L'optimisation simultanée pour la conception et la fabrication des structures composites
Institution:
Saint-Etienne, EMSEDisciplines:
Directors:
Abstract EN:
On propose une méthodologie d'optimisation simultanée qui prend en compte la performance mécanique et le coût excessivement élevé de fabrication. La rigidité ou le critère de rupture de la structure sont considérés comme le critère structural. Le coût de fabrication peut être réduit par minimisation de durée de cycle de procédé. Une méthode intégrée d'optimisation est proposée pour décider les paramètres structurels et les paramètres de procédé tels que l'ordre d'empilement des couches, l'épaisseur de moule, le nombre de couches, les endroits de porte d'injection et la fraction volumique de fibre, tous ensembles. Comme méthode d'optimisation, un algorithme génétique est utilisé. Pour mieux atteindre le but, le codage des variables et les opérations génétiques, telles que le croisement et la mutation, ont été modifiés. Un des inconvénients des algorithmes génériques est le temps de calcul exhaustif. Pour pallier ce problème numérique, "l'adaptation automatique de la taille de population" et "une méthode d'étude locale" sont proposées.
Abstract FR:
A simultaneous optimization methodology that takes into consideration both the mechanical performance and the manufacturing cost of composite structures from the early stage of structural design is proposed to avoid excessively high manufacturing cost. The stiffness or strength of the structure is considered as a structural criterion. Manufacturing cost is looked at in terms of process cycle time. An integrated optimization method is proposed to decide structural and process parameters such as stacking sequence of layers, mold thickness, number of layers, injection gate locations and fiber volume fraction altogether. As an optimization scheme, a genetic algorithm is employed. To fit a specific purpose, encoding of variables and genetic operators, namely crossover and mutation, are modified. One of the disadvantages of genetic algorithms is that they require a high computational cost. In order to increase numerical efficiency, two attempts, namely "self-adaptation of population size" and "local learning" are made.