Sloshing dans l'industrie du transport maritime de GNL : modélisation du risque par une analyse multivariée à queue lourde.

Résumé Dans l'industrie du transport maritime de gaz naturel liquéfié (GNL), le phénomène de sloshing peut conduire à l'apparition de pressions très élevées dans les réservoirs du navire. La question de la modélisation ou de l'estimation de la probabilité de l'apparition simultanée de ces pressions extrêmes est désormais cruciale du point de vue de l'évaluation des risques. Dans cet article, la modélisation de la queue lourde, largement utilisée comme une approche conservatrice de l'évaluation des risques et correspondant à une analyse des risques de la pire éventualité, est appliquée à l'étude du sloshing. Des distributions multivariées à queue lourde sont considérées, avec des pressions de sloshing étudiées au moyen de répliques de réservoirs à petite échelle équipés de capteurs d >1. Lorsque l'on tente d'ajuster de tels modèles statistiques non paramétriques, on est naturellement confronté à des problèmes de calcul inhérents au phénomène de dimensionnalité. L'objectif principal de cet article est de surmonter cet obstacle en introduisant une nouvelle méthodologie. Pour les distributions à queue lourde de dimension d, la structure de la dépendance extrémale est entièrement caractérisée par la mesure angulaire, une mesure positive sur l'intersection d'une sphère avec l'orthant positif dans Rd. Lorsque d augmente, la dépendance extrémale mutuelle entre les variables devient difficile à évaluer. En se basant sur une approche de regroupement spectral, nous montrons ici comment une approximation de faible dimension de la mesure angulaire peut être trouvée. La méthode non paramétrique proposée pour le sloshing modèle a été appliquée avec succès aux données de pression. La représentation parcimonieuse ainsi obtenue s'avère très pratique pour la simulation de distributions multivariées à queue lourde, permettant la mise en œuvre de schémas de simulation de Monte-Carlo dans l'estimation de la probabilité de défaillance. Outre la confirmation de ses performances sur des données artificielles, la méthodologie a été mise en œuvre sur un ensemble de données réelles collectées spécifiquement pour l'évaluation des risques de sloshing dans l'industrie du transport maritime de GNL.