Optimisation multidisciplinaire : étude théorique et application ... - ISAE

More documents

Recommendations

Info

Abstract : Multidisciplinary optimization proposes solutions for complex system design problems. The name multidisciplinary optimization is often taken literally. We prefer to call it collaborative design optimization. Indeed, the optimization tool is only one part which can not be separated from the total design process. The goal of collaborative optimization is not to create an automatic design process based on optimization algorithms but to allow easy interaction amongst teams from dierent disciplines. Many methods, commonly called MDO formulations (of Multi-Disciplinary Optimization), appear in literature (MDF, IDF, AAO, BLISS, CO). They propose strategies making it possible, on the one hand, to ensure the coherence of the complex system description, on the other hand, to carry out the research of the optimal conguration. Initially, we draw up a state of the art of MDO formulations. We show up their common points and dierences. Then we propose an implementation in the most general way. These methods are built with the same core, which makes it possible to pass from the one to the other with a great exibility. We propose, with the DIVE method (Discipline Interaction Variable Elimination), a framework for using surrogates models within MDO formulations. Meta-model can be limited to a linear or quadratic approximation. It can be based on traditional learning methods, such as neural networks, Kriging or SVM. One can also use projection techniques such as POD. The meta-model provides an area of condence which determines its validity. This approach by local and successive approximations makes it possible to tackle problems with a large number of variables. We have results obtained with two test-cases of supersonic business jet whitin two dierent frameworks (Scilab and ModelCenter). Key words : multidisciplinary optimization, conceptual aircraft design, meta-models.
Table des matières v Table des matières Introduction 1 1 La conception d'un avion en phase avant-projet 7 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.1 Présentation générale de la conception avion . . . . . . . . . . . . . . . . . . . . . 9 1.1.1 Avant propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.1.2 Quel périmètre pour la conception avion ? . . . . . . . . . . . . . . . . . . 10 1.1.3 Démarche de conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.1.4 Paramètres de conception en phase d'avant-projet . . . . . . . . . . . . . . 15 1.1.5 Principales sorties en conception en phase avant-projet . . . . . . . . . . . 15 1.2 Le cas-test Sobieski . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.2.1 Description du cas-test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.2.2 Problème d'optimisation associé . . . . . . . . . . . . . . . . . . . . . . . . 23 1.3 Le cas-test Dassault . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.3.1 Description du cas-test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.3.2 Problème d'optimisation associé . . . . . . . . . . . . . . . . . . . . . . . . 28 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2 Les formulations pour l'optimisation multi-disciplinaire 29 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.1 Outils et dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.1.1 Disciplines, paramètres, sorties et notations . . . . . . . . . . . . . . . . . 31 2.1.2 Analyse multi-disciplinaire (MDA) . . . . . . . . . . . . . . . . . . . . . . 33 2.1.3 Calcul des gradients (GSE) . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.1.4 Dénition de l'optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.1.5 Méta-modèles disciplinaires . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2 Les formulations MDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.2.1 MDF : Multi-Disciplinary Feasible . . . . . . . . . . . . . . . . . . . . . . 41 2.2.2 IDF : Individual Disciplinary Feasible . . . . . . . . . . . . . . . . . . . . 41 2.2.3 AAO : All-At-Once . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.2.4 CO : Collaborative Optimization . . . . . . . . . . . . . . . . . . . . . . . 45 2.2.5 BLISS : Bi-Level Integration System Synthesis . . . . . . . . . . . . . . . . 47 2.2.6 BLISS 2000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.2.7 DIVE : Disciplinary Interaction Variable Elimination . . . . . . . . . . . . 51 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Page 1: THÈSE En vue de l'obtention du DOC
Page 4 and 5: ii ... tous les doctorants de l'One
Page 8 and 9: vi Table des matières 3 Implément
Page 11 and 12: 1 Introduction Dénition de l'optim
Page 13 and 14: 3 Nous dénissons par stratégies p
Page 15 and 16: 5 D'autres thèses concernant l'opt
Page 17 and 18: Chapitre 1 La conception d'un avion
Page 19 and 20: 1.1 Présentation générale de la
Page 29 and 30: 1.2 Le cas-test Sobieski 19 Variabl
Page 31 and 32: 1.2 Le cas-test Sobieski 21 moteur
Page 33 and 34: 1.2 Le cas-test Sobieski 23 La disc
Page 35 and 36: 1.3 Le cas-test Dassault 25 On peut
Page 37 and 38: 1.3 Le cas-test Dassault 27 Rubriqu
Page 39 and 40: Chapitre 2 Les formulations pour l'
Page 41 and 42: 2.1 Outils et dénitions 31 modèle
Page 43 and 44: 2.1 Outils et dénitions 33 2.1.2 A
Page 45 and 46: 2.1 Outils et dénitions 35 ∇F (p
Page 47 and 48: 2.1 Outils et dénitions 37 Les co
Page 49 and 50: 2.1 Outils et dénitions 39 l'appr
Page 51 and 52: 2.2 Les formulations MDO 41 2.2.1 M
Page 53 and 54: 2.2 Les formulations MDO 43 Princip
Page 55 and 56: 2.2 Les formulations MDO 45 2.2.4 C
Page 57 and 58:
2.2 Les formulations MDO 47 2.2.5 B
Page 59 and 60:
2.2 Les formulations MDO 49 2.2.6 B
Page 61 and 62:
2.2 Les formulations MDO 51 Choix d
Page 63 and 64:
2.2 Les formulations MDO 53 si les
Page 65:
2.2 Les formulations MDO 55 déniti
Page 68 and 69:
58 Implémentation des formulations
Page 70 and 71:
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
Page 82 and 83:
Page 85 and 86:
Chapitre 4 Résultats obtenus avec
Page 87 and 88:
4.1 Résultats pour le cas test Sob
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
4.2 Résultats pour le cas-test Sob
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
4.3 Résultats pour le cas-test Das
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115:
Page 118 and 119:
108 Conclusion la MDA. Les méthode
Page 121 and 122:
111 Annexe A Fonctions objectifs et
Page 123 and 124:
A.2 Optimisation globale 113 La dé
Page 125 and 126:
A.2 Optimisation globale 115 • G
Page 127 and 128:
117 Annexe B Algorithmes d'optimisa
Page 129 and 130:
B.2 Méthode des objectifs bornés
Page 131:
B.3 Optimiseur LIN 121 ρ < η 1 :
Page 134 and 135:
124 Références bibliographiques [
Page 136:
126 Références bibliographiques [
show all

Optimisation multidisciplinaire : étude théorique et application ... - ISAE

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?