Objectifs

L'AF est dédiée à la présentation et à la mise en œuvre d'un éventail de techniques numériques actuellement utilisées par l'ingénieur pour la conception optimale de dispositifs fluidiques (optimisation de forme, choix optimal de paramètres de conception géométriques ou non). Le cours présente deux points originaux principaux :

  • les techniques présentées sont systématiquement reliées aux outils de simulation fluide à la disposition de l'ingénieur en distinguant les outils ouverts (modifiables par l'ingénieur) et fermés (codes commerciaux).
  • la présentation est structurée en retenant comme fil conducteur la quantité d'informations à la disposition de l'ingénieur pour résoudre le problème de conception optimale.

Programme

  1. Optimisation utilisant le gradient en CFD. Estimation par différences finies et approche adjointe. Extension à des problèmes multi-objectifs. BE#1 & #2 : résolution de problèmes modèles puis complexes.
  2. Optimisation sans gradient. De la recherche directe aux métaheuristiques. Optimisation multi- objectifs idéale. BE#3, #4 &#5 : résolution de problèmes modèles puis complexes (échangeur de chaleur, parc éolien) ; démarrage du projet.
  3. Construction de modèles substituts pour des objectifs à coût élevé. BE#6, #7 : résolution d’un problème d’optimisation de forme ou de maximisation de puissance.
  4. Concept d’optimisation robuste. Quantification et propagation d’incertitudes (Chaos Polynomial). BE #8 : optimisation robuste d'un problème précédemment traité en BE.

Développement durable

Niveau 1 : Activité contextualisée par rapport aux problématiques de développement durable et de responsabilité sociétale et/ou illustrée par des exemples, exercices, applications.

DD&RS niveau 1

Activité contextualisée par rapport aux problématiques de développement durable et de responsabilité sociétale et/ou illustrée par des exemples, exercices, applications.

BE
16h
 
Cours
16h
 

Responsables

  • Christophe CORRE
  • Stéphane AUBERT

Langue

Anglais

Mots-clés

optimisation à base de gradient, approche adjointe, recherche directe, optimisation multi-objectifs idéale, algorithmes génétiques, métaheuristiques, modèles substituts, optimisation robuste