Laboratoire de Mécanique des Fluides et d'Acoustique - UMR 5509

LMFA - UMR 5509
Laboratoire de Mécanique des Fluides et d’Acoustique
Lyon
France


Nos tutelles

Nos partenaires




Accueil > Actualités > Thèses - Habilitations à diriger des recherches

Soutenance de thèse ECL

Martin Buisson

Vendredi 5 février 2021, 9h30, visioconférence

Martin Buisson

Stratégies d’optimisation multi-objectifs par métamodèles de krigeage et de cokrigeage direct avec enrichissement multi-points : Application à la conception 1D d’un fan de refroidissement automobile.

Composition du jury :

- M. Rodolphe Le Riche, Directeur de recherche CNRS, École des des Mines de Saint-Étienne, LIMOS, France (Examinateur)
- M. Pietro Congedo, Directeur de recherche INRIA, Ecole Polytechnique, CMAP, France (Rapporteur)
- M. Tom Verstraete, Professeur, von Karman Institute for Fluid Dynamics, Belgique (Rapporteur)
- Manuel Henner, Docteur, VALEO Thermal Systems, France (Examinateur)
- Stéphane Aubert, Professeur, Ecole Centrale de Lyon, LMFA, France (Directeur)
- Céline Helbert, Professeur, Ecole Centrale de Lyon, ICJ, France (Co-Directeur)
- Pascal Ferrand, Directeur de recherche CNRS émérite, Ecole Centrale de Lyon, LMFA, France (Invité)

Lien pour la visioconférence
ID de réunion : 932 3540 7075
Code secret : 285891

Résumé

Les premières phases de conception d’une turbomachine telle qu’un fan de refroidissement automobile, se font traditionnellement à l’aide de modèles basse-fidélité dont les temps de réponse sont faibles.
Une méthode inverse permet, par exemple, d’aboutir à une géométrie 3D la plus adaptée à un point de fonctionnement nominal et une géométrie de veine spécifiés dans un cahier des charges. Bien qu’intrinsèquement dédiée à la conception, une méthode inverse présente l’inconvénient majeur de reposer sur le savoir-faire du concepteur et sur une approche d’essai-erreur afin d’obtenir une configuration la plus performante qui soit.
En couplant une méthode directe, dédiée à l’analyse des performances de toute géométrie 3D, avec un algorithme d’optimisation multi-objectifs, un balayage plus exhaustif et automatisé de l’espace des paramètres est effectué et l’obtention de configurations Pareto-optimales est facilitée. Néanmoins, une telle stratégie d’optimisation directe nécessite un échantillonnage intensif de ce dernier espace et n’est donc plus envisageable dans des phases de conception plus avancées où les évaluations sont réalisées par un modèle de plus haute-fidélité et plus coûteux tel qu’un solver Reynolds-Averaged Navier-Stokes (RANS).
Des stratégies d’optimisation bayésienne multi-objectifs, embarquant un métamodèle et un critère d’enrichissement, permettent un échantillonnage plus efficace et plus parcimonieux de l’espace des paramètres et ont ainsi été étudiées. Afin de réduire leur coût global et de faciliter leur mise au point et leur comparaison, les configurations échantillonnées en cours de calcul restent évaluées ici via une méthode directe développée en partie durant cette thèse.
Outre les critères, cette méthode directe permet également la restitution de dérivées des critères par rapport à des paramètres de conception pour toute configuration échantillonnée. Ainsi, les processus d’optimisation bayésienne réalisés s’appuient sur des métamodèles soit de krigeage ou de cokrigeage. Leurs performances sont comparées sur plusieurs problèmes d’optimisation de formes de fans et en prenant comme référence les performances de processus d’optimisation directe.
L’originalité de ces travaux réside dans le fait que l’espace des paramètres définissant ces problèmes n’est pas contraint de manière à n’évaluer que des configurations faisables. En effet, à l’instar d’un modèle RANS, la méthode directe employée ici peut parfois ne pas converger et ne pas parvenir à restituer les critères de certaines configurations. Ces travaux de thèse s’inscrivent ainsi dans une démarche de préparation à des processus d’optimisation bayésienne basés sur des évaluations issues d’un solver RANS avec présence de larges zones non-faisables dans l’espace des paramètres. Si des dérivées peuvent être calculées via une méthode d’analyse de sensibilités accompagnant ce solver telle que l’adjoint, les stratégies d’optimisation bayésienne s’appuyant sur du cokrigeage mises en lumière dans cette thèse peuvent s’avérer intéressantes.

Lien pour la visioconférence
ID de réunion : 932 3540 7075
Code secret : 285891

Agenda

Ajouter un événement iCal