From 734bc06506ed97739ec5919e16776533690c6bb2 Mon Sep 17 00:00:00 2001 From: Jean-Philippe ARGAUD Date: Mon, 11 Apr 2016 22:05:18 +0200 Subject: [PATCH] Documentation correction and improvements --- doc/en/theory.rst | 14 +++++++------- doc/fr/intro.rst | 2 +- doc/fr/theory.rst | 10 +++++----- 3 files changed, 13 insertions(+), 13 deletions(-) diff --git a/doc/en/theory.rst b/doc/en/theory.rst index 6127012..1e62ead 100644 --- a/doc/en/theory.rst +++ b/doc/en/theory.rst @@ -40,10 +40,11 @@ about their errors. In other words, data assimilation merges measurement data of a system, that are the observations, with *a priori* system physical and mathematical knowledge, embedded in numerical models, to obtain the best possible estimate of the system -true state and of its stochastic properties. Note that this true state can not -be reached, but can only be estimated. Moreover, despite the fact that the used -information are stochastic by nature, data assimilation provides deterministic -techniques in order to perform very efficiently the estimation. +real state and of its stochastic properties. Note that this real state (or +"*true state*") can not be reached, but can only be estimated. Moreover, despite +the fact that the used information are stochastic by nature, data assimilation +provides deterministic techniques in order to perform very efficiently the +estimation. Because data assimilation look for the **best possible** estimate, its underlying procedure always integrates optimization in order to find this @@ -121,9 +122,8 @@ In practice, the two observed gaps "*calculation-measures*" and parameters or initial conditions. The addition of these two gaps requires a relative weight, which is chosen to reflect the trust we give to each piece of information. This confidence is depicted by the covariance of the errors on the -background and on the observations. Thus the stochastic aspect of information, -measured or *a priori*, is essential for building the calibration error -function. +background and on the observations. Thus the stochastic aspect of information is +essential for building the calibration error function. A simple example of parameters identification comes from any kind of physical simulation process involving a parametrized model. For example, a static diff --git a/doc/fr/intro.rst b/doc/fr/intro.rst index 82344be..9c5690b 100644 --- a/doc/fr/intro.rst +++ b/doc/fr/intro.rst @@ -27,7 +27,7 @@ Introduction à ADAO ================================================================================ -Le but du module est ADAO **d'aider à l'usage de l'assimilation de données ou de +Le but du module ADAO est **d'aider à l'usage de l'assimilation de données ou de l'optimisation en lien avec d'autres modules ou codes de simulation dans SALOME**. Le module ADAO fournit une interface à des algorithmes classiques d'assimilation de données ou d'optimisation, et permet d'intégrer leur usage diff --git a/doc/fr/theory.rst b/doc/fr/theory.rst index f494a4e..51d8f3a 100644 --- a/doc/fr/theory.rst +++ b/doc/fr/theory.rst @@ -42,7 +42,7 @@ En d'autres termes, l'assimilation de donn d'un système, qui sont les observations, avec une connaissance physique et mathématique *a priori* du système, intégrée dans les modèles numériques, afin d'obtenir la meilleure estimation possible de l'état réel du système et de ses -propriétés stochastiques. On note que cet état réel (ou "état" vrai") ne peut +propriétés stochastiques. On note que cet état réel (ou "*état vrai*") ne peut être atteint, mais peut seulement être estimé. De plus, malgré le fait que les informations utilisées sont stochastiques par nature, l'assimilation de données fournit des techniques déterministes afin de réaliser l'estimation de manière @@ -51,7 +51,7 @@ tr L'assimilation de données cherchant l'estimation la **meilleure possible**, la démarche technique sous-jacente intègre toujours de l'optimisation afin de trouver cette estimation : des méthodes d'optimisation choisies sont toujours -intégrés dans les algorithmes d'assimilation de données. Par ailleurs, les +intégrées dans les algorithmes d'assimilation de données. Par ailleurs, les méthodes d'optimisation peuvent être vues dans ADAO comme un moyen d'étendre les applications d'assimilation de données. Elles seront présentées de cette façon dans la section pour `Approfondir l'estimation d'état par des méthodes @@ -129,8 +129,8 @@ des param requiert une pondération relative, qui est choisie pour refléter la confiance que l'on donne à chaque information utilisée. Cette confiance est représentée par la covariance des erreurs sur l'ébauche et sur les observations. Ainsi -l'aspect stochastique des informations, mesuré *a priori*, est essentiel pour -construire une fonction d'erreur pour la calibration. +l'aspect stochastique des informations est essentiel pour construire une +fonction d'erreur pour la calibration. Un exemple simple d'identification de paramètres provient de tout type de simulation physique impliquant un modèle paramétré. Par exemple, une simulation @@ -204,7 +204,7 @@ de la m L'estimation optimale des paramètres vrais :math:`\mathbf{x}^t`, étant donné l'ébauche :math:`\mathbf{x}^b` et les observations :math:`\mathbf{y}^o`, est -ainsi l'"*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une +ainsi "l'*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une fonction d'erreur, explicite en assimilation variationnelle, ou d'une correction de filtrage en assimilation par filtrage. -- 2.39.2