Quelques enjeux de l’optimisation en SPI Expl. d’un projet national Rodolphe Le Riche (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  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

Pb. optimisation couplé : min xa,xm,xi masse(x m ) rupture(x m,x i,u) > 1 où u(x m,x i,p) portance(x a,u) > portance mini (x m ) où p(x a,u)  comment découpler les disciplines « rupture » et « portance » ? var. struct. massiques, x m var. forme, x a var. struct. sans masse, x i u, déplacements p, pressions

Optimisation avec incertitudes Opt. déterministe : min x f(x) Opt. + incertitudes : U, les aléas (min x f(x,U) n’a pas de sens) min s,x s tel que Prob( f(x,U) P mini 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. ). Stratégie logicielle

Structure du projet Multi-N modèles Multi-N param. Opt. + incertitudes Opt. collaborative 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.