Hybrid Twin in complex system settings
Jumeau Hybride dans le cadre de systèmes complexes
Résumé
The benefits of a deep understanding of the technological and industrial processes of our world are unquestionable. Optimization, inverse analysis or simulation-based control are some of the procedures that can be carried out once the above knowledge is transformed into value for companies. This brings better technologies that end up greatly benefiting society. Think of a routine activity for many people today, such as taking a plane. All the above procedures are carried out in the plane design, on-board control and maintenance, culminating in a technologically resource-efficient product. This strong added value is what is driving Simulation Based Engineering Science (SBES) to make major improvements in these procedures, leading to noticeable breakthroughs in a wide variety of sectors (e.g. Healthcare, Telecommunications or Engineering, to cite only a few).However, SBES is currently confronting several difficulties to provide accurate results in complex industrial scenarios. One is the high computational cost associated with many industrial problems which severely limits or even disables the key processes described above. Another problem is that in other applications, the more accurate (and also more highly-time consuming) models are not able to take into account all the details that govern the physical system under study, with observed deviations that seem to escape our understanding.Therefore, in this context, novel numerical strategies and techniques are proposed throughout this manuscript to deal with the challenges that SBES is facing. To do that, different industrial scenarios are analyzedThe above panorama also brings a perfect opportunity to the so-called DynamicData Driven Application Systems (DDDAS), whose main objective is to merge classical simulation algorithms with data coming from experimental measures. This concept is envisaged thanks to the exhaustive development in Data Science.Within this scenario, data and simulations would no longer be uncoupled but rather they would form a symbiotic relationship which would achieve milestones inconceivable until these days. Indeed, data will no longer be understood as a static calibration of a given constitutive model but rather the model will be corrected dynamically as soon as experimental data and simulations tend to diverge.For this reason, the present dissertation placed a particular emphasis on Model Order Reduction (MOR) techniques, as they are not only a tool to reduce computational complexity, but also a key element in meeting the real time constraints arising from the DDDAS framework.Furthermore, this thesis presents new data-driven methodologies to enrich the so-called Hybrid Twin paradigm. A paradigm which is motivated because it makes DDDAS possible. How? by combining parametric solutions and the MOR framework with “on-the-fly” data-driven (i.e. machine learning) correction models.
Les avantages d'une compréhension approfondie des processus technologiques et industriels de notre monde sont indiscutables. L'optimisation, l'analyse inverse ou le contrôle par simulation sont quelques-unes des procédures qui peuvent être mises en œuvre lorsque les connaissances susmentionnées sont transformées en valeur pour les entreprises. Il en résulte de meilleures technologies qui finissent par profiter grandement à la société. Pensez à une activité quotidienne pour de nombreuses personnes aujourd'hui, comme prendre l'avion. Toutes les procédures évoquées ci-dessus sont mises en œuvre dans la conception de l'avion, tel que le contrôle à bord et la maintenance, pour aboutir à un produit technologiquement efficace en termes de ressources. Cette forte valeur ajoutée est ce qui pousse les sciences de l'ingénieur basées sur la simulation (Simulation Based Engineering Science, SBES) à apporter des améliorations majeures à ces procédures, conduisant à des percées notables dans une grande variété de secteurs (comme par exemple la santé, les télécommunications ou l'ingénierie).Cependant, les SBES sont actuellement confrontées à plusieurs difficultés pour fournir des résultats précis dans des scénarios industriels complexes. L'une d'elles est le coût de calcul élevé associé à de nombreux problèmes industriels, qui limite fortement, voire rend impossible, les processus clés décrits ci-dessus. Un autre problème apparaît dans d'autres applications, où les modèles plus précis (et aussi plus gourmands en temps) ne sont pas capables de prendre en compte tous les détails qui régissent le système physique étudié, avec des déviations observées qui semblent échapper à notre compréhension.C'est pourquoi, dans ce contexte, de nouvelles stratégies et techniques numériques sont proposées tout au long de ce manuscrit pour relever les défis auxquels les SBES sont confrontées avec l'étude de différentes applications.Le panorama ci-dessus offre également une opportunité parfaite pour les Dynamic Data Driven Application Systems (DDDAS), dont l'objectif principal est de fusionner les algorithmes de simulation classiques avec les données provenant de mesures expérimentales. Ce concept est envisagé grâce au développement exhaustif de la science des données. Dans ce scénario, les données et les simulations ne seraient plus découplées, mais formeraient une relation symbiotique qui permettrait d'atteindre des étapes inconcevables jusqu'à aujourd'hui. En effet, les données ne seront plus prises en compte pour un étalonnage statique d'un modèle constitutif donné, mais plutôt comme une correction dynamique dès que les données expérimentales et les simulations auront tendance à diverger.C'est dans ce but que cette thèse met un accent particulier sur les techniques de réduction de modèles, car elles ne sont pas seulement un outil pour réduire la complexité de calcul, mais aussi un élément clé pour répondre aux contraintes de temps réel découlant du cadre des DDDAS.En outre, cette thèse présente de nouvelles méthodologies axées sur les données pour enrichir le paradigme dit des jumeaux hybrides. Un paradigme qui est motivé parce qu'il rend les DDDAS possible. Comment ? En combinant des solutions paramétriques et des techniques de réduction de modèles avec des corrections à la volée basés sur les données experimentales
Origine : Version validée par le jury (STAR)