formats, computing interfaces...
+The observations have not only to be available, but also to be efficiently
+introduced in the numerical framework of calculation or optimization. So the
+computing environment giving access to the observations is of great importance
+to smooth the effective use of various measures and sources of measures, and to
+promote extensive tests using measures. Computing environment covers
+availability in database or not, data formats, application interfaces, etc.
.. _section_m_step4:
-STEP 4: Specifying the AD/Optimization modeling elements (covariance, background...)
-++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+STEP 4: Specifying the DA/Optimization modeling elements (covariances, background...)
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
-Additional Data Assimilation and Optimization modeling elements allows to
+Additional Data Assimilation or Optimization modeling elements allows to
improve information about the fine physical representation of the studied
system.
these covariance matrices.
In case of dynamic simulation, one has to define also an **evolution operator**
-and the associated error covariance matrix.
+and the associated **evolution error covariance matrix**.
.. _section_m_step5:
-STEP 5: Choosing the algorithms and their parameters
-++++++++++++++++++++++++++++++++++++++++++++++++++++
+STEP 5: Choosing the optimization algorithm and its parameters
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Data Assimilation or Optimization requires to solve an optimization problem,
more often modelized as a minimization problem. Depending on the availability of
the gradient of the cost function with respect to the optimization parameters,
-recommended class of optimization methods are different. Variational or locally
-linearized minimization methods requires this gradient. On the opposite,
-derivative free optimization methods doesn't requires this gradient but usually
-at a higher computational price.
-
-Inside a class of optimization methods, there is usually a trade-off between the
-*"generic capacity of a method"* and the *"particular performance on a specific
-problem"*. Generic methods, as for example variational minimization using the
-:ref:`section_ref_algorithm_3DVAR`, present remarkable properties of efficiency,
-robustness and reliability, that leads to recommend it independently of the
-problem. Moreover, it is generally difficult to tune the parameters of an
-optimization method, so the most robust one is often the one with the less
-parameters. Finally, at least for the beginning, it is recommended to use the
-most generic method and to change the less possible the known default
-parameters.
+recommended class of methods are different. Variational or locally linearized
+minimization methods requires this gradient. On the opposite, derivative free
+optimization methods doesn't requires this gradient, but present usually a
+really higher computational price.
+
+Inside a class of optimization methods, for each method, there is usually a
+trade-off between the *"generic capacity of the method"* and its *"particular
+performance on a specific problem"*. Most generic methods, as for example
+variational minimization using the :ref:`section_ref_algorithm_3DVAR`, present
+remarkable numerical properties of efficiency, robustness and reliability, that
+leads to recommend it independently of the problem to solve. Moreover, it is
+generally difficult to tune the parameters of an optimization method, so the
+most robust one is often the one with the less parameters. Finally, at least for
+the beginning, it is recommended to use the most generic methods and to change
+the less possible the known default parameters.
.. _section_m_step6:
-STEP 6: Conducting the calculations and get the results
-+++++++++++++++++++++++++++++++++++++++++++++++++++++++
+STEP 6: Conducting the optimization calculations and get the results
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
After setting up the Data Assimilation or Optimization study, the calculation
has to be done in an efficient way.
Because optimizing usually involves a lot of elementary physical simulation of
the system, the calculations are often done in Hight Performance Computing (HPC)
environment to reduce the overall user time. Even if the optimization problem is
-small, the simulation time can be long, requiring efficient computing resources.
-These requirements have to be taken into account early enough in the study
-procedure to be satisfied without needing too much effort.
+small, the physical system simulation time can be long, requiring efficient
+computing resources. These requirements have to be taken into account early
+enough in the study procedure to be satisfied without needing too much effort.
For the same reason of hight computing requirements, it is important to
carefully prepare the outputs of the optimization procedure. The optimal state
is the main required information, but a lot of other special information can be
obtained during or at the end of the optimization process: error evaluations,
-intermediary states, quality indicators... All these information, sometimes
-requiring additional processing, has to be asked at the beginning of the
-optimization process.
+intermediary states, quality indicators, etc. All these information, sometimes
+requiring additional processing, have to be known and asked at the beginning of
+the optimization process.
.. _section_m_step7:
Once getting the results, they have to be interpreted in terms of physical and
numerical meaning. Even if the optimization calculation always give a new
-optimal state at least as good as the *a priori* one, and hopefully better, this
-optimal state has for example to be checked with respect to the quality criteria
-identified when :ref:`section_m_step2`. This can lead to physical, statistical
-or numerical studies in order to assess the interest of the optimal state to
-represent the physical system.
+optimal state at least as good as the *a priori* one, and most hopefully better,
+this optimal state has for example to be checked with respect to the quality
+criteria identified when :ref:`section_m_step2`. This can lead to physical,
+statistical or numerical studies in order to assess the interest of the optimal
+state to represent the physical system.
Besides this analysis that has to be done for each Data Assimilation or
Optimization study, it can be worth to exploit the optimization results as part
-of a more complete study of the physical system.
+of a more complete study of the physical system of interest.
documentation de référence (indiquée dans le titre par **[DocR]**).
La première partie est l':ref:`section_intro`. La seconde partie présente
-:ref:`section_theory`, et à leurs concepts. Pour un utilisateur courant, la
-troisième partie explique comment :ref:`section_using`, et la quatrième partie
-présente des exemples d'utilisation sous la forme de :ref:`section_examples`.
-Les utilisateurs intéressés par un accès rapide au module peuvent s'arrêter
-avant la lecture de la suite, mais un usage utile du module nécessite de lire et
-de revenir régulièrement aux troisième et septième parties. La cinquième partie
+:ref:`section_theory`, et à leurs concepts, et la partie suivante décrit la
+:ref:`section_methodology`. Pour un utilisateur courant, la quatrième partie
+explique comment :ref:`section_using`, et la cinquième partie présente des
+exemples d'utilisation sous la forme de :ref:`section_examples`. Les
+utilisateurs intéressés par un accès rapide au module peuvent s'arrêter avant la
+lecture de la suite, mais un usage utile du module nécessite de lire et de
+revenir régulièrement aux quatrième et septième parties. La sixième partie
indique les :ref:`section_advanced`, avec l'obtention de renseignements
supplémentaires ou l'usage par scripts d'exécution sans interface utilisateur
-graphique (GUI). La partie suivante détaille la :ref:`section_reference`, avec
-quatre sous-parties principales qui suivent, la dernière sous-partie décrivant
-une :ref:`section_tui` du module. Enfin, pour respecter les exigences de licence
-du module, n'oubliez pas de lire la partie :ref:`section_license`.
+graphique (GUI). La septième partie détaille la :ref:`section_reference`, avec
+quatre sous-parties principales qui suivent, la dernière décrivant une
+:ref:`section_tui` du module. Enfin, pour respecter les exigences de licence du
+module, n'oubliez pas de lire la partie :ref:`section_license`.
Dans cette documentation, on utilise les notations standards de l'algèbre
linéaire, de l'assimilation de données (comme décrit dans [Ide97]_) et de
intro
theory
+ methodology
using
examples
advanced
--- /dev/null
+..
+ Copyright (C) 2008-2017 EDF R&D
+
+ This file is part of SALOME ADAO module.
+
+ This library is free software; you can redistribute it and/or
+ modify it under the terms of the GNU Lesser General Public
+ License as published by the Free Software Foundation; either
+ version 2.1 of the License, or (at your option) any later version.
+
+ This library is distributed in the hope that it will be useful,
+ but WITHOUT ANY WARRANTY; without even the implied warranty of
+ MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
+ Lesser General Public License for more details.
+
+ You should have received a copy of the GNU Lesser General Public
+ License along with this library; if not, write to the Free Software
+ Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
+
+ See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
+
+ Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
+
+.. _section_methodology:
+
+===========================================================================================
+**[DocT]** Méthodologie pour élaborer une étude d'Assimilation de Données ou d'Optimisation
+===========================================================================================
+
+Cette section présente un méthodologie générique pour construire une étude
+d'Assimilation de Données ou d'Optimisation. Elle décrit les étapes
+conceptuelles pour établir de manière indépendante cette étude. Elle est
+indépendante de tout outil, mais le module ADAO permet de mettre en oeuvre
+efficacement une telle étude.
+
+Procédure logique pour une étude
+--------------------------------
+
+Pour une étude générique d'Assimilation de Données ou d'Optimisation, les
+principales étapes méthodologiques peuvent être les suivantes:
+
+ - :ref:`section_m_step1`
+ - :ref:`section_m_step2`
+ - :ref:`section_m_step3`
+ - :ref:`section_m_step4`
+ - :ref:`section_m_step5`
+ - :ref:`section_m_step6`
+ - :ref:`section_m_step7`
+
+Chaque étape est détaillée dans la section suivante.
+
+Procédure détaillée pour une étude
+----------------------------------
+
+.. _section_m_step1:
+
+ÉTAPE 1: Spécifier la résolution du système physique et les paramètres à ajuster
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+Une source essentielle de connaissance du système physique étudié est la
+simulation numérique. Elle est souvent disponible à travers un ou des cas de
+calcul, et elle est symbolisée par un **opérateur de simulation** (précédemment
+inclus dans :math:`H`). Un cas de calcul standard rassemble des hypothèses de
+modèles, une implémentation numérique, des capacités de calcul, etc. de manière
+à représenter le comportement du système physique. De plus, un cas de calcul est
+caractérisé par exemple par ses besoins en temps de calcul et en mémoire, par la
+taille de ses données et de ses résultats, etc. La connaissance de tous ces
+éléments est primordiale dans la mise au point d'une étude d'assimilation de
+données ou d'optimisation.
+
+Pour établir correctement une étude, il faut aussi choisir les inconnues
+d'optimisation incluses dans la simulation. Fréquemment, cela peut être à l'aide
+de modèles physiques dont les paramètres peuvent être ajustés. De plus, il est
+toujours utile d'ajouter une connaissance de type sensibilité, comme par exemple
+celle de la simulation par rapport aux paramètres qui peuvent être ajustés. Des
+éléments plus généraux, comme la stabilité ou la régularité de la simulation par
+rapport aux inconnues en entrée, sont aussi d'un grand intérêt.
+
+En pratique, les méthodes d'optimisation peuvent requérir une information de
+type gradient de la simulation par rapport aux inconnues. Dans ce cas, le
+gradient explicite du code doit être donné, ou le gradient numérique doit être
+établi. Sa qualité est en relation avec la stabilité ou la régularité du code de
+simulation, et elle doit être vérifiée avec soin avant de mettre en oeuvre les
+calculs d'optimisation. Des conditions spécifiques doivent être utilisées pour
+ces vérifications.
+
+Un **opérateur d'observation** est toujours requis, en complément à l'opérateur
+de simulation. Cet opérateur d'observation, noté :math:`H` ou inclus dedans,
+doit convertir les sorties de la simulation numérique en quelque-chose qui est
+directement comparable aux observations. C'est un opérateur essentiel, car il
+est le moyen pratique de comparer les simulations et les observations. C'est
+usuellement réalisé par échantillonnage, projection ou intégration, des sorties
+de simulation, mais cela peut être plus compliqué. Souvent, du fait que
+l'opérateur d'observation fasse directement suite à celui de simulation dans un
+schéma simple d'assimilation de données, cet opérateur d'observation utilise
+fortement les capacités de post-traitement et d'extraction du code de
+simulation.
+
+.. _section_m_step2:
+
+ÉTAPE 2: Spécifier les critères de qualification des résultats physiques
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+Comme les systèmes étudiés ont une réalité physique, il est important d'exprimer
+les **information physiques qui peuvent aider à qualifier un état simulé du
+système**. Il y a deux grand types d'informations qui conduisent à des critères
+permettant la qualification et la quantification de résultats d'optimisation.
+
+Premièrement, provenant d'une connaissance mathématique ou numérique, un grand
+nombre d'indicateurs standards permettent de qualifier, en relatif ou en absolu,
+l'intérêt d'un état optimal. Par exemple, des équations d'équilibre ou des
+conditions de fermeture sont des mesures complémentaires de la qualité d'un état
+du système. Des critères bien choisis comme des RMS, des RMSE, des extrema de
+champs, des intégrales, etc. permettent d'évaluer la qualité d'un état optimisé.
+
+Deuxièmement, provenant d'une connaissance physique ou expérimentale, des
+informations utiles peuvent être obtenus à partir de l'interprétation des
+résultats d'optimisation. En particulier, la validité physique ou l'intérêt
+technique permettent d'évaluer l'intérêt de résultats des résultats numériques
+de l'optimisation.
+
+Pour obtenir une information signifiante de ces deux types de connaissances, il
+est recommandé, si possible, de construire des critères numériques pour
+faciliter l'évaluation de la qualité globale des résultats numériques
+
+.. _section_m_step3:
+
+ÉTAPE 3: Identifier et décrire les observations disponibles
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+En tant que seconde source d'information principale à propos du système physique
+à étudier, les **observations, ou mesures,** notées :math:`\mathbf{y}^o`,
+doivent être décrites avec soin. La qualité des mesures, leur erreurs
+intrinsèques, leur particularités, sont importantes à connaître, pour pouvoir
+introduire ces informations dans les calculs d'assimilation de données ou
+d'optimisation.
+
+Les observations doivent non seulement être disponibles, mais aussi doivent
+pouvoir être introduites efficacement dans l'environnement numérique de calcul
+ou d'optimisation. Ainsi l'environnement d'accès numérique aux observations est
+fondamental pour faciliter l'usage effectif de mesures variées et de sources
+diverses, et pour encourager des essais extensifs utilisant des mesures.
+L'environnement d'accès numérique intègre la disponibilité de bases de données
+ou pas, les formats de données, les interfaces d'accès, etc.
+
+.. _section_m_step4:
+
+ÉTAPE 4: Spécifier les éléments de modélisation de l'AD/Optimisation (covariances, ébauche...)
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+Des éléments supplémentaires de modélisation en Assimilation de Données ou en
+Optimisation permettent d'améliorer l'information à propos de la représentation
+détaillée du système physique étudié.
+
+La connaissance *a-priori* de l'état du système peut être représentée en
+utilisant l'**ébauche**, notée :math:`\mathbf{x}^b`, et la **matrice de
+covariance des erreurs d'ébauche**, notée :math:`\mathbf{B}`. Ces informations
+sont extrêmement importantes à compléter, en particulier pour obtenir des
+résultats signifiants en Assimilation de Données.
+
+Par ailleurs, des informations sur les erreurs d'observation peuvent être
+utilisées pour compléter la **matrice de covariance des erreurs d'observation**,
+notée :math:`\mathbf{R}`. Comme pour :math:`\mathbf{B}`, il est recommandé
+d'utiliser des informations soigneusement vérifiées pour renseigner ces matrices
+de covariances.
+
+Dans le cas de simulations dynamiques, il est de plus nécessaire de définir un
+**opérateur d'évolution** et la **matrice de covariance des erreurs
+d'évolution** associée.
+
+.. _section_m_step5:
+
+ÉTAPE 5: Choisir l'algorithme d'optimisation et ses paramètres
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+L'Assimilation de Données ou l'Optimisation demandent de résoudre un problème
+d'optimisation, le plus souvent sous la forme d'un problème de minimisation.
+Selon la disponibilité du gradient de la fonction coût en fonction des
+paramètres d'optimisation, la classe recommandée de méthodes sera différente.
+Les méthodes d'optimisation variationnelles ou avec linéarisation locale
+nécessitent ce gradient. A l'opposé, les méthodes sans dérivées ne nécessitent
+pas ce gradient, mais présentent souvent un coût de calcul notablement
+supérieur.
+
+A l'intérieur même d'une classe de méthodes d'optimisation, pour chaque méthode,
+il y a usuellement un compromis à faire entre les *"capacités génériques de la
+méthode"* et ses *"performances particulières sur un problème spécifique"*. Les
+méthodes les plus génériques, comme par exemple la minimisation variationnelle
+utilisant l':ref:`section_ref_algorithm_3DVAR`, présentent de remarquables
+propriétés numériques d'efficacité, de robustesse et de fiabilité, ce qui
+conduit à les recommander indépendamment du problème à résoudre. De plus, il est
+souvent difficile de régler les paramètres d'une méthode d'optimisation, donc la
+méthodes la plus robuste est souvent celle qui présente le moins de paramètres.
+Au final, au moins au début, il est recommandé d'utiliser les méthodes les plus
+génériques et de changer le moins possible les paramètres par défaut connus.
+
+.. _section_m_step6:
+
+ÉTAPE 6: Conduire les calculs d'optimisation et obtenir les résultats
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+Après avoir mis au point une étude d'Assimilation de Données ou d'Optimisation,
+les calculs doivent être conduits de manière efficace.
+
+Comme l'optimisation requiert usuellement un grand nombre de simulations
+physiques élémentaires du système, les calculs sont souvent effectués dans un
+environnement de calculs hautes performances (HPC, ou Hight Performance
+Computing) pour réduire le temps complet d'utilisateur. Même si le problème
+d'optimisation est petit, le temps de simulation du système physique peut être
+long, nécessitant des ressources de calcul conséquentes. Ces besoins doivent
+être pris en compte suffisamment tôt dans la procédure d'étude pour être
+satisfaits sans nécessiter un effort trop important.
+
+Pour la même raison de besoins de calculs importants, il est aussi important de
+préparer soigneusement les sorties de la procédure d'optimisation. L'état
+optimal est la principale information requise, mais un grand nombre d'autres
+informations spéciales peuvent être obtenues au cours du calcul d'optimisation
+ou à la fin: évaluation des erreurs, états intermédiaires, indicateurs de
+qualité, etc. Toutes ces informations, nécessitant parfois des calculs
+additionnels, doivent être connues et demandées au début du processus
+d'optimisation.
+
+.. _section_m_step7:
+
+ÉTAPE 7: Exploiter les résultats et qualifier leur pertinence physique
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+
+Une fois les résultats obtenus, ils doivent être interprétés en termes de
+significations physique et numérique. Même si la démarche d'optimisation donne
+toujours un nouvel état optimal qui est au moins aussi bon que l'état *a
+priori*, et le plus souvent meilleur, cet état optimal doit par exemple être
+vérifié par rapport aux critères de qualité identifiés au moment de
+:ref:`section_m_step2`. Cela peut conduire à des études statistiques ou
+numériques de manière à évaluer l'intérêt d'un état optimal pour représenter la
+système physique.
+
+Au-delà de cette analyse qui doit être réalisée pour chaque étude d'Assimilation
+de Données ou d'Optimisation, il est très utile d'exploiter les résultats
+d'optimisation comme une partie intégrée dans une étude plus complète du système
+physique d'intérêt.
des données d'entrée, mais la séquence logique reste inchangée.
De manière générale, l'utilisateur doit connaître ses données d'entrées,
-requises pour mettre au point une étude d'assimilation de données. Ces données
-peuvent être disponibles dans SALOME ou non.
+requises pour mettre au point une étude d'assimilation de données, en suivant la
+:ref:`section_methodology`. Ces données peuvent déjà être disponibles dans
+SALOME ou non.
-**Fondamentalement, la procédure d'utilisation de ADAO comprend les étapes
-suivantes:**
+Fondamentalement, la procédure d'utilisation de ADAO comprend les étapes
+suivantes:
-#. **Activez le module ADAO et utiliser l'éditeur graphique (GUI),**
-#. **Construire et/ou modifier le cas ADAO et l'enregistrer,**
-#. **Exporter le cas ADAO comme un schéma YACS,**
-#. **Compléter et modifier le schéma YACS, et l'enregistrer,**
-#. **Exécutez le cas YACS et obtenir les résultats.**
+ - :ref:`section_u_step1`
+ - :ref:`section_u_step2`
+ - :ref:`section_u_step3`
+ - :ref:`section_u_step4`
+ - :ref:`section_u_step5`
Chaque étape est détaillée dans la section suivante.
+Procédure détaillée pour construire un cas ADAO
+-----------------------------------------------
+
.. _section_u_step1:
ÉTAPE 1 : Activer le module ADAO et utiliser l'interface graphique d'édition (GUI)
-----------------------------------------------------------------------------------
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Comme toujours pour un module, il doit être préalablement activé en
sélectionnant le bouton de module approprié (ou le menu) dans la barre d'outils
.. _section_u_step2:
ÉTAPE 2 : Créer et modifier le cas ADAO, et l'enregistrer
----------------------------------------------------------
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Pour construire un cas en utilisant l'éditeur intégré, on doit passer par une
série de sous-étapes, en choisissant, à chaque étape, un mot-clé puis en
.. _section_u_step3:
ÉTAPE 3 : Exporter le cas ADAO comme un schéma YACS
----------------------------------------------------
++++++++++++++++++++++++++++++++++++++++++++++++++++
Lorsque le cas ADAO est complété, il doit être converti ou exporté sous la forme
d'un schéma YACS pour pouvoir exécuter le calcul d'assimilation de données. Cela
.. _section_u_step4:
ÉTAPE 4 : Compléter et modifier le schéma YACS, et l'enregistrer
-----------------------------------------------------------------
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
.. index:: single: Analysis
.. _section_u_step5:
ÉTAPE 5 : Exécuter le schéma YACS et obtenir les résultats
-----------------------------------------------------------
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
Le schéma YACS est maintenant complet et peut être exécuté. La paramétrisation
et l'exécution de ce cas YACS est entièrement compatible avec la manière
