Optimisation structurelle catégorique : méthodes et applications
Auteur / Autrice : | Huanhuan Gao |
Direction : | Piotr Breitkopf, Thierry Massart |
Type : | Thèse de doctorat |
Discipline(s) : | Mécanique Numérique : Unité de recherche en Mécanique - Laboratoire Roberval (FRE UTC - CNRS 2012) |
Date : | Soutenance le 07/02/2019 |
Etablissement(s) : | Compiègne en cotutelle avec Université libre de Bruxelles (1970-....) |
Ecole(s) doctorale(s) : | École doctorale 71, Sciences pour l'ingénieur (Compiègne) |
Partenaire(s) de recherche : | Laboratoire : Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval |
Mots clés
Mots clés contrôlés
Résumé
La thèse se concentre sur une recherche méthodologique sur l'optimisation structurelle catégorielle au moyen d'un apprentissage multiple. Dans cette thèse, les variables catégorielles non ordinales sont traitées comme des variables discrètes multidimensionnelles. Afin de réduire la dimensionnalité, les nombreuses techniques d'apprentissage sont introduites pour trouver la dimensionnalité intrinsèque et mapper l'espace de conception d'origine sur un espace d'ordre réduit. Les mécanismes des techniques d'apprentissage à la fois linéaires et non linéaires sont d'abord étudiés. Ensuite, des exemples numériques sont testés pour comparer les performances de nombreuses techniques d’apprentissage. Sur la base de la représentation d'ordre réduit obtenue par Isomap, les opérateurs de mutation et de croisement évolutifs basés sur les graphes sont proposés pour traiter des problèmes d'optimisation structurelle catégoriels, notamment la conception du dôme, du cadre rigide de six étages et des structures en forme de dame. Ensuite, la méthode de recherche continue consistant à déplacer des asymptotes est exécutée et fournit une solution compétitive, mais inadmissible, en quelques rares itérations. Ensuite, lors de la deuxième étape, une stratégie de recherche discrète est proposée pour rechercher de meilleures solutions basées sur la recherche de voisins. Afin de traiter le cas dans lequel les instances de conception catégorielles sont réparties sur plusieurs variétés, nous proposons une méthode d'apprentissage des variétés k-variétés basée sur l'analyse en composantes principales pondérées.