- Bâtiment A, Arts et Métiers campus Metz, 4 rue Augustin Fresnel, 57070 Metz
Jury
- Elias Cueto (Université de Zaragoza, rapporteur)
- José Paris Lopes (Université de Corunã, rapporteur)
- Abbas Tcharkhtchi (Arts et Métiers, examinateur)
- Anaïs Barasinski (IMT Mines Albi, examinatrice)
- Samia Nouira (Université de Lorraine, examinatrice)
- Sofiane Khelladi (Arts et Métiers, directeur de thèse)
- Mohamed Jebahi (Arts et Métiers, co-encadrant)
- Olivier Strapasson Scorsim (ArcelorMittal Maizières, co-encadrant)
Mots clés : optimisation de forme, CFD, optimisation bayésienne, multifidélité, outils open source
Abstract
La conception en ingénierie s’appuie de plus en plus sur la mécanique des fluides numérique (CFD) pour évaluer les solutions candidates. Toutefois, chaque simulation étant coûteuse, le nombre d’évaluations possibles dans un temps
raisonnable reste limité. Les méthodes classiques comme les algorithmes génétiques exigent des centaines d’évaluations pour converger, ce qui devient irréaliste lorsqu’une seule simulation demande des heures, voire des jours de calcul sur des ressources de calcul intensif. Cette thèse propose un cadre d’apprentissage adaptatif pour l’optimisation de forme couplée à la CFD, capable d’atteindre des designs quasi-optimaux avec beaucoup moins d’évaluations grâce à des modèles probabilistes guidant l’échantillonnage.
Dans une première partie, un cadre d’optimisation mono-fidélité entièrement open-source est développé. Il combine FreeCAD pour la génération de géométries paramétriques, OpenFOAM pour les simulations CFD, et l’optimisation
bayésienne avec processus gaussiens pour le choix intelligent des points à évaluer. Le cadre prend en charge des stratégies séquentielles et par lots, ces dernières exploitant efficacement les architectures de calcul parallèle. Une comparaison systématique avec une solution commerciale de référence sur quatre fonctions de test démontre la robustesse supérieure de l’optimisation bayésienne face aux paysages multimodaux. Le cadre est ensuite appliqué à l’optimisation de forme des busettes immergées en coulée continue, réduisant fortement les fluctuations du ménisque et transformant un écoulement instable en une configuration contrôlée, avec des performances comparables à la référence commerciale.
Dans une seconde partie, le cadre est étendu à l’optimisation bayésienne multi-fidélité, exploitant des approximations hiérarchiques de simulation. Une méthodologie par lots combinant la modélisation par substitution Co-Kriging à une stratégie hybride de sélection (pénalisation de Lipschitz et contraintes de distance) est développée pour garantir la diversité spatiale des candidats évalués en parallèle. La validation sur cinq fonctions de référence d’une à cinq dimensions montre que les bénéfices de l’approche multi-fidélité augmentent fortement avec la dimensionnalité, atteignant un facteur dix d’amélioration sur la fonction de Rosenbrock à cinq dimensions. La méthodologie est enfin appliquée à l’optimisation thermique d’un système de refroidissement par grille de jets pour batteries lithium-ion, où des simulations 3D haute fidélité sont combinées à un modèle 2D/3D hybride bien moins coûteux. L’optimisation identifie une configuration préférentielle maintenant l’ensemble des batteries dans une bande de température étroite, bien en dessous du seuil critique de sécurité thermique.
En visioconférence
Il sera possible d’assister à la soutenance par visioconférence sur Microsoft Teams.
