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:
fbtwitterlinkedinvimeoflicker grey 14rssslideshare1
Languages: French
Types: Article
Subjects: Optimisation, Krigeage, PLS, Aubes de turbomachines, 510, Optimization, Kriging, Turbomachinery blades
Les turbomachines aéronautiques sont composées de plusieurs roues aubagées dont la fonction est de transférer l’énergie de l’air au rotor. Les roues aubagées des modules compresseur et turbine sont des pièces particulièrement sensibles car elles doivent répondre à des impératifs de performance aérodynamique, de tenue mécanique, de tenue thermique et de performance acoustique. L’optimisation aéro-méca-acoustique ou aéro-thermo-mécanique des aubages consiste à chercher, pour un ensemble de formes aérodynamiques paramétrées (par plusieurs dizaines de variables), celle assurant le meilleur compromis entre la performance aérodynamique du moteur et la satisfaction de plusieurs dizaines de contraintes souvent contradictoires. Cette thèse introduit une méthode d’optimisation basée sur les métamodèles et adaptée à la grande dimension pour répondre à la problématique industrielle des aubages. Les contributions de cette thèse portent sur deux aspects : le développement de modèles de krigeage, et l’adaptation d’une stratégie d’optimisation pour la gestion du grand nombre de variables et de contraintes. La première partie de ce travail traite des modèles de krigeage. Nous avons proposé une nouvelle formulation du noyau de covariance permettant de réduire le nombre de paramètres du modèle afin d’accélérer sa construction. Une des limitations connues du modèle de krigeage concerne l’estimation de ses paramètres. Cette estimation devient de plus en plus difficile lorsque nous augmentons la dimension du phénomène à approcher. En particulier, la base de données nécessite davantage de points et par conséquent la matrice de covariance du modèle du krigeage est de plus en plus coûteuse à inverser. Notre approche consiste à réduire le nombre de paramètres à estimer en utilisant la méthode de régression des moindres carrés partiels (PLS pour Partial Least Squares). Cette méthode de réduction dimensionnelle fournit des informations sur la relation linéaire entre les variables d’entrée et la variable de sortie. Ces informations ont été intégrées dans les noyaux du modèle de krigeage tout en conservant les propriétés de symétrie et de positivité des noyaux. Grâce à cette approche, la construction de ces nouveaux modèles appelés KPLS est très rapide étant donné le faible nombre de paramètres nécessaires à estimer. La validation de ces modèles KPLS sur des cas test académiques ou industriels a démontré leur qualité de prédiction équivalente voire même meilleure que celle des modèles de krigeage classiques. Dans le cas de noyaux de covariance de type exponentiel, la méthode KPLS peut être utilisée pour initialiser les paramètres du krigeage classique, afin d’accélérer la convergence de l’estimation des paramètres du modèle. La méthode résultante, notée KPLS+K, a permis d’améliorer la qualité des modèles dans le cas de fonctions fortement multimodales. La deuxième contribution de la thèse a consisté à développer une stratégie d’optimisation globale sous contraintes pour la grande dimension, en s’appuyant sur les modèles KPLS ou les modèles KPLS+K. En effet, nous avons étendu la méthode d’optimisation auto-adaptative connue dans la littérature sous le nom "Efficient Global Optimisation, EGO" pour gérer les problèmes d’optimisation sous contraintes en grande dimension. Différents critères d’enrichissement adaptatifs ont pu être explorés. Cette stratégie a permis de retrouver l’optimum global sur des problèmes académiques jusqu’à la dimension 50. La méthode proposée a été confrontée à deux types de problèmes industriels, le cas test MOPTA issu de l’industrie automobile (124 variables d’entrée et 68 fonctions contraintes) et le cas test Snecma des aubes de turbomachines (50 variables d’entrée et 31 fonctions contraintes). Les résultats ont permis de montrer la validité de la démarche ainsi que les limites de la méthode pour une application dans un cadre industriel. Aerospace turbomachinery consists of a plurality of blades. Their main function is to transfer energy between the air and the rotor. The bladed disks of the compressor are particularly important because they must satisfy both the requirements of aerodynamic performance and mechanical resistance. Mechanical and aerodynamic optimization of blades consists in searching for a set of parameterized aerodynamic shape that ensures the best compromise solution between a set of constraints. This PhD introduces a surrogate-based optimization method well adapted to high-dimensional problems. This kind of high-dimensional problem is very similar to the Snecma’s problems. Our main contributions can be divided into two parts : Kriging models development and enhancement of an existing optimization method to handle high-dimensional problems under a large number of constraints. Concerning Kriging models, we propose a new formulation of covariance kernel which is able to reduce the number of hyper-parameters in order to accelerate the construction of the metamodel. One of the known limitations of Kriging models is about the estimation of its hyper-parameters. This estimation becomes more and more difficult when the number of dimension increases. In particular, the initial design of experiments (for surrogate modelling construction) requires an important number of points and therefore the inversion of the covariance matrix becomes time consuming. Our approach consists in reducing the number of parameters to estimate using the Partial Least Squares regression method (PLS). This method provides information about the linear relationship between input and output variables. This information is integrated into the Kriging model kernel while maintaining the symmetry and the positivity properties of the kernels. Thanks to this approach, the construction of these new models called KPLS is very fast because of the low number of new parameters to estimate. When the covariance kernel used is of an exponential type, the KPLS method can be used to initialize parameters of classical Kriging models, to accelerate the convergence of the estimation of parameters. The final method, called KPLS+K, allows to improve the accuracy of the model for multimodal functions. The second main contribution of this PhD is to develop a global optimization method to tackle high-dimensional problems under a large number of constraint functions thanks to KPLS or KPLS+K method. Indeed, we extended the self adaptive optimization method called "Efficient Global Optimization, EGO" for high-dimensional problems under constraints. Several enriching criteria have been tested. This method allows to estimate known global optima on academic problems up to 50 input variables. The proposed method is tested on two industrial cases, the first one, "MOPTA", from the automotive industry (with 124 input variables and 68 constraint functions) and the second one is a turbine blade from Snecma company (with 50 input variables and 31 constraint functions). The results show the effectiveness of the method to handle industrial problems.We also highlight some important limitations.

Share - Bookmark

Cite this article