Assas Recherche | Méthodes d’optimisation assistées par méta-modèles vectoriels multi-fidélité et stratégies d’enrichissement dédiées à la conception de turbomachines

Méthodes d’optimisation assistées par méta-modèles vectoriels multi-fidélité et stratégies d’enrichissement dédiées à la conception de turbomachines (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Khatouri Hanane

Khatouri, Hanane

Nom

Khatouri

Prénom

Hanane

Nationalité

Date de soutenance : 06-12-2021

Directeur(s) de thèse : Breitkopf Piotr

Breitkopf, Piotr

Nom

Breitkopf

Prénom

Piotr

- Benamara Tariq

Benamara, Tariq

Nom

Benamara

Prénom

Tariq

Etablissement de soutenance : Compiègne

Compiègne

Nom

Compiègne

Laboratoire : Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval

Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval

Nom

Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval

Ecole doctorale : École doctorale Sciences pour l'ingénieur (Compiègne)

École doctorale Sciences pour l'ingénieur (Compiègne)

Nom

École doctorale Sciences pour l'ingénieur (Compiègne)

Informations générales

Discipline : Mécanique Numérique : Unité de recherche en Mécanique - Laboratoire Roberval (FRE UTC - CNRS 2012)
Classification : Sciences de l'ingénieur

Mots-clés libres : Multi-fidélité, Optimisation bayésienne, Métamodèles
Mots-clés :

Turbomachines - Construction
Décomposition orthogonale aux valeurs propres
Décomposition (mathématiques)
Optimisation mathématique
Plan d'expérience
Modèles mathématiques

Résumé : Dans l'optimisation de la conception de systèmes complexes, l'approche des modèles de substitution basée sur des plans d’expériences progressivement enrichis permet d'éviter les problèmes d'efficacité rencontrés lors de l'intégration de codes de simulation dans les boucles d'optimisation. Cependant, un échantillonnage a priori efficace de l'espace de conception devient rapidement coûteux lors de l'utilisation de simulateurs Haute-Fidélité (HF), en particulier en haute dimension. D'autre part, dans la conception aéronautique, plusieurs outils de simulation sont fréquemment disponibles pour le même problème, généralement avec un degré de précision inversement proportionnel au coût du processeur. Le concept de Multi-Fidélité (MF) propose de fusionner différents niveaux de fidélité au sein d'un modèle unique avec une variance contrôlée. Basée sur les récentes techniques de modélisation d'ordre réduit, une autre approche poursuit l'objectif de contrôle du budget de simulation en remplaçant les modèles coûteux par leurs modèles réduits en champ complet, fournissant une vision supplémentaire des substituts scalaires construits directement à partir des quantités d'intérêt. Les deux approches, MF et modèles réduits, peuvent être combinées, ce qui permet une flexibilité supplémentaire dans le choix du degré de fidélité requis dans différentes zones de l'espace de conception. L'optimisation assistée par métamodèles et les modèles MF basés sur la réduction de modèle posent des problèmes de prévisibilité lorsque les substituts reposent sur un échantillonnage hors-ligne, impliquant des procédures d'optimisation coûteuses. Pour résoudre ce problème, des stratégies hors-ligne / en ligne, également appelées stratégies adaptatives, sont utilisées pour ajuster le métamodèle au fur et à mesure de la progression de la recherche d'optimisation. Le critère d'enrichissement utilise une fonction de mérite pour prévoir à la fois l'amélioration de la précision et la résolution du problème d'optimisation. Le point suivant à évaluer est sélectionné pour maximiser ce critère de manière itérative jusqu'à ce qu'une condition d'arrêt appropriée soit atteinte. L'objectif est de sélectionner les points les plus pertinents afin de réduire le nombre d'appels aux solveurs, qui répondraient à un problème de conception donné. La sélection adaptative présente l'avantage de mieux utiliser les informations disponibles de manière efficace en termes de temps. Cette thèse introduit et valide des techniques d'optimisation assistées par des approximations MF à base réduite non intrusive (MFNIRB). Un cas de référence est introduit pour tester les méthodologies d'optimisation MF sur un exemple aux caractéristiques représentatives des problèmes de turbomachines. La convergence des modèles de substitution MFNIRB proposés est comparée à celle des modèles de substitution classiques de la littérature sur des applications analytiques et industrielles.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2021COMP2640
Type de ressource : Thèse