optimisation et conception collaborative - formation ... · 29 mars 2007 optimisation et conception...

1 | 4229 Mars 2007 Optimisation et Conception Collaborative dans le cadre de l’Ingénierie Simultanée

Optimisation et Conception Collaborative dans le cadre de

l’Ingénierie Simultanée

Fouad BENNIS, Professeur ECN / IRCCYN

Cadre de la thèse Marie-Curie de Alessandro Giassi

En collaboration avec Jean-Jacques Maisonneuve, SIREHNA


Le travail propose des solutions pour l’utilisation des techniques de conception optimale dans le cadre de l’ingénierie simultanée.

Introduction

Comment l’optimisation peut promouvoir la collaboration et la simultanéité en conception ?

Organisation de la présentation

-Description des solutions proposées,

-Application à la conception distante,

-Application à la conception pour la fabrication,

-Application à la conception multidisciplinaire.


Conception navale

Focalisée sur le secteur naval

Ce secteur est caractérisé par les aspects suivants :

- nombre élevé de composants et sous-systèmes (10E6 pièces),

- nombre élevé de métiers qui participent à la conception,

- interactions fortes entre les métiers,

- absence de production en série,

- impossibilité de réaliser des prototypes,

- ...


Conception navale

plans de structure,

etc....

programme du navire

schéma structurel

évaluation des espaces

approximation du déplacement

caractéristiques de la carène

approximation de la puissance

propulsive

implications réglementaires

plan des formes

échantillonnagedevis des masses

plan d’ensemble

dossier de sécurité

contrôle

La nature séquentielle et itérative de la démarche traditionnellement utilisée est bien représentée par la spirale de Evans (1959).

cahiers des spécifications


Objectif du travail de recherche

La conception optimale multi-objectif et multidisciplinaire peut fournir la stratégie systématique pour une conception simultanée et systémique.

Discipline 2Discipline 2

Discipline3Discipline3Discipline1Discipline1

Fabrication

Entreprise II

Entreprise I

-Application à la conception distante,

-Application à la conception pour la fabrication,

-Application à la conception multidisciplinaire.

A partir de ce principe, l’étude propose et valide des stratégies pour l’application des techniques d’optimisation à des cas réels de conception industrielle.

Exemples d’application

L’étude traite les contextes suivants :


La conception optimale

L'optimisation est la réponse à un souhait naturel du concepteur : "trouver la meilleure solution possible" ou "prendre les décisions qui produisent le meilleur effet possible".

ModèleModèle

x

p

o

c

- Pour un ensemble de paramètres p,

- Trouver le vecteur des variables de conception x qui

- Minimise (maximise) les critères O (x, p) et

- Respecte les contraintes C (x, p) :hi (x, p) = 0 i = 1, ... , Igj (x, p) < 0 j = 1, ... , J


Le rôle de l’optimisation

-Orienter la conception,-Accueillir la contribution des différents acteurs disciplinaires à la modélisation du problème de conception,

-Trouver plusieurs solutions optimales de compromis entre les disciplines,-Aider à choisir une solution finale parmi un large éventail de solutions optimales,-Capitaliser les résultats récoltés sur l'espace de conception,-Éviter la reprise du processus de conception en cas de changement ou d'évolution des objectifs et des contraintes.

Dans un contexte complexe et multi-métier les techniques de conception optimale doivent répondre aux exigences suivantes :


M.O.G.A.

Les algorithmes d’optimisation MOGA (Multi-Objective Genetic Algorithm) correspondent à nos critères :

- Les MOGA garantissent une recherche globale >> orienter la conception,

- Les algorithmes génétiques peuvent utiliser des fonctions objectif très variées, complexes, "bruitées", non continues >> robustesse, cas réels,

- La recherche des solutions optimales s'étend dans toutes les directions de l'espace de conception et produit une riche base de donnée >> capitalisation,

- Les MOGA traitent réellement les problèmes d'optimisation multi-objectif >> contexte multi-métiers, multidisciplinaire.

Problèmes multi-objectif : les critères à optimiser sont plusieurs O(x)

Approche mono-objectifMinimiser O(x) = w2 O1(x) + w2 O2(x)

Approche multi-objectif (MOGA)Minimiser O1(x) et O2(x) Frontière

de Pareto O1

InitialO2

Dominance : x1 >P x2 ⇔ (∀i fi(x1) ≥ fi(x2)) ∩ (∃j fj(x1) > fj(x2))


Conception Optimale Distribuée


Description des solutions proposées,Application à la conception distante,Application à la conception pour la fabrication,Application à la conception multidisciplinaire.


L’optimisation distribuée

- La stratégie d’optimisation distribuée a été appliquée à la conception de la forme de la coque d’un navire rapide,

- Trois entreprises européennes ont participé à la conception :Chantiers de l ’Atlantique (St. Nazaire),Sirehna (Nantes),SSPA (Göteborg),

- Cette collaboration entre dans le cadre du projet FLOWMART financé par la Communauté Européenne

- Les partenaires ont participé au processus d’optimisation en utilisant un outil de communication asynchrone qui reliait trois machines distantes.


Passagers : 566

Véhicules : 148

Longueur : 102 m

Largeur : 15.40 m

Vitesse : 40 nœuds

Puissance : 26 MW

NGV Corsaire 11000


Modélisation paramétrique

Fait par CATZI

CM

ZHC

M

TDW

L

TMI

BHCM

HM

AX

BWLM

BICM

BMAX

ZIC

A

ZHC

A

TDW

L TAR

BHCA BWLA

BICASection milieu

Tableau arrière

EAWL

LPP

TAV SANG

L’optimisation du navire demande une modélisation paramétrique de la forme de la coque.


Objectifs

f1 Le premier critère était la réduction du wave wash effect (W), i.e. la

réduction de l’énergie du système de vagues.

f2 Le deuxième était la réduction de la résistance à l’avancement (Rt).

Objectifs et Contraintes

Contraintes

Δ déplacement (garder constante la capacité du navire),

TSA aire du tableau arrière (pour la propulsion),

GM critère hydrostatique (pour la sécurité / le confort).


Boucle de calcul distribuée

Optimisation et Gestion du ProcessusSIREHNA (Nantes)

Optimisation et Gestion du ProcessusSIREHNA (Nantes)

Modélisation CAOCAT (St. Nazaire)

Modélisation CAOCAT (St. Nazaire)

Simulation CFD*

SSPA (Göteborg)Simulation CFD*

SSPA (Göteborg)

Variables

(ASCII)

Maillage

(ASCII)

Maillage

(ASCII)

ObjectifsContraintes

(ASCII)

NAPA Shipflow

modeFRONTIER

* Computer Fluid Dynamics


La recherche des solutions optimales est menée par un algorithme génétique multi-objectif (MOGA),

L’algorithme traite 17 variables pour optimiser 2 critères en respectant 3 contraintes,

L’algorithme est générationnel : la recherche procède par évaluation de générations successives qui améliorent progressivement les performances,

Chaque population est constituée de 60 individus,

La première génération est entièrement évaluée (100%),

Les générations suivantes font appel à des Surfaces de Réponse (RSM) qui interpolent le 40% des individus.

Stratégie d’optimisation


Spécificité de la boucle de calcul

La boucle de calcul est sujette à des interruptions et à des erreurs de nature différente :

- Géométrie non faisable pour la CAO,- Échec du maillage automatique,- Géométrie non calculable par la CFD,- Interruption de la communication (chute de courant, messagerie ...)

Problèmes communs à toute optimisation, mais la résolution à distance est plus problématique qu’n locale.

Solutions :

- Phase de réglage/résolution des problèmes (coûteuse en termes de temps)

- Utilisation des surfaces de réponse pour interpoler les points problématiques.


Échec? Oui

Respecte contraintes?

Non

Échec?

Oui

Non

Optimiseur + Outil de communication

CFD simulation des performances

Oui

Virtuel (RSM) ?

Surfaces de réponse: évaluation virtuelle

Oui (40%)

Non

Génération initiale/nouvelle MOGAStart

Non (60%)

CAO génération de la carène

Gestion de la boucle de calcul


445000

495000

545000

595000

0.215 0.235 0.255 0.275 0.295

Id 153

Id initial

Frontière de Pareto

Wash [m]

Rt [N]

FaisableVirtuelNon faisable

Recherche de la Frontière de Pareto

Résistance Vs. Wash Effect


Forme optimisée

ζ

Forme initiale

Forme retenue

Forme retenue (Id 153)

Rt = 446604 N ( - 10.8%)

W = 0.225 m ( - 6.6%)

Forme initiale

Rt = 500482 N

W = 0.241 m


Tests expérimentaux

Les tests ont confirmé l’amélioration des performances.

– Amélioration de Rt (échelle réelle) 16.8 %

– Amélioration de W (échelle réelle) 27.2 %

Dans le cadre du projet FLOWMART, la forme optimisée a été validée par des tests en bassin

Corsaire 11000 maquette 1:30


Conclusions L’amélioration validée des performances du navire est un résultat intéressant qui confirme l’efficacité des techniques d’optimisation.

Notre contribution réside principalement dans la stratégie de gestion des calculs sur machines distantes.

Les avantages de la stratégie :-Les logiciels de calcul sont utilisés chez les partenaires sans changement de machines, de licences ou de modalité d'emploi.

-La méthode de collaboration est opérationnelle sans demander deschangements importants dans l'organisation des entreprises.

-La conception est à la fois collaborative et optimale.

-L’utilisation des surfaces de réponse rend robuste la boucle de calcul et limite le temps de réglage.


Optimisation pour la fabrication


Description des solutions proposées,Application à la conception distante,Application à la conception pour la fabrication,Application à la conception multidisciplinaire.


L’optimisation pour la fabrication

Cette étude veut faire apparaître les critères de fabrication dès les premières phases du processus de conception.

L’optimisation multi-objectif peut dimensionner de manière optimale un produit selon plusieurs aspects.

Parmi ces aspects nous avons introduits le coût de fabrication.

Cette stratégie demande un outil de prédiction qui estime le coût de fabrication en fonction de la variation des variables de conception (modèle de coût).

La stratégie a une validité générale, mais nous avons focalisée notre attention sur la fabrication de la coque des navires en vue d’une collaboration industrielle.


La fabrication de la coque

Notre attention est concentrée sur le coût de formage.

La forme de la tôle influence fortement la technologie et le temps nécessaire pour le formage. La complexité de la forme est directement proportionnelle au coût de formage.

Zone Technologie CoûtTôle plane Corps central Rouleau 1Tôle courbée Bulbe d'étrave Presse 100

La coque des navires est constituée généralement de tôles soudées.

Les tôles sont découpées et formées pour reproduire la forme de la carène.

Ensuite les tôles sont raidies et soudées entre elles pour former des blocs.

Le coût de fabrication dépend donc du coût de formage et de soudure.

Exemple :


Méthode séquentielle

Le département conception dessine la forme de la carène selon des critèreshydrodynamiques.

Le département fabrication peut faire une estimation des coûts, mais la forme de la carène est rarement modifiée.

Les méthodes existantes d’estimation du coût de fabrication souvent ne sont pas informatisées.

La réalisation d’un outil d’estimation rapide du coût de fabrication permettrait de prendre en compte les critères de fabrication dès les premières phases de la conception.

Département Conception

Conception de la forme de la carène

Département Fabrication

-Estimation des coûts

-Plans de construction


Application du modèle

Le modèle permet de donner rapidement une indication sur le coût de fabrication d’une surface discrétisée.

Le coût de fabrication d’une carène de navire peut être estimé à partir d ’un maillage surfacique.

Cet outil peut évaluer rapidement les gains économiques liés à une modification de forme de la carène. Le critère coût peut participer à la phase de conception.


Optimisation pour la fabrication

Le modèle a été appliqué à un cas d’optimisation multi-objectif de la carène d’un navire de type Ro-Ro.

La forme de la carène a été modifiée pour réduire à la fois la résistance à l’avancement Rt et le coût de fabrication Ct avec des contraintes sur des coefficients hydrostatiques (Δ, BM et LCB).

COUT

estime le coût de fabrication

Coût

f2

(ASCII)Maillage

Variables de

conception

x

(ASCII)

CAO

Macro

CAO

dessine la carène

CFD

calculs hydro.

Résistanceet

Contraintes

f1, g(ASCII)

IGS

Maillage

Mailleur

génère le maillage

Chaîne de calcul

CATIA GRIDGEN

REVA

Outil CoûtmodeFRONTIER


Résultats

L’algorithme d’optimisation MOGA a demandé 8 générations de 61 individuspour produire les résultats suivants :

Meilleur Coût

(-10.3%)

Meilleures Performances Hydro

(-17.6%).

Solution initialeFrontière de Pareto

(8 solutions)


Solutions retenues

Forme initiale

Zone à coût élevé

Limite du bordé de muraille

H

Meilleur Coût

H

Meilleure Résistance

H


Conclusions Le processus d’optimisation a amélioré simultanément et sensiblement les performances hydrodynamiques et le coût de fabrication.

Cette stratégie améliore le produit selon les trois aspects fondamentaux :

-La qualité : amélioration des performances, respect des contraintes,

-Le coût : minimisation du coût,

-Le délai :la simplification de la forme réduit le temps de fabrication,l’introduction des critères de fabrication en phase de conception limite les corrections itératives.

L’exemple montre que l’optimisation multi-objectif peut coordonner de manière optimale les différents phases du développement du produit.


Optimisation Multidisciplinaire

Organisation de la présentationDescription du contexte et des principes,Description des solutions proposées,Application à la conception distante,Application à la conception pour la fabrication,Application à la conception multidisciplinaire.


Conception multidisciplinaire

Discipline 1

(e.g. Hydrodynamique)

Discipline 2

(e.g. Structurelle)

x1

x2

y21 y12x

f1, g1

f2, g2

Conception de produits collaborative et multidisciplinaire.

Plusieurs équipes de conception sont concernées.

Chaque équipe est responsable d’un composant (sous-système) ou d’un aspect du produit.

Ce système bi-disciplinaire est très simple, mais assez représentatif du problème traité.

La discipline i modélise de manière paramétrique le produit

La discipline i intervient sur le modèle du produit en modifiant les variables xi

Trouver: la valeur des variables xiOptimiser: les performances fiRespecter: les contraintes gi

Fonctions de couplage :- Évaluées par la discipline j

- Demandées en input par discipline i

Variables communes x : partagées par les deux disciplines


L’optimisation multidisciplinaire est adressée par la méthode MORDACE(Multidisciplinary Optimisation and Robust Design Approaches applied to Concurrent Engineering).

La méthode permet de garder l’indépendance des disciplines, qui cherchent des solutions optimales en autonomie.

La méthode adresse principalement le couplage sur les variables de conception partagées x. Les fonctions de couplage yij sont omises ou simplifiées.

La contrepartie de cette autonomie est la difficulté de trouver uncompromis final sur les valeurs de x.

La méthode propose aux disciplines de chercher des solutions optimales etrobustes par rapport aux modifications de x.

Ensuite, la stratégie MORDACE permet de trouver automatiquement un ensemble de compromis optimaux.

M.O.R.D.A.C.E


Evaluation de la robustesse

σT (x, xi) = 1

nvar ∑j=1

nvar σj (x, xi) (1)

σj(x, xi) = 1

(2n+1) ∑k= -n

n

⎝⎛

⎠⎞f (x1,...,xj+Δk,...,xnvar, xi) - f (x, xi) 2 (2)

xj

f(x)

f(x)virtual

Obj

ectif

i

Le temps CPU est réduit par l’utilisation des Surfaces de Réponse(RSM).

xAjxAj+Δk

xAj+ΔnxAj-Δn xB

La robustesse d’une solution est mesurée en estimant les performances associées à la solution et aux solutions voisines.

La méthode MORDACE demande aux disciplines de minimiser σT


Les principes du MORDACE

xj

f2(x)

f1(x)

Perf

orm

ance

s

xD2xC1xA2 xB1

CAB CCD

Chaque discipline mène de manière indépendante son optimisation spécifique, ensuite :

1 - les solutions intéressantes Si sont sélectionnées (performances élevées),

2 - toutes les couples possibles (S1,S2) sont définies,

3 - la méthode choisit les couples composées de Si qui sont proches et robustes,

4 - compromis optimal sur x communes : xj = wj1 xj1 + wj2 xj2

(Variable partagée j )

Discipline1

Discipline2

CABCAB


Pour valider la stratégie, nous l’avons appliquée à un cas réaliste d’optimisation multidisciplinaire : une optimisation de stabilisateur actif.

Les ailerons de stabilisation développent une force de portance, qui exerce un moment autour du centre de gravité du navire opposé à celui produit par les vagues.

L’angle d’incidence des ailerons est constamment réglé par des lois de commande, qui sont sensibles au mouvement de roulis du navire.

Portance

Portance

Roulis

Cas test

cr = 1950 mm

ct = 1630 mm

b=

2240

mm

NACA0015


Critères Hydrodynamiques- Minimiser la résistance- Maximiser la portance- Minimiser la sensibilité à l’angle d’incidence

Critères Structurels- Minimiser la masse- Minimiser la déformation

Modélisation du Système

Discipline 1

(Hydrodynamique)

Discipline 2

(Structurelle)

x1

x2

y21 y12

x

f1, g1

f2, g2

Symbole Descriptionx1 Variables qui décrivent les profils de l’aileronx2 Variables de la structure internex Variables partagées par les deux disciplinesy12 Chargement hydrodynamiquey21 Déformation qui altère la forme hydrodynamiqueg1 Angle d’incidence limite; limite de cavitationg2 Contrainte limitef1 Portance; résistance; sensibilité à l’anglef2 Masse, déformation

Contraintes Hydrodynamiques- Angle d’incidence limite- Limite de cavitation

Contraintes Structurelles- Contrainte limite


Paramétrisation

Paramétrisation hydrodynamique Paramétrisation Structurelle

Les deux disciplines demandent deux modèles paramétriques différents :

La discipline hydrodynamique doit pouvoir modifier la surface externe de l’aileron.

La discipline structurelle doit pouvoir modifier la géométrie de la structure interne.

LTic1

L1

Noz1Tic1

α1

t12t13

t11

LOut

Section 2

Section 1ThicHR1

R2

ThicVDisV

DisH

ThicS


Valeurs des variables

x2, x

(ASCII)

CAO

Macro

CAO

dessine la structure

FEM

fait l’analyse structurelle

Objectifset

Contraintes

f2, g2

(ASCII)

Résultats

Thick 10

Thick2 8

...

R2 50

Thick 10

Thick2 8

...

R2 50

Mass

818 Kg

Stress

179.6 MPa

Mass

818 Kg

Stress

179.6 MPa

Mise à jour

interne

Structurelle

Chaînes de calcul

Valeurs des variables

x1, x

(ASCII)

CAO

Macro

CAO

dessine la nouv. forme

CFD

estime les sorties

Objectifset

Contraintes

f1, g1

(ASCII)

IGS >>

Maillage

Résultats

Lout 2240

L1 1950

...

Alfa 12

Lout 2240

L1 1950

...

Alfa 12

Drag

2878 N

Lift

57186 N

Drag

2878 N

Lift

57186 N

Hydrodynamique


A partir des couples les plus intéressantes, la méthode produit des compromis optimaux.

La méthode sélectionne les solutions de Pareto et les solutions dominantes.

La méthode sélectionne ensuite les solutions :–Proches (Min d),–Robustes (Min σT)–Optimales (Max f)

Les deux optimisations sont indépendantes.

Chaque discipline trouve safrontière de Pareto.Optimisation Structurelle (2)

Optimisation et CompromisOptimisation Hydrodynamique (1)

Déf.

Mas

se Initial


Résist.

Por

tanc

e

Initial


Vérification

Vérification

Compromis :

x1 = (x1)i

x2 = (x2)k

x =w1(x)i+w2(x)k

k

i


Résultats du MORDACE

Initial

Port. = 57186 N

Résist. = 2878 N

Masse = 746.4 Kg

Déf. = 12.6 mm

Cavit. = 25.9 KPa

Contr. = 162.9 MPa

C17

Port. = 58676 N (2.6%)

Résist. = 2754 N (4.3%)

Masse = 689.5Kg (7.6%)

Déf. = 9.6 mm (24.4%)

Cavit. = 28.5 KPa

Contr. = 184.8 MPa


Conclusions Avantages du MORDACE

– Les disciplines peuvent concevoir simultanément le produit :Reduction du temps : les calculs sont simultanésQualité de conception : les concepteurs sont autonomes, les résultats sont collaboratifs et multidisciplinaires.

– Les solutions sont optimales par rapport à plusieurs critères.

– Les solutions optimales sont nombreuses et les critères peuvent être modifiés.

– Les fonctions de couplage yij doivent être simplifiées.

– Suspense sur les résultats.

Limites du MORDACE


Conclusions générales

L’étude propose et valide trois stratégies pour l’application des techniques d’optimisation à des cas réels de conception industrielle.

La conception optimale multi-objectif et multidisciplinaire peut fournir la stratégie pour introduire des éléments de simultanéité et de collaboration en conception.

Plus précisément :

– L’optimisation multi-objectif peut guider la collaboration entre acteurs distantset fournir des solutions optimales par rapport à plusieurs critères,

– Les différentes phases du processus de développement du produit peuvent être coordonnées par la stratégie d’optimisation (e.g. conception - fabrication),

– La conception multi-objectif peut guider la recherche de solutions de compromis optimales entre plusieurs disciplines qui participent au développement du système-produit de manière autonome.


Merci


Superposition of Ship Hull Shapes

Original Id 153

Forward

Cross-Sections

Aft

Cross-Sections


-100 -80 -60 -40 -20 0 20 40 60 80 100-100 -80 -60 -40 -20 0 20 40 60 80 100ZICMSANGEAWLTAXZICAZHCATMI

BWLMBHCMBICATARBICMBMAXZHCMBWLA

FPBHCA

Significance Delta

RtWash

t-Student Analysis

BWLA Original

BWLA Id 153

Original

Id 153


Stern viscous wake


14/12/01

28/12/01

11/01/02

25/01/02

08/02/02

22/02/02

08/03/02

22/03/02

05/04/02

19/04/02

03/05/02

17/05/02

31/05/02

14/06/02

28/06/02

12/07/02

0 2 4 6Asydas Insta

llation on SSPA

Asydas Insta

llation on CAT

Set-Up phase

CAT - SIREHNA - SSPA

First o

ptimisa

tion

Second optim

isatio

n

Third optim

isatio

n

Fourth optim

isatio

n

Final Decis

ion

Tasks timing

optimisation et conception collaborative - formation ... · 29 mars 2007 optimisation et conception...

Documents