Optimisation multidisciplinaire avec modèles réduits et calcul parallèle

Multidisciplinary optimization with model reduction and parallel computing

• Auteur / Autrice : Manyu Xiao
• Direction : Piotr Breitkopf
• Type : Thèse de doctorat
• Discipline(s) : Mécanique avancée
• Date : Soutenance en 2010
• Etablissement(s) : Compiègne

Mots clés

Mots clés contrôlés

Avions -- Modèles réduits

Modèles réduits

Algorithmes optimaux

Optimisation mathématique

Mots clés libres

Optimisation multidisciplinaire

Interfaçage

Calcul parallèle

Pod

Cpod

Cpod2

Multicritère

Multi-objectifs

Résumé

La gestion des calculs (temps CPU, mémoire, interfaçage) constitue un problème majeur en optimisation multidisciplinaire (Multidisciplinary Design Optimization ou MDO), notamment en raison du coût des simulations numériques « haute fidélité » (éléments finis, volumes finis, etc. ), et du couplage entre disciplines (échanges d’informations, compatibilité des maillages, formats de fichiers). En conséquence, pour limiter le coût global du processus d'optimisation multidisciplinaire, des modèles réduits combinés avec une stratégie de calcul parallèle fournissent une solution économique et performante ; cette problématique est spécifiquement investiguée dans cette thèse. Tout d'abord, un environnement de calcul parallèle considérant simultanément algorithmes d'optimisation, modèles numériques et gestion des processeurs est analysé sur le cas d'un profil d'aile aéroélastique, démontrant la relation étroite entre choix des méthodes d'optimisation et architecture de plates-formes parallèles, et mettant en évidence l'importance de développer des modèles réduits. La suite de la thèse s'attaque donc à l'élaboration de méthodes d'approximation originales combinant les avantages respectifs des métamodèles « généralistes » et « physiques ». Plus précisément, des variantes contraintes (CPOD/CPOD2) de la méthode de décomposition aux valeurs propres ont été mises au point, et appliquées avec succès sur un cas test académique (aile d’avion), ainsi que sur une application industrielle (optimisation multiobjectif de la forme d’un conduit d’admission développé par Renault).

The management of the computational effort (CPU time, memory, interfacing) is a major issue in Multidisciplinary Design Optimization (MDO), due to the cost of the “high fidelity” numerical simulations (finite elements, finite volumes, etc. ), as well as the coupling between disciplines (exchange of information, mesh compatibility, file formats). Therefore, to decrease the overall cost of an MDO process, reduced-order models combined with parallel computing strategies constitute an economical and efficient solution. This topic is thoroughly investigated in this thesis. First, a parallel computing environment gathering optimization algorithms, numerical models and process management is analyzed for the case of an airfoil subject to fluid-structure interaction, demonstrating the close connection between the selection of optimization algorithms and the high-performance computing (HPC) platforms, and also revealing the need for reduced-order models. Consequently, the remainder of the thesis is concerned with the development of novel approximation methods combining the advantages of both “general” and “physics-based” metamodels. More precisely, constrained versions of proper orthogonal decomposition techniques (called CPOD/CPOD2) have been carried out, and successfully applied to an academic test case (the aeroelastic airfoil) and to an industrial example (the multiobjective shape optimization of an intake port developed by Renault).