Compte-rendu



Yüklə 22,17 Kb.
tarix04.11.2017
ölçüsü22,17 Kb.
#30612
  1. Compte-rendu

  2. Réunion MDO Intermédiaire du 05-02-2004

Cette réunion est la première du sous-groupe constitué autour de R. Leriche. Elle a pris place dans les locaux du LMT à Cachan.


Présents :

Olivier Allix, AFM, ENS Cachan Olivier.Allix@lmt.ens-cachan.fr

Piotr Breitkopft piotr.breitkopf@utc.fr

Jean-Antoine Desidéri, INRIA Sophia Jean-Antoine.Desideri@sophia.inria.fr

Quang Dinh, Dassault Aviation quang.dinh@dassault-aviation.fr

Emmanuel Lefrançois, UTC

Lionel Leotoing, INSA Rennes lionel.leotoing@insa-rennes.fr

Rodolphe Leriche, CNRS, Mines de St-Etienne leriche@emse.fr

Mohamed Masmoudi, Université Toulouse masmoudi@mip.ups-tlse.fr

Michel Ravachol, Dassault Aviation michel.ravachol@dassault-aviation.fr

Mourad Sefrioui, Dassault Aviation mourad.sefrioui@dassault-aviation.fr

Gilbert Touzot, AFM, Délégué Général INSA touzot@insa-rouen.fr

Laurent Vercouter, Mines de St-Etienne Laurent.Vercouter@emse.fr

  1. I. Tour de table : compétences et attentes

Rodolphe Le Riche (CNRS, Ecole des Mines de St Etienne)

Rappel de la problématique MDO


La spécificité du problème MDO est de considérer plusieurs disciplines (par expl. aéro, acoustique et structures) et plusieurs modèles, que l'on peut typiquement classer par disciplines et par niveaux de finesse. Points clés : tirer partie de cette structuration du modèle dans l'optimisation et, en pratique, fabriquer des modèles de remplacement. Un expl. de méta-modèle MDO :


Aéro

Acoustique

Structures

Finesse


Optimisation statistique


Manipuler des densités de probabilité de croyance subjective d'un optimum dans des espaces avec deux niveaux de finesse, par expl,

  • Variables fines : orientation des fibres dans un matériau composite)

  • Variables auxiliaires : paramètres de stratification (1 pour plusieurs couches).

Méthode développée dans le cadre de la thèse de Laurent Grosset.

Mourad Sefrioui (Dassault Aviation)

Théorie des jeux et optimisation


Utilisation de la théorie des jeux pour l'optimisation multi-objectifs, via des équilibres de Nash ou des fronts de Pareto.

Modèles Hiérarchiques


U
tilisation de la théorie des algorithmes génétiques parallèles enrichie par une hiérarchisation de modèles pour accélerer l'optimisation

Olivier Allix (ENS Cachan)

Identification


Modèle de crash avec conditions aux limites corrompues.

Distinction entre conditions sûres et incertaines, puis utilisation de ce qui est sûr pour imposer des contraintes : minimisation des erreurs en relation de comportement modifiées (erreur modèle + erreur experimentale)


Méthodes Multi-résolution


L


e but est de calculer rapidement des solutions qui sont proches de solutions déjà calculées en identifiant des familles de solutions présentant des similarités au niveau de la formulation où représente le temps et l'espace.

Modèles Fluide-Structure


L'accent est mis sur l'interface, et en particulier la minimisation des échanges entre modèles

Quang Dinh (Dassault Aviation)

Optimisation déterministe


  • Importance du dimensionnement du problème

  • Aspect topologique de l'optimisation (par exemple modifier le nombre de longerons versus modifier la position ou la forme d'un longeron)

Faisabilité


Dans le cadre de l'optimisation avec contraintes, identifier les zones faisables si elles existent

Mohamed Masmoudi (Université de Toulouse)

Etats de l'art


Etude de la littérature sur le sujet

Concepts centraux en MDO


  • Définition des variables privées (propres à 1 modèle) et publiques (dont plusieurs modèles dépendent).

  • Domaine de validité de chaque modèle, qui définit des couplages ou des degrés d'autonomie entre modèles.

Modèles de remplacement


  • Utilisation de réseaux de neurones (avec techniques de régularisation appropriées)

  • Injection d'informations qualitatives dans un modèle (modèle de connaissance ou encore boîte grise)

L. Vercouter (Mines St Etienne)

Systèmes multi-agents


  • Problème d'ordonnancement (jobshop scheduling)

  • Utilisation de Systèmes Multi Agents pour la simulation

  • SMA permettent une optimisation par états d'équilibres des agents

  • Importance des protocoles d'interfaçage et d'échange d'information



Lionel Leotoing (INSA Rennes)

Optimisation


  • Utilisateur de codes d'optimisation (MODFRONTIER)

  • Identification de lois de comportement par analyse inverse

  • Vibro-acoustique : modèle châssis + moteur + suspensions

  • Au ralenti : questions sur la finesse du système

Emmanuel Lefrançois (UTC Compiègne)

Analyse Multi-Disciplinaires


  • Problèmes couplés Fluide-Structure (moteur de fusée Vulcain)

  • Modèle simplifié fluide « par pistons ».

  • Modèle de stabilité aéro-élastique

  • Couplage physiques fort, par opposition à la vibro-acoustique automobile.



Jean-Antoine Désidéri (INRIA Sophia Antipolis)

Mécanique des fluides compressibles


  • Algorithmique numérique hiérarchique et adaptative

  • Multi-échelles via la paramétrisation

  • Proper Orthogonal Decomposition (POD), une méthode de simplification de modèles basés sur des EDPs.

Optimisation


  • Optimisation de formes (voilure)

  • Optimisation multi-points, multi-critères (Pareto, Nash, Stackelberg)

  • Optimisation multi-disciplinaire (Aéro + Electromagnetisme)

  • Optimisation robuste



Piotr Breitkopf (UTC Compiègne)

Surrogates et surfaces de réponse (RSM)


  • Approximation diffuse pour méthodes sans maillage par surfaces de réponse quadratique glissante + plans d'expérience

  • Algorithmes de minimisation spécifiques à ces surfaces de réponse (exploite le fait qu'elles sont quadratiques)

  • Recherche des domaines d'application



Michel Ravachol (Dassault Aviation)

Premiers éléments sur le cas-test Dassault


Le cas-test qui sera proposé par Dassault Aviation considère un avion supersonique pour lequel on s'intéresse à 3 disciplines : acoustique, aéro et structure.


  • A

    coustique : f(moteur, trajectoire), proportionnelle à Vg, BPR,

  • Aéro : minimiser la trainée, t/c, Diamètre moteur (BPR)

  • Structures : minimiser la masse, t/c, surface de l'avion






Le problème est que presque tous les critères sont en conflit les uns avec les autres à travers les disciplines.


L
e but ultime est par exemple de maximiser le rayon d'action (range) qui obéit à une loi du type
  1. II. Actions

Contributions écrites à court terme (doivent être synthétisées pour la réunion du 16 mars 04)


  • Formulation Benchmark : M. Ravachol (due fin février pour niveau 0, fin avril pour niveau 1)

  • Modèles de la physique simplifiée : O. Allix pour les structures, E. Lefrancois pour les fluides, J.-A. Désidéri pour la méthode POD.

  • Surfaces de réponse : J.A. Desidéri, P. Breitkopf (approx. diffuse), M. Masmoudi (RN, autre chose ???)

  • Inventaire des cas-test disponibles en ligne (M. Sefrioui)

  • Formulation(s) du problème MDO : trouver un domaine faisable, intervalles pour optimisation robuste, etc. Tous les membres du groupe

  • Synthèse des documents (R. Le Riche)


Autres tâches à court terme

Tâches à moyen terme


  • Mise en place des cas tests analytiques

  • Simulation dans chaque discipline (générer des données via des plans d'expérience). Tous les membres du groupe.

  • Mise en place des cas tests par modèles de remplacement

  • Premiers tests d'optimisation

Financement


  • Déterminer les sources de financement potentielles ( RNTL, DGA, autres ?)

  • Préparer un document de synthèse pour proposer un projet lors de la recherche du financement :

Yüklə 22,17 Kb.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©muhaz.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin