Quelques enjeux de l’optimisation en SPI

Expl. d’un projet national

Rodolphe Le Riche

www.emse.fr/~leriche

(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 System@tic.

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

Optimisation collaborative

Pb. optimisation couplé :minxa,xm,xi masse(xm)rupture(xm,xi,u) > 1 où u(xm,xi,p)portance(xa,u) > portancemini(xm) où p(xa,u)

comment découpler les disciplines « rupture » et « portance » ?

var. struct. massiques, xm

var. forme, xa

var. struct. sans masse, ximin

u, déplacementsp, pressions

Optimisation avec incertitudes

Opt. déterministe : minx f(x)

Opt. + incertitudes : U , les aléas(minx f(x,U) n’a pas de sens)

mins,x s

tel que Prob( f(x,U) < s ) > Pmini

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. www.scilab.org ).

Stratégie logicielle

Structure du projet

Multi-N m

odèles

Multi-

N param.

Opt. + in

certi

tudes

Opt. co

llabo

rative

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.