Quelques enjeux de l’optimisation en SPI Expl. d’un projet national Rodolphe Le Riche leriche...
-
Upload
reynold-berthier -
Category
Documents
-
view
107 -
download
2
Transcript of Quelques enjeux de l’optimisation en SPI Expl. d’un projet national Rodolphe Le Riche leriche...
Quelques enjeux de l’optimisation en SPI
Expl. d’un projet national
Rodolphe Le Riche
www.emse.fr/~leriche
(G2I/3MI et SMS/MPE et CNRS UMR 5146)
Objectifs de la présentation
• Un exemple de réflexion macroscopique sur l’optimisation: le projet OMD.
• Autres travaux en cours.
Constats sur l’optimisation en SPI
Les logiciels de simulation progressent mais la conception optimale de systèmes complexes (avions, fusées, voitures, …) se heurte à :
un volume de calculs trop élevé,
la non-prise en compte des erreurs de modèles dans l’optimisation,
la dispersion des compétences et outils de simulation qui peinent à interagir lors de l’optimisation.
Objectifs d’OMD : rapprocher l’optimisation du monde réel en répondant à ces trois points.
Le projet OMD en chiffres
OMD = Optimisation Multi-Disciplinaire
Budget total de 3 Meuros, dont 1.2 Meuros de l’ANR/RNTL 23 ho.an de CDD (post-doc et thèses)
répartis sur 10 partenaires universitaires et 6 industriels et EPIC, pendant 3 ans. Labellisé pôle de compétitivité System@tic.
un effort national non négligeable mais un petit projet / partenaire / an.
RLR porteur du projet, O. Roustant (3MI) porteur pour l’ENSM-SE.
Idées de base structurant le projet OMD
Multi-niveaux de modèles
il existe plusieurs simulateurs réalisant différents compromis entre temps et précision du calcul, valables dans différents domaines, se nourrissants les uns des autres comment les faire collaborer dans une démarche d’optimisation.
modèle analytique avant-projet
précision et temps de calculs croissants
méta-modèle appris
simulation CFD
Multi-niveaux de paramètres
Il existe souvent plusieurs niveaux de paramétrisations emboîtées, x(1) le plus simple, x(2) plus détaillé … x(p).
l’espace de recherche des x(1) est plus petit que celui des x(2) …
Comment gérer les optimisations dans les différentes paramétrisations pour avoir l’optimisation la plus rapide ?
Optimisation collaborative
Optimisation collaborative
Pb. optimisation couplé :minxa,xm,xi masse(xm)rupture(xm,xi,u) > 1 où u(xm,xi,p)portance(xa,u) > portancemini(xm) où p(xa,u)
comment découpler les disciplines « rupture » et « portance » ?
var. struct. massiques, xm
var. forme, xa
var. struct. sans masse, ximin
u, déplacementsp, pressions
Optimisation avec incertitudes
Opt. déterministe : minx f(x)
Opt. + incertitudes : U , les aléas(minx f(x,U) n’a pas de sens)
mins,x s
tel que Prob( f(x,U) < s ) > Pmini
Problème : estimer la probabilité dans une boucle d’optimisation multiplie son coût. propagation d’incertitudes dans l’optimisation (travaux débutent en 3MI – G. Pujol, V. Picheny, et en MPE, C. Gogu).
Comment assurer productivité des développements, pérennisation et ouverture de la plate forme aux collaborateurs ?
• Langage simple (pas de C++, …), dispo. pour tous syst. d’exploitation, avec des bibliothèques pré-existantes,• Logiciel libre (méthodes des communautés de développeurs, faible coût), évitant d’être dépendant de solutions propriétaires, Choix de Scilab (cf. www.scilab.org ).
Stratégie logicielle
Structure du projet
Multi-N m
odèles
Multi-
N param.
Opt. + in
certi
tudes
Opt. co
llabo
rative
méta-modèles
stratégie logicielle
cas test moteur
cas test lanceur
cas test avion
Autres travaux en cours en 3MI (projet DICE)
Optimisation globale utilisant le krigeage
Le krigeage permet
i) une prédiction aux points inconnus
ii) assortie d’une mesure d’incertitudes.
parfait pour l’opt. globale.
(Thèse de D. Ginsbourger)
Optimisation de puits de pétrole par plans d’expériences imbriqués
Cf. Delphine Dupuy et Bernard Corre.
Conclusions sur l’optimisation à l’ENSM-SE
Possibilités d’échanges et d’organisation :
• Information mutuelle lors de séminaires, journées, GT …
• Partage d’algorithmes (stratégie logicielle ?).
• Collaboration autour de problèmes difficiles.