Optimisation multidisciplinaire : étude théorique et application ... - ISAE
Optimisation multidisciplinaire : étude théorique et application ... - ISAE
Optimisation multidisciplinaire : étude théorique et application ... - ISAE
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
38 Les formulations pour l'optimisation multi-disciplinaire<br />
x ′ , z ′ , y ′<br />
❄<br />
Méta-modèle(x, z, y, Y )<br />
x, z, y k<br />
❄<br />
Discipline i<br />
Y k<br />
❄<br />
Ŷ (x ′ , z ′ , y ′ )<br />
❄<br />
Fig. 2.2 Méta-modèle disciplinaire.<br />
Dans certains cas, il est plus commode d'utiliser une transformation des variables pour effectuer<br />
l'approximation linéaire (par exemple, en mécanique des structures, il est fréquent de<br />
linéairiser selon l'inverse des variables de propriété de matériaux).<br />
Le prix à payer pour l'utilisation de c<strong>et</strong>te méthode est d'avoir une taille de région de conance<br />
p<strong>et</strong>ite. Le domaine de validité du méta-modèle disciplinaire peut être déterminé avec la méthode<br />
des régions de conance [Rav07]. Nous pouvons aussi choisir une taille xe. Il faut qu'elle soit<br />
assez p<strong>et</strong>ite pour perm<strong>et</strong>tre à l'optimiseur de ne pas partir vers des congurations fausses, mais il<br />
faut aussi qu'elle soit assez grande pour perm<strong>et</strong>tre d'atteindre l'optimum sans avoir à réactualiser<br />
le méta-modèle un trop grand nombre de fois.<br />
L'avantage de c<strong>et</strong>te méthode est que l'on peut s'aranchir du nombre de variables. En e<strong>et</strong>,<br />
la méthode adjointe (mode inverse en diérentiation automatique) peut être considérée pour les<br />
calculs des gradients en grande dimension [Gri00, Mor85]. Dans ce cas, le coût de calcul des<br />
gradients est guère plus élevé que celui les fonctions objectifs <strong>et</strong> contraintes, <strong>et</strong> reste indépendant<br />
du nombre de variables.<br />
Approximation par surface de réponse<br />
Pour construire des modèles réduits, on procède de la façon suivante :<br />
1. choix d'un échantillon d'entrée : nous utilisons des méthodes DOE (Design Of Experiments)<br />
pour sélectionner un échantillon de points : x, z, y de taille n où n est p<strong>et</strong>it ;<br />
2. calcul des sorties Y k pour chacun des points x, z, y k (k ∈ [1, n]), avec le code de calcul<br />
correspondant au modèle physique original ;<br />
3. construction d'un méta-modèle,<br />
4. le méta-modèle donne Ŷ (x′ , z ′ , y ′ ) : l'approximation des sorties au point [x ′ , z ′ , y ′ ].<br />
Il existe deux catégories de méthodes pout construire les méta-modèles :