| Summary: | Dans l'industrie automobile, les volumes de vente sont tels que le moindre kilogramme gagné sur un véhicule génère des économies colossales : diminution du coût des matériaux bruts, réduction de la consommation et de la taxe carbone (meilleure perception client). L'utilisation de simulations par éléments finis et l'optimisation font désormais partie intégrante des processus de développement des véhicules : crash, NVH (Noise and Vibration Harshness), aérodynamique, mécanique des fluides. . . L'optimisation réduit la masse d'un véhicule en faisant varier des variables de conception sous contraintes du cahier des charges. Le nombre de simulations requises à une optimisation classique varie entre 3 et 10 fois le nombre de variables quantitatives (épaisseurs, variables de formes). Ce nombre augmente rapidement si le problème contient des variables qualitatives (présence/absence/alternatives de pièces). Dans ce cas, lorsque les simulations sont très coûteuses comme en crash, les algorithmes d'optimisation deviennent inefficaces. Pour cette raison, l'optimisation est utilisée tardivement dans le cycle de développement des véhicules, lorsque le nombre de variables qualitatives a été réduit par plusieurs décisions stratégiques (architecture de caisse, pièces à ré-utiliser, usines de fabrication. . .). De telles décisions ne sont pas toujours prises de manière pertinente, particulièrement lorsque le planning est serré et les données indisponibles. De mauvais choix à ce stade peuvent s'avérer très coûteux par la suite. La méthode proposée dans les premiers chapitres de cette thèse utilise un algorithme de Branch and Bound pour étendre le périmètre de l'optimisation en permettant un grand nombre de variables qualitatives et une adaptation rapide aux possibles changements de contraintes. Avec ces deux caractéristiques, de nouvelles variables qualitatives généralement pré-contraintes par des décisions stratégiques peuvent être prises en compte dès lors que les modèles numériques sont disponibles. Différents scenarii liés à différents jeux de contraintes stratégiques peuvent alors être comparés. Les chapitres suivants sont dédiés à la méthode de réduction de modèles ReCUR, qui complète l'amélioration de l'algorithme par une réduction drastique du nombre de simulations nécessaires à l'établissement d'un modèle du comportement crash du véhicule. La méthode surpasse le traditionnel fléau de la dimension (ou curse of dimensionality) en proposant une modélisation en fonction de variables exprimées non plus aux pièces, mais aux nœuds (ou éléments) du maillage. Les deux versions de ReCUR testées aujourd'hui seront présentées, et chacune d'entre elle sera appliquée à l'optimisation d'une caisse complète de véhicule. Deux méthodes qui permettraient à ReCUR de prendre en compte des variables de type alternatives géométriques de pièces seront également proposées. === In automotive industry, sales volumes are such that each kilogram saved on a vehicle generates huge gains: raw material cost, customer value due to consumption and carbon tax reduction. Engineering is under severe pressure to reduce mass and CO2. The use of finite element simulation and optimization becomes an integral part of the design processes: crash, NVH (Noise and Vibration Harshness), aerodynamics, fluid mechanics... Optimization reduces the mass of a vehicle varying the design variables, under constraints on specifications. The number of simulations required is between 3 and 10 times the number of quantitative variables (e.g. thicknesses, shape parameters). This number increases rapidly if the problem contains qualitative variables (e.g. presence/absence/alternative of parts). In this last case, when simulations are expensive like crash, optimization algorithms become inefficient. For this reason, optimization is used on the last stage of the development cycle when the number of qualitative variables has been reduced by several strategic decisions (e.g. body architecture, parts to be re-used, manufacturing plants. . .). Such decisions are not always taken in a relevant way, especially when the schedule is tight and some data unavailable. A bad choice made in an early stage in the project can then be very costly. The method proposed in the first chapters of this thesis uses a Branch and Bound algorithm to extend the optimization perimeter by allowing a large number of qualitative variables, as well as a rapid adaptation to possible changes of constraints during the optimization. With these two characteristics, new qualitative variables usually pre-constrained by strategic decisions can be added to the problem, assuming that numerical models are available. Different scenarios linked to several sets of strategic constraints can then be simulated. Decision-making tools, like Pareto frontiers, help to visualize the optimal scenarios. The following chapters are dedicated to the ReCUR model reduction method, which completes the improvement of the algorithm by drastically reducing the number of simulations required to establish a model of the vehicle crash behavior. The method surpasses the traditional curse of dimensionality by proposing a modelization according to variables expressed not to the pieces, but to the nodes (or elements) of the mesh. The two versions of ReCUR tested today will be presented, and each of them will be applied to the optimization of a complete vehicle body. Two methods that would allow ReCUR to take into account variables of the type geometric alternatives of parts will also be proposed.
|
|---|
