Optimisation de formes paramétriques en grande dimension

• Auteur / Autrice : Pierre Froment
• Direction : Louis Jézéquel, Frédéric Gillot
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 24/04/2014
• Etablissement(s) : Ecully, Ecole centrale de Lyon
• Ecole(s) doctorale(s) : École doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne ; 2011-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de tribologie et dynamique des systèmes (Écully, Rhône ; 1970-)
• Jury : Président / Présidente : Alain Combescure
• Jury : Examinateurs / Examinatrices : Christian Soize, Marc Albertelli
• Jury : Rapporteur / Rapporteuse : Christian Soize, Roger Ohayon

Mots clés

Mots clés contrôlés

Optimisation mathématique

Conception assistée par ordinateur

Mots clés libres

Optimisation de formes

CAO

Paramétrisation

Analyse de sensibilité

Shape optimization

CAD

Parametrization

Sensitivity analysis

Résumé

Les méthodes actuelles d’optimisation de formes permettent des gains importants vis-à-vis des fonctions à optimiser. Elles sont largement utilisées par les industriels, notamment dans l’automobile comme chez Renault. Parmi ces approches, l’optimisation de formes paramétriques permet d’obtenir rapidement une géométrie optimale sous réserve que l’espace de conception soit assez restreint pour pouvoir être parcouru en un temps de simulation raisonnable. Ce manuscrit présente deux méthodes d’optimisation de formes paramétriques en grande dimension pour des applications nécessitant des coûts de calculs importants, par exemple en mécanique des fluides. Une manière originale de reconstruire un modèle CAO paramétré à partir d’une surface morte est présentée au préalable. Nous proposons une approche pour identifier les zones interdites de l’espace de conception ainsi que leurs gestions dans une boucle d’optimisation par plans d’expériences. La première méthode s’appuie sur des techniques statistiques pour lever le verrou du nombre de degrés de liberté et utilise une optimisation à deux niveaux de fidélité pour minimiser les temps de calcul. Cette méthode en rupture avec le processus industriel habituel a été appliquée pour optimiser le coefficient de trainée aérodynamique d’un véhicule. La seconde méthode se base sur l’exploitation des gradients fournis par les solveurs adjoints, c’est-à-dire sur les sensibilités du critère (comme l’uniformité d’un écoulement par exemple) par rapport aux degrés de liberté de l’optimisation. Cette méthode innovante et en rupture avec les approches classiques permet de lever très naturellement le verrou du nombre de paramètres. Cependant, les gradients fournis par les logiciels ne sont pas donnés par rapport aux paramètres CAO mais par rapport aux nœuds du maillage. Nous proposons donc une façon d’étendre ces gradients jusqu’aux paramètres CAO. Des exemples académiques ont permis de montrer la pertinence et la validité de notre approche.

Current design loops for shape optimizations allow significant improvements in relation to the functions that need to be optimized. They are widely used in industry, particularly in the car industry like Renault. Among these approaches, parametric shape optimization allows rapid enhancement of the shape, on the condition that the design space is confined enough in order to be explored within a reasonable computational time. This Thesis introduces two CAD-based large-scale shape optimization methods for products requiring significant computational cost, for example in fluid mechanics. An original way to create a parameterized CAD model developed from a dead geometry is presented first. We propose an approach to identify the restricted areas of the design space and their managements in an optimization loop that uses a design of experiments. The first method is based on statistical techniques to circumvent the difficulties of large-scale optimizations and uses a two-level multi-fidelity modelling approach to minimize the computational time. This method, breaking away from the usual industrial process, was applied to optimize the aerodynamic drag coefficient of a car body. The second method is based on the gradients provided by adjoint solvers, that is to say on the sensitivity of the cost function (such as the uniformity deviation for example) with respect to the design points or displacement boundaries. This innovative method breaking away from classical approaches naturally gets over the number of degrees of freedom. However, the sensitivities provided by softwares are not computed with respect to CAD parameters but with respect to the coordinates of the vertices of the surface mesh. Thus, we propose a way to extend these gradients to CAD parameters. Academic test cases have proved the efficiency and accuracy of our method.