Optimisation sous contraintes et incertitudes de la commande du conducteur pour réduire la consommation énergétique des trains à grande vitesse à l'aide de la dynamique stochastique non linéaire et des statistiques
Auteur / Autrice : | Julien Nespoulous |
Direction : | Christian Soize |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences de l'ingénieur |
Date : | Soutenance le 23/11/2022 |
Etablissement(s) : | Université Gustave Eiffel |
Ecole(s) doctorale(s) : | École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire Modélisation et simulation multi échelle (Marne-la-Vallée) - Laboratoire Modélisation et simulation multi échelle (Marne-la-Vallée) |
Jury : | Président / Présidente : Mathilde Mougeot |
Examinateurs / Examinatrices : Christian Soize, Roger Ghanem, Rodolphe Le Riche, Pietro Marco Congedo, Christine Funfschilling, Guillaume Perrin | |
Rapporteurs / Rapporteuses : Roger Ghanem, Rodolphe Le Riche |
Mots clés
Mots clés contrôlés
Résumé
Le monde ferroviaire est en pleine mutation. L'avènement de nouvelles technologies permet de repenser le système du train mais aussi de faire face à de nouveaux enjeux. Le train autonome est une avancée notable dans le domaine mais elle ne doit pas oublier l'ensemble des contraintes écologiques qui sont aujourd'hui accentuées par l'augmentation des coûts de l'énergie. Ces problématiques soulèvent une question: comment faire rouler un train de façon autonome tout en réduisant sa consommation énergétique ? Plusieurs pistes peuvent être explorées pour répondre à cette interrogation. Ce travail de thèse se penche sur l'optimisation de la commande du conducteur pour économiser l'énergie consommée par les trains. Ce problème est difficile à résoudre à cause de la complexité du système ferroviaire, de la grande amplitude d'incertitudes attribuée aux différentes grandeurs du modèle, ou encore de l'importance des contraintes dans le problème d'optimisation. Ce travail de thèse s'articule autour de ces trois axes. Dans un premier temps, le train est un système complexe dont le comportement dynamique peut s'avérer difficile à prévoir. La construction d'un modèle de corps rigides permet de représenter les éléments constituant le train et l'ensemble de leurs interactions mais celui-ci est coûteux à résoudre pour des trajets de grandes distances. Pour cette raison, la dynamique longitudinale est souvent privilégiée lorsque celle-ci est suffisante. L'énergie consommée par le train doit être estimée avec attention comme elle constitue un élément clé de cette recherche. Le deuxième point se focalise sur l'identification des paramètres du modèle. Ceux-ci couvent à la fois des grandeurs décrivant la dynamique, mais aussi la consommation énergétique. Mais les trains ne se comportent pas tous de la même façon. Aussi, l'utilisation du cadre probabiliste permet de représenter autant que possible l'ensemble de ces comportements. L'utilisation de l'inférence Bayésienne sur un ensemble de mesure réalisée sur des trains commerciaux rapproche le modèle de la réalité physique. Enfin, le problème d'optimisation est complexe à résoudre. Les variables d'optimisation ainsi que le domaine de recherche doivent être définis avec attention pour respecter le cadre physique. Un ensemble de contraintes assure la sécurité, la ponctualité et le confort des passagers. La fonction coût doit s'approcher de l'objectif industriel. Cependant, toutes ces grandeurs sont des variables aléatoires. Pour cette raison, une stratégie robuste a été mise en place pour être capable de tenir compte de l'ensemble des incertitudes liées au système. Les solutions optimales obtenues sont comparées avec des mesures de trains commerciaux