LOGIN TO YOUR ACCOUNT

Username
Password
Remember Me
Or use your Academic/Social account:

CREATE AN ACCOUNT

Or use your Academic/Social account:

Congratulations!

You have just completed your registration at OpenAire.

Before you can login to the site, you will need to activate your account. An e-mail will be sent to you with the proper instructions.

Important!

Please note that this site is currently undergoing Beta testing.
Any new content you create is not guaranteed to be present to the final version of the site upon release.

Thank you for your patience,
OpenAire Dev Team.

Close This Message

CREATE AN ACCOUNT

Name:
Username:
Password:
Verify Password:
E-mail:
Verify E-mail:
*All Fields Are Required.
Please Verify You Are Human:
On Thursday 28/09/2017 and Friday 29/09/2017 due to system maintenance you might experience some downtimes to claim, search and validator services that will also affect the portal. We apologize for the inconvenience.
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Optimisation multi-disciplinaire, Conception avion avant-projet, Méta-modèles, Multidisciplinary optimization, Conceptual aircraft design, Meta-models, 510
L'optimisation multi-disciplinaire propose des solutions aux problèmes de conception de systèmes complexes. Le terme « optimisation multi-disciplinaire » laisse sous-entendre à tort qu'il ne s'agit que d'un problème d'optimisation. Nous lui préférons ici le terme de « conception collaborative ». En effet, l'optimisation ne représente qu'un aspect, qui ne peut être séparée du reste du problème de conception. Le but n'est pas de créer un processus automatique, mais de faciliter les échanges entre les équipes des différentes disciplines. De nombreuses méthodes, appelées communément formulations MDO (de Multi-Disciplinary Optimization), apparaissent dans la littérature (MDF, IDF, AAO, BLISS, CO). Elles proposent des stratégies permettant, d'une part, d'assurer la cohérence de la description du système complexe et, d'autre part, d'effectuer la recherche de la configuration optimale. Dans un premier temps, nous dressons un état de l'art des formulations MDO. Nous mettons en avant leurs points communs et leurs différences, afin de proposer une implémentation de la manière la plus générale qui soit. Nous proposons, avec la méthode DIVE (Discipline Interaction Variable Elimination), un cadre d'utilisation de méta-modèles au sein des formulations MDO. Le méta-modèle peut se limiter à une approximation linéaire ou quadratique. Il peut s'appuyer sur des méthodes classiques d'apprentissage, telles que les réseaux neuronaux, le Krigeage ou la SVM. Chaque méta-modèle est accompagné d'une région de confiance qui en détermine la validité. Cette approche par approximations locales et successives permet d'aborder les problèmes de grande dimension. Nous présentons des résultats obtenus avec deux cas-tests d'avions d'affaires supersoniques obtenus sous deux environnements différents (Scilab et ModelCenter). Multidisciplinary optimization proposes solutions for complex system design problems. The name "multidisclpllnary optimization" is often taken llterally. We prefer to call it "collaborative design optimization". Indeed, the optimization tool is only one part which can not be separated from the total design process. The goal of collaborative optimization is not to create an automatic design process based on optimization algorithms but to allow easy interaction amongst teams from different disciplines. Many methods, commonly called MDO formulations (of Multi-Disciplinary Optimization), appear in literature (MDF, IDF, AAO, BLISS, CO). They propose strategies making it possible, on the one hand, to ensure the coherence of the complex system description, on the other hand, to carry out the research of the optlmal configuration. Initially, we draw up a state of the art of MDO formulations. We show up their common points and differences. Then we propose an implementation in the most general way. These methods are built with the same core, which makes it possible to pass from the one to the other with a great flexibility. We propose, with the DIVE method (Discipline Interaction Variable Elimination), a framework for using surrogates models within MDO formulations. Meta-model can be limited to a linear or quadratic approximation. It can be based on traditional learning methods, such as neural networks, Kriging or SVM. The meta-model provides an area of confidence which determines its validity. This approach by local and successive approximations makes it possible to tackle problems with a large number of variables. We have results obtained with two test-cases of supersonic business jet whitin two different frameworks (Scilab and ModelCenter).
  • No references.
  • No related research data.
  • No similar publications.

Share - Bookmark

Cite this article