High-dimensional multidisciplinary design optimization for aircraft eco-design - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2024

High-dimensional multidisciplinary design optimization for aircraft eco-design

Optimisation multi-disciplinaire en grande dimension pour l'éco-conception avion en avant-projet

Résumé

Description: Ph.D on Gaussian Process kernels for Bayesian optimization in high dimension with mixed and hierarchical variables at ISAE-SUPAERO. Keywords: Gaussian process, Black-box optimization, Bayesian inference, Multidisciplinary design optimization, Mixed hierarchical and categorical inputs, Eco-friendly aircraft design. Nowadays, there is a significant and growing interest in improving the efficiency of vehicle design processes through the development of tools and techniques in the field of MDO. Specifically, in aerostructure design, aerodynamic and structural variables influence each other and have a joint effect on quantities of interest like weight or fuel consumption and, as such, MDO arises as a powerful tool for automatically making interdisciplinary trade-offs. In the aircraft design context, the process generally involves mixed continuous and categorical design variables. For instance, the size of an aircraft’s structural parts can be described using continuous variables, while discrete variables may include either integer variables, like the number of panels, or categorical variables, like cross-sections or material choices. The objective of this Philosophiae Doctor (Ph.D) thesis is to propose an efficient approach for optimizing a multidisciplinary black-box model when the optimization problem is constrained and involves a large number of mixed integer design variables (typically 100 variables). The targeted optimization approach, called EGO, is based on a sequential enrichment of an adaptive surrogate model and, in this context, GP surrogate models are one of the most widely used in engineering problems to approximate time-consuming high fidelity models. EGO is a heuristic BO method that performs well in terms of solution quality. However, like any other global optimization method, EGO suffers from the curse of dimensionality, meaning that its performance is satisfactory on lower dimensional problems, but deteriorates as the dimensionality of the optimization search space increases. For realistic aircraft design problems, the typical size of the design variables can even exceed 100 and, thus, trying to solve directly the problems using EGO is ruled out. The latter is especially true when the problems involve both continuous and categorical variables increasing even more the size of the search space. In this Ph.D thesis, effective parameterization tools are investigated, including techniques like partial least squares regression, to significantly reduce the number of design variables. Additionally, Bayesian optimization is adapted to handle discrete variables and high-dimensional spaces in order to reduce the number of evaluations when optimizing innovative aircraft concepts such as the “DRAGON” hybrid airplane to reduce their climate impact.
De nos jours, un intérêt significatif et croissant pour am améliorer les processus de conception de véhicules s’observe dans le domaine de l’optimisation multidisciplinaire grâce au développement de nouveaux outils et de nouvelles techniques. Concrètement, en conception aérostructure, les variables aérodynamiques et structurelles s’influencent mutuellement et ont un effet conjoint sur des quantités d’intérêt telles que le poids ou la consommation de carburant. L’optimisation multidisciplinaire se présente alors comme un outil puissant pouvant effectuer des compromis inter-disciplinaires. Dans le cadre de la conception aéronautique, le processus multidisciplinaire implique généralement des variables de conception mixtes, continues et catégorielles. Par exemple, la taille des pièces structurelles d’un avion peut être décrite à l'aide de variables continues, le nombre de panneaux est associé à un entier et la liste des sections transverses ou le choix des matériaux correspondent à des choix catégoriels. L’objectif de cette thèse est de proposer une approche efficace pour optimiser un modèle multidisciplinaire boîte noire lorsque le problème d’optimisation est contraint et implique un grand nombre de variables de conception mixtes (typiquement 100 variables). L’approche d’optimisation bayésienne utilisée consiste en un enrichissement séquentiel adaptatif d’un métamodèle pour approcher l’optimum de la fonction objectif tout en respectant les contraintes. Les modèles de substitution par processus gaussiens sont parmi les plus utilisés dans les problèmes d’ingénierie pour remplacer des modèles haute fidélité coûteux en temps de calcul. L’optimisation globale efficace est une méthode heuristique d’optimisation bayésienne conçue pour la résolution globale de problèmes d’optimisation coûteux à évaluer permettant d’obtenir des résultats de bonne qualité rapidement. Cependant, comme toute autre méthode d’optimisation globale, elle souffre du fléau de la dimension, ce qui signifie que ses performances sont satisfaisantes pour les problèmes de faible dimension, mais se détériorent rapidement à mesure que la dimension de l’espace de recherche augmente. Ceci est d’autant plus vrai que les problèmes de conception de systèmes complexes intègrent à la fois des variables continues et catégorielles, augmentant encore la taille de l’espace de recherche. Dans cette thèse, nous proposons des méthodes pour réduire de manière significative le nombre de variables de conception comme, par exemple, des techniques d’apprentissage actif telles que la régression par moindres carrés partiels. Ainsi, ce travail adapte l’optimisation bayésienne aux variables discrètes et à la grande dimension pour réduire le nombre d'évaluations lors de l’optimisation de concepts d’avions innovants moins polluants comme la configuration hybride électrique “DRAGON”.
Fichier principal
Vignette du fichier
thèse_paul_doc___Version_post_rapporteurs-104.pdf (12.93 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04439128 , version 1 (05-02-2024)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

Lien texte intégral

Citer

Paul Saves. High-dimensional multidisciplinary design optimization for aircraft eco-design. Statistics [math.ST]. ISAE-SUPAERO, 2024. English. ⟨NNT : ⟩. ⟨tel-04439128⟩
58 Consultations
20 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More