Optimisation multidisciplinaire : étude théorique et application ... - ISAE
Optimisation multidisciplinaire : étude théorique et application ... - ISAE
Optimisation multidisciplinaire : étude théorique et application ... - ISAE
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
30 Les formulations pour l'optimisation multi-disciplinaire<br />
Introduction<br />
Ce chapitre expose plusieurs stratégies d'optimisation multi-disciplinaire. Elles peuvent aussi<br />
être appelées formulations pour l'optimisation multi-disciplinaire, ou bien plus communément<br />
formulations MDO.<br />
Le mot optimisation multi-disciplinaire laisse entendre à tort qu'il ne s'agit ici que d'un<br />
problème d'optimisation. Il faut bien garder à l'esprit que l'optimisation n'est qu'une partie du<br />
processus de conception <strong>et</strong> qu'elle vient appuyer la recherche de la conguration répondant le<br />
mieux à la demande exprimée par le cahier des charges. Il faut considérer les formulations MDO<br />
comme des outils qui perm<strong>et</strong>tent de faciliter la gestion de l'interaction entre les disciplines <strong>et</strong> qui<br />
peuvent servir d'aide à la décision. Le choix des paramètres <strong>et</strong> des modélisations disciplinaires,<br />
la mise en place du problème <strong>et</strong> les décisions importantes concernant les congurations à r<strong>et</strong>enir<br />
sont bien évidemment laissés au jugement des acteurs de la conception.<br />
Il convient tout d'abord de bien dénir les paramètres. Les codes de calcul des diérentes<br />
disciplines prennent en entrée diérentes variables qui peuvent être classées en trois catégories :<br />
les variables locales, spéciques à une seule discipline ;<br />
les variables partagées, qui ont des e<strong>et</strong>s directs sur plusieurs disciplines à la fois ;<br />
les variables d'interaction ou de couplage, qui servent de lien entre les disciplines.<br />
Les variables de couplage sont les entrées d'une discipline qui proviennent d'autres disciplines.<br />
Une modication dans une discipline peut entraîner un changement dans toutes les autres.<br />
L'analyse multi-disciplinaire doit prendre en compte c<strong>et</strong>te interaction <strong>et</strong> chercher un équilibre au<br />
travers des variables de couplage. En général, l'eectuer revient à résoudre la physique autour<br />
de l'avion.<br />
Une fois l'analyse multi-disciplinaire eectuée, on peut calculer les gradients (par exemple<br />
à l'aide des méthodes adjointes). Ce calcul, lorsqu'il est eectué de manière ecace <strong>et</strong> précise,<br />
perm<strong>et</strong>tra d'améliorer fortement les performances des algorithmes d'optimisation.<br />
Les sorties disciplinaires serviront à dénir les objectifs <strong>et</strong> contraintes qui constitueront notre<br />
problème d'optimisation. Les formulations MDO constituent diérentes façons d'assembler les<br />
codes disciplinaires <strong>et</strong> les codes d'optimisation. Chacune possède sa manière de gérer l'interaction<br />
entre les disciplines ou de séparer l'optimisation en plusieurs étapes : certaines variables sont<br />
gérées par l'optimiseur système <strong>et</strong> d'autres sont xées par les disciplines au travers d'optimisations<br />
locales.<br />
Les codes disciplinaires peuvent être très gourmands en temps de calcul, <strong>et</strong> donc peu compatibles<br />
avec un processus d'optimisation, qui va les solliciter un grand nombre de fois. Par<br />
conséquent, il s'avère nécessaire d'utiliser des méta-modèles qui fourniront une approximation<br />
des sorties disciplinaires <strong>et</strong> perm<strong>et</strong>tront de mener à bien l'optimisation. Leur domaine de validité<br />
pourra être amené à évoluer en fonction du déroulement de l'optimisation.<br />
L'utilisation des méta-modèles au sein de processus d'optimisation est un des enjeux majeurs<br />
de la recherche actuelle en optimisation multi-disciplinaire. Les formulations BLISS 2000 <strong>et</strong> DIVE<br />
(cf sections 2.2.6 <strong>et</strong> 2.2.7) proposent des solutions pour construire <strong>et</strong> actualiser les méta-modèles.<br />
La première partie du chapitre (cf section 2.1) présente les éléments qui constituent les formulations<br />
MDO. Les diérentes variables sont exposées (cf section 2.1.1), on dénit le problème<br />
d'équilibre interdisciplinaire <strong>et</strong> on propose des méthodes pour le résoudre (cf section 2.1.2). Une<br />
méthode adjointe pour calculer les gradients dans un contexte multi-disciplinaire est donnée (cf<br />
section 2.1.3). Le problème d'optimisation est posé (cf section 2.1.4) <strong>et</strong> on introduit les méta-