Contrôle par apprentissage automatique et méthodes de gradient appliqué aux écoulements cisaillés numériques et expérimentaux
Auteur / Autrice : | Guy Y. Cornejo Maceda |
Direction : | Bernd R. Noack, François Lusseyran |
Type : | Thèse de doctorat |
Discipline(s) : | Mécanique des fluides |
Date : | Soutenance le 17/03/2021 |
Etablissement(s) : | université Paris-Saclay |
Ecole(s) doctorale(s) : | École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....) |
référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....) | |
Jury : | Président / Présidente : Marc Schoenauer |
Examinateurs / Examinatrices : Christian Olivier Paschereit, Laurent Keirsbulck, Shervin Bagheri, J. Nathan Kutz, Bérengère Podvin | |
Rapporteurs / Rapporteuses : Christian Olivier Paschereit, Laurent Keirsbulck |
Mots clés
Mots clés contrôlés
Résumé
Nous proposons un algorithme rapide et automatisé de contrôle par apprentissage automatique enrichi de méthodes de gradients (gMLC) pour l’optimisation de lois de contrôle en boucle fermée. Notre méthodologie alterne entre l’exploration de l’espace de recherche et l’exploitation des gradients locaux, et généralise la programmation génétique (GPC) et l’Explorative Gradient Method (EGM). L’algorithme gMLC est implémenté et testé numériquement, par la stabilisation d’un système multi-entrées multi-sorties, le pinball fluidique et expérimentalement, par le contrôle de la cavité ouverte. Dans les deux cas, gMLC a construit des lois de contrôle en boucle fermée permettant les meilleures performances répertoriées. Nous démontrons aussi que les mécanismes de contrôle pour la cavité reposent effectivement sur la rétroaction à partir de la mesure de l’état. La comparaison entre gMLC et GPC est toujours à l’avantage de gMLC aussi bien en termes de vitesse de convergence que de qualité de la solution finale. Le gain en vitesse d’apprentissage est d’au moins un facteur 10, permettant d’envisager le contrôle d’expériences complexes avec, par exemple, un grand nombre d’entrées et de sorties ou des tests multi-paramètres pour assurer la robustesse de l’apprentissage. Enfin, deux codes sont mis en ligne en libre accès: xMLC, basé sur le contrôle par programmation génétique et gMLC, basé sur notre nouvel algorithme.