Quelques techniques de couplage de modèles et de données
Institution:
Toulouse 3Disciplines:
Directors:
Abstract EN:
Coupling of models and data is the central theme of this work, which has two distinct parts. The first part presents techniques to estimate performance of insulation products and the second part presents a contribution in multidisciplinary optimization. The first part begins by describing limitations of conventional laboratory measurements which do not account for the effect of convection, radiation and phase change on insulation product. The drawback of in situ measurements is that the measured insulation performance strongly depends on meteorological conditions. From the sequences of characteristic meteorological data of the site and in situ measurements, objective is to estimate intrinsic performance of the insulation system. The goal has been achieved using techniques such as neural networks (global assimilation process - GAP), classification technique (predictive clustering - PClust) and using one dimensional heat transfer models (SPEC) describing the complex phenomena present. Numerical results obtained using in situ measurements are shown to be independent of meteorological conditions. In the second part, a new method named DIVE (Disciplinary Interaction Variable Elimination) is introduced. It is shown that DIVE is a generalization of the trust region method and presents number of advantages compared to existing multidisciplinary optimization (MDO) methods: better accuracy in the solution of the state equations, a framework for meta model management. In addition, DIVE method can be considered as a generalization of existing MDO methods.
Abstract FR:
Le couplage de modèles et de données est le fil conducteur de ce travail, qui comporte deux parties distinctes. La première partie présente des techniques d'évaluation des performances de produits d'isolation et la deuxième partie présente une contribution en optimisation multidisciplinaire. La première partie commence par décrire les limites des mesures classiques en laboratoire qui ne tiennent pas compte de la convection, du rayonnement et de changement de phase. L'inconvénient des mesures in situ est de fournir des performances fortement dépendantes des conditions météorologiques. A partir de séquences de données météorologiques représentatives du site et des mesures in situ, nous arrivons à estimer les performances intrinsèques du système d'isolation. Cet objectif a été atteint en considérant des techniques telles que les réseaux neuronale (globale assimilation process - GAP), les techniques de classification (predictive clustering - PClust) et nous avons considéré un modèle thermique mono-dimensionnel (SPEC) décrivant les phénomènes complexes en présence. Les résultats numériques obtenus, sur des mesures in situ, montrent la stabilité des résultats par rapport aux conditions météorologique. Dans la deuxième partie, une nouvelle méthode intitulée DIVE (Disciplinary Interaction Variable Elimination) est introduite. On a montré que DIVE est une généralisation de la méthode de région de confiance et présente de nombreux avantages par rapport aux méthodes d'optimisation multidisciplinaire (MDO) connues : une meilleure précision de la solution des équations d'état, un cadre adéquat pour la gestion des méta modèles. En plus, la méthode DIVE peut être vue comme une généralisation des méthodes de MDO classiques.