Titre : Méthodes d’optimisation pour dimensionnement de systèmes hautement paramétrés
Début de thèse : 01/11/2021
Fin de thèse : 2025
Résumé : La simulation numérique est utilisée pour remplacer des expériences physiques parfois coûteuses et/ou difficiles à mettre en place. Couplée à des algorithmes d’optimisation automatique, elle permet de découvrir des designs optimisés. Le temps calcul (plusieurs à minutes à plusieurs jours) ne permet néanmoins d’effectuer qu’un nombre limité de simulations. Ces restrictions rendent la recherche d’un design optimal ardue. Des techniques d’optimisation Bayésienne permettent de trouver l’optimum en un nombre restreint de simulations numériques. Néanmoins, la difficulté de localiser l’optimum en utilisant le simulateur de façon parcimonieuse s’accentue ·et devient prohibitive lorsque le nombre de paramètres à optimiser (la dimension de l’espace de design) est grand. La grande dimension est en effet une difficulté majeure de nombreux problèmes de conception en raison de l’augmentation exponentielle des solutions envisageables. Ces méthodes Bayésiennes doivent également être adaptées dans des problèmes où le nombreuses de simulations pouvant être effectuées” rendant leur temps d’exécution moins négligeable au regard du temps de simulation numérique, au contraire d’autres méthodes insensibles au nombre de simulations numériques effectuées tels que les algorithmes génétiques.
Mots clés :
Date de soutenance : 18/03/2025
Encadrement :
- Directeur de thèse : Didier Rullière, Professeur Mines Saint-Étienne, LIMOS
Partenaires ou/et Financeurs :
Objectifs de développement durable concernés :
Publications
- Gaussian Processes (GPs) are semi-parametric models commonly employed in various applications such as statistical modeling, sensitivity analysis and Bayesian optimization. GPs are particularly useful in the context of small data. However, GPs suffer particularly from the curse of dimensionality: at a fixed number of data points, their predictive capability may decrease dramatically after 40 dimensions. […]
- Kriging metamodeling (also called Gaussian Process regression) is a popular approach to predict the output of a function based on few observations. The Kriging method involves length-scale hyperparameters whose optimization is essential to obtain an accurate model and is typically performed using maximum likelihood estimation (MLE). However, for high-dimensional problems, the hyperparameter optimization is problematic […]
- […]
- Numerical optimization has been widely used to solve design engineering problems in recent years. However, due to the large number of numerical simulations required, the optimization process involved is often computationally expensive. In order to accelerate the optimization process, strategies based on surrogate models are often used. One such approach, efficient global optimization (EGO) [1], […]
Actualités
- Tanguy Appriou a soutenu sa thèse le mardi 18 mars 2025 à l’Institut Henri Fayol des Mines Saint-Étienne. Ses travaux ont porté sur l’« Optimisation de design en grande dimension », un sujet au cœur des enjeux de conception dans des disciplines … Lire la Suite →
- Ce rapport met en lumière la contribution significative de l’Institut Fayol de Mines Saint-Étienne au Consortium CIROQUO, avec la participation active de Didier Rullière, Charlie Sire, Tanguy Appriou, Xavier Bay, Rodolphe Le Riche, ainsi que d’anciens membres de Mines Saint-Etienne. … Lire la Suite →
- Le Consortium CIROQUO de Recherche et Industrie, publie son rapport d’Activité 2021-2024 Ce rapport met en lumière la contribution significative de l’Institut Fayol de Mines Saint-Étienne au Consortium CIROQUO, avec la participation active de Didier Rullière, Charlie Sire, Tanguy Appriou, … Lire la Suite →
- Le consortium CIROQUO (Consortium Industrie Recherche pour l’Optimisation et la QUantification d’incertitude pour les données Onéreuses) auquel participe Mines Saint-Etienne a tenu ses journées d’automne chez Stellantis Poissy les 23 et 24 novembre derniers. A cette occasion, plusieurs doctorants de … Lire la Suite →