Approches local/global non-intrusives et optimisation robuste

Les approches de submodeling sont très prisées par les industriels car elles permettent de réanalyser à faible coût, au sein de logiciels commerciaux, des zones locales jugées critiques en raffinant les maillages et la description de la géométrie ou même en adaptant les modèles de comportement. Une des limitations majeures de cette méthode est d’être une approche purement descendante dont les résultats ne prennent pas en compte les changements globaux induits par les modifications locales qui peuvent être très diverses. Pour pallier cet inconvénient, les approches local/global non-intrusives ont été proposées afin de corriger les défauts du submodeling tout en restant compatible avec l’usage de codes industriels. Ce travail s’intéresse à l’extension de ces méthodes de couplage non-intrusives au cas de la conception robuste. Dans le cadre des approches stochastiques, on vise à propager les incertitudes locales au niveau global à l’aide de techniques non-intrusives afin de caractériser les distributions probabilistes des quantités globales induites par les incertitudes locales. Il s’agit en particulier de pouvoir proposer une optimisation globale robuste tenant compte des variabilités locales. Pour cela, nous utilisons l’algorithme génétique élitiste et non dominé évolué (NSGA-II) qui permet une grande exhaustivité dans la recherche de solutions optimales tout en préservant une complexité calculatoire acceptable. Cette approche permet notamment de gagner en efficacité lors de la phase de propagation d’incertitudes à travers le modèle multiéchelle. Dans ce travail, diverses méthodes stochastiques de résolution seront analysées et comparées (méthode par perturbation, chaos polynomial, Monte-Carlo...) sur des cas-tests académiques de difficulté variée.