Titre : Méthodes d’optimisation pour dimensionnement de systèmes hautement paramétrés
Début de thèse : 01/11/2021
Fin de thèse :
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 prévue :
Encadrement :
- Directeur de thèse : Didier Rullière, Professeur Mines Saint-Étienne, LIMOS
Partenaires ou/et Financeurs :