Amélioration de l'incertitude de mesure – exemples complets de normes internationales clés

Le but de ce projet européen était de fournir un ensemble complet d’exemples nouveaux ou améliorés de méthodes d’évaluation de l’incertitude conformément au GUM et de développer des exemples pouvant être utilisés comme modèles de solutions adaptables pour les problèmes connexes.

De la fabrication au diagnostic médical, les organisations prennent régulièrement des décisions basées sur des données de mesure. La connaissance de l’incertitude associée et de ses impacts sur la qualité peut donc atténuer les défaillances, les risques et contribuer à la diminution des coûts d’exploitation.

Or de nombreux praticiens, notamment dans les laboratoires d’étalonnage et d’essais, admettent avoir des difficultés à interpréter et à appliquer les principes d’incertitude de mesure tels que présentés dans la série de documents GUM. La difficulté réside dans la quantification et la prise en compte de la corrélation entre les quantités dans un modèle de mesure. Les modèles de mesure décrivent la relation entre les quantités d’entrée mesurées ou dont on connait quelque chose et les quantités de sortie d’intérêt (les mesurandes). Dans des domaines tels que l’énergie, l’environnement et les soins de santé, ces modèles sont souvent non linéaires et les quantités mesurées peuvent comporter une incertitude substantielle. Dans presque tous les domaines scientifiques, les incertitudes associées aux quantités de sortie doivent être calculées en fonction des incertitudes d’entrée.

L’approche traditionnelle de la propagation de l’incertitude à travers un modèle utilise le GUM, mais en raison des difficultés citées plus haut, l’incertitude résultante ainsi produite peut ne pas toujours être adaptée à l’objectif.

Ce projet a appliqué le principe « apprendre par l’exemple » pour aider les praticiens avec de nombreux exemples développés pour illustrer le principe. Des exemples soigneusement élaborés ont donc été développés : il s’agit d’exemples pratiques et qui couvrent de nombreux domaines de mesure, capables de fournir des résultats fiables et, dans la mesure du possible, sous une forme qui peut être adaptée aux données et aux connaissances réelles des utilisateurs finaux.

Ce projet a couvert une large gamme d'exemples d'applications d'incertitudes et de solutions dérivées pour les types d'incertitudes de mesure génériques : étalonnage en ligne droite, prise en compte des capacités d'étalonnage et de mesure, évaluation de la conformité pour les matériaux multicomposants.

Ce projet a par ailleurs appliqué les méthodes GUM et Monte Carlo aux exemples d'applications d'incertitudes et aux solutions dérivées pour les types d'incertitudes de mesure génériques afin d'aider les utilisateurs à faire des choix éclairés sur une méthode d'évaluation de l'incertitude appropriée à utiliser.

Enfin, tous les exemples et le matériel didactique générés dans le cadre de ce projet ont contribué à collaborer avec le JCGM/WG1 (la principale partie prenante) et les communautés de la normalisation, de la réglementation et de l'accréditation, pour garantir que les résultats du projet correspondent à leurs besoins.

Un recueil de 620 pages contenant tous les exemples et le matériel didactique a été fourni au JCGM/WG1 et les chapitres pertinents du recueil aux comités internationaux de normalisation.

Le document est téléchargeable ICI.

• J.A Sousa, E. Batista, O Pellegrino, A S Ribeiro, L L Martins. Method selection to evaluate measurement uncertainty in microflow applications, Journal of Physics: Conf. Series, 1379 (2019), 012033 (doi: 10.1088/1742-6596/1379/9/012033).
• A.M.H. van der Veen, M.G. Cox. Getting started with uncertainty evaluation using the Monte Carlo method in R. Accred Qual Assur 26, 129–141 (2021). https://doi.org/10.1007/s00769-021-01469-5
• A.S. Ribeiro, M.C. Almeida, M.G. Cox, J.A. Sousa, L. Martins, D. Loureiro, R. Brito, M. Silva, A.C. Soares. Role of measurement uncertainty in the comparison of average areal rainfall methods, Metrologia 58 (2021), 044001, https://doi.org/10.1088/1681-7575/ac0d49
• J. Pétry, B. De Boeck, N. Sebaïhi, M. Coenegrachts, T. Caebergs, M. Dobre. Uncertainty evaluation in atomic force microscopy measurement of nanoparticles based on statistical mixed model in a Bayesian framework, Meas. Sci. Technol. 32 (2021) 085008, https://doi.org/10.1088/1361-6501/abe47f
• J.A. Sousa, E. Batista, S. Demeyer, N. Fischer, O. Pellegrino, A.S. Ribeiro, L.L. Martins, Uncertainty calculation methodologies in microflow measurements: Comparison of GUM, GUM-S1 and Bayesian approach, Measurement 181 (2021), 109589, https://doi.org/10.1016/j.measurement.2021.109589.

BAM (Allemagne)

IMBiH (Bosnie Herzégovine)

INRIM (Italie)

IPQ (Portugal)

LGC (Royaume-Uni)

NEL (Royaume-Uni)

NPL (Royaume-Uni)

PTB (Allemagne)

SMD (Belgique)

VSL (Pays-Bas)