Adaptive full-field multi-fidelity surrogate based optimization dedicated to turbomachinery design
Méthodes d’optimisation assistées par méta-modèles vectoriels multi-fidélité et stratégies d’enrichissement dédiées à la conception de turbomachines
Résumé
In the design optimization of complex systems, the surrogate model approach based on progressively enriched designs of experiments avoids the efficiency problems encountered when integrating simulation codes into optimization loops. However, efficient a priori sampling of the design space quickly becomes costly when using High-Fidelity (HF) simulators, especially in high-dimension settings. On the other hand, in aeronautical design, several simulation tools are frequently available for the same system, usually with a degree of accuracy inversely proportional to the simulation cost. The concept of Multi-Fidelity (MF) proposes to merge different levels of fidelity within a single model with a controlled variance. Based on recent reducedorder modeling techniques, an alternative approach pursues the goal of simulation budget control by replacing expensive models with their approximate full-field equivalents, providing additional insight into scalar surrogates constructed directly from the physical quantities of interest. The two approaches, MF and Reduced-Order Model (ROM), may be combined, allowing additional flexibility in choosing the degree of fidelity required in different areas of the design space. Reduced basis and MF surrogate-based optimization raise predictability issues when relying on offline sampling, resulting in costly optimization procedures. To address this problem, offline-online strategies, also known as adaptive strategies, are employed to tune the metamodel as the optimization search progresses. The enrichment criterion uses a merit function to predict both the accuracy improvement and the optimization goal. The next point to be evaluated is selected to maximize this criterion iteratively until a suitable stopping condition is reached. The objective is to select the most relevant points in order to reduce the number of calls to the solvers, which would answer a given design problem. Adaptive selection has the advantage of making better use of the available information in a time-efficient way. This thesis introduces and validates optimization techniques assisted by MF substitution models based on Non-Intrusive reduced basis models. A benchmark case is introduced to test the full-field MF optimization methodologies on an example with characteristics representative of turbomachinery problems. The predictability of the proposed MF Non-Intrusive Reduced- Basis (MFNIRB) surrogate models is compared to classical surrogate models of the literature on analytical and industrial applications.
Dans l'optimisation de la conception de systèmes complexes, l'approche des modèles de substitution basée sur des plans d’expériences progressivement enrichis permet d'éviter les problèmes d'efficacité rencontrés lors de l'intégration de codes de simulation dans les boucles d'optimisation. Cependant, un échantillonnage a priori efficace de l'espace de conception devient rapidement coûteux lors de l'utilisation de simulateurs Haute-Fidélité (HF), en particulier en haute dimension. D'autre part, dans la conception aéronautique, plusieurs outils de simulation sont fréquemment disponibles pour le même problème, généralement avec un degré de précision inversement proportionnel au coût du processeur. Le concept de Multi-Fidélité (MF) propose de fusionner différents niveaux de fidélité au sein d'un modèle unique avec une variance contrôlée. Basée sur les récentes techniques de modélisation d'ordre réduit, une autre approche poursuit l'objectif de contrôle du budget de simulation en remplaçant les modèles coûteux par leurs modèles réduits en champ complet, fournissant une vision supplémentaire des substituts scalaires construits directement à partir des quantités d'intérêt. Les deux approches, MF et modèles réduits, peuvent être combinées, ce qui permet une flexibilité supplémentaire dans le choix du degré de fidélité requis dans différentes zones de l'espace de conception. L'optimisation assistée par métamodèles et les modèles MF basés sur la réduction de modèle posent des problèmes de prévisibilité lorsque les substituts reposent sur un échantillonnage hors-ligne, impliquant des procédures d'optimisation coûteuses. Pour résoudre ce problème, des stratégies hors-ligne / en ligne, également appelées stratégies adaptatives, sont utilisées pour ajuster le métamodèle au fur et à mesure de la progression de la recherche d'optimisation. Le critère d'enrichissement utilise une fonction de mérite pour prévoir à la fois l'amélioration de la précision et la résolution du problème d'optimisation. Le point suivant à évaluer est sélectionné pour maximiser ce critère de manière itérative jusqu'à ce qu'une condition d'arrêt appropriée soit atteinte. L'objectif est de sélectionner les points les plus pertinents afin de réduire le nombre d'appels aux solveurs, qui répondraient à un problème de conception donné. La sélection adaptative présente l'avantage de mieux utiliser les informations disponibles de manière efficace en termes de temps. Cette thèse introduit et valide des techniques d'optimisation assistées par des approximations MF à base réduite non intrusive (MFNIRB). Un cas de référence est introduit pour tester les méthodologies d'optimisation MF sur un exemple aux caractéristiques représentatives des problèmes de turbomachines. La convergence des modèles de substitution MFNIRB proposés est comparée à celle des modèles de substitution classiques de la littérature sur des applications analytiques et industrielles.
| Origine | Version validée par le jury (STAR) |
|---|