Quelques enjeux de l’optimisation en SPI Expl. d’un projet national

1. Quelques enjeux de l’optimisation en SPIExpl. d’un projet national Rodolphe Le Riche www.emse.fr/~leriche (G2I/3MI et SMS/MPE et CNRS UMR 5146)

2. Objectifs de la présentation • Un exemple de réflexion macroscopique sur l’optimisation: le projet OMD. • Autres travaux en cours.

3. Constats sur l’optimisation en SPI Les logiciels de simulation progressent mais la conception optimale de systèmes complexes (avions, fusées, voitures, …) se heurte à : • un volume de calculs trop élevé, • la non-prise en compte des erreurs de modèles dans l’optimisation, • la dispersion des compétences et outils de simulation qui peinent à interagir lors de l’optimisation. Objectifs d’OMD : rapprocher l’optimisation du monde réel en répondant à ces trois points.

4. Le projet OMD en chiffres OMD = Optimisation Multi-Disciplinaire Budget total de 3 Meuros, dont 1.2 Meuros de l’ANR/RNTL  23 ho.an de CDD (post-doc et thèses) répartis sur 10 partenaires universitaires et 6 industriels et EPIC, pendant 3 ans. Labellisé pôle de compétitivité System@tic. un effort national non négligeable mais un petit projet / partenaire / an. RLR porteur du projet, O. Roustant (3MI) porteur pour l’ENSM-SE.

5. Idées de base structurant le projet OMD

6. Multi-niveaux de modèles il existe plusieurs simulateurs réalisant différents compromis entre temps et précision du calcul, valables dans différents domaines, se nourrissants les uns des autres  comment les faire collaborer dans une démarche d’optimisation. modèle analytique avant-projet méta-modèle appris simulation CFD précision et temps de calculs croissants

7. Multi-niveaux de paramètres • Il existe souvent plusieurs niveaux de paramétrisations • emboîtées, x(1) le plus simple, x(2) plus détaillé … x(p). • l’espace de recherche des x(1) est plus petit que celui des x(2) … Comment gérer les optimisations dans les différentes paramétrisations pour avoir l’optimisation la plus rapide ?

8. Optimisation collaborative

9. var. forme, xa u, déplacements p, pressions var. struct. sans masse, xi var. struct. massiques, xm Optimisation collaborative Pb. optimisation couplé : minxa,xm,xi masse(xm) rupture(xm,xi,u) > 1 où u(xm,xi,p) portance(xa,u) > portancemini(xm) où p(xa,u)  comment découpler les disciplines « rupture » et « portance » ?

10. Optimisation avec incertitudes Opt. déterministe : minx f(x) Opt. + incertitudes : U , les aléas (minx f(x,U) n’a pas de sens) mins,x s tel que Prob( f(x,U) < s ) > Pmini Problème : estimer la probabilité dans une boucle d’optimisation multiplie son coût.  propagation d’incertitudes dans l’optimisation (travaux débutent en 3MI – G. Pujol, V. Picheny, et en MPE, C. Gogu).

11. Stratégie logicielle • Comment assurer productivité des développements, pérennisation et ouverture de la plate forme aux collaborateurs ? • Langage simple (pas de C++, …), dispo. pour tous syst. d’exploitation, avec des bibliothèques pré-existantes, • Logiciel libre (méthodes des communautés de développeurs, faible coût), évitant d’être dépendant de solutions propriétaires, • Choix de Scilab (cf. www.scilab.org ).

12. Opt. + incertitudes Opt. collaborative Multi-N param. Multi-N modèles méta-modèles stratégie logicielle cas test moteur cas test lanceur cas test avion Structure du projet

13. Autres travaux en cours en 3MI (projet DICE)

14. Optimisation globale utilisant le krigeage • Le krigeage permet • une prédiction aux points inconnus • assortie d’une mesure d’incertitudes. •  parfait pour l’opt. globale. • (Thèse de D. Ginsbourger)

15. Optimisation de puits de pétrole par plans d’expériences imbriqués Cf. Delphine Dupuy et Bernard Corre.

16. Conclusions sur l’optimisation à l’ENSM-SE • Possibilités d’échanges et d’organisation : • Information mutuelle lors de séminaires, journées, GT … • Partage d’algorithmes (stratégie logicielle ?). • Collaboration autour de problèmes difficiles.