En utilisant une combinaison de plans adaptatifs et d’émulateurs, l’optimisation statistique évalue rapidement l’espace de conception et fait des prévisions pour les régions prometteuses.

L’optimisation statistique fonctionne bien avec les problèmes de faible et de grande dimensions. SmartUQ minimise le nombre d’exécutions de simulation nécessaires pour obtenir des résultats optimaux pour une grande variété de problèmes et est capable de gérer un grand nombre de types d’entrées et de sorties, y compris les contraintes binaires et discrètes, multiples et l’optimisation avec plusieurs objectifs.

Avec l’optimisation statistique de SmartUQ, vous pouvez utiliser une technique d’échantillonnage itérative basée sur un plan d’expériences pour améliorer la connaissance de l’ensemble de l’espace de conception et des régions susceptibles de contenir des points optimaux. L’exécution de plans d’échantillonnages par lots parallèles, au lieu d’exécuter des points uniques en séquence, permet une utilisation complète des ressources informatiques et peut fournir des réponses des centaines de fois plus rapidement.

De plus, des économies importantes peuvent être réalisées en utilisant les mêmes évaluations du système pour trouver les points optimaux et pour la quantification de l’incertitude des résultats d’optimisation. Non seulement vous pouvez explorer les régions optimales de l’espace de conception, mais vous pouvez également déterminer la sensibilité des points optimaux aux variations des paramètres d’entrée et si ces variations autour des points optimaux peuvent entraîner des comportements inattendus ou indésirables, tels que des violations de contraintes.

Des combinaisons de fonctions d’optimisation statistique et d’algorithmes génétiques, peuvent être utilisées.

Optimisation sous incertitude

L’optimisation sous incertitude est le processus d’optimisation des sorties d’un système lorsque certaines ou toutes les entrées sont incertaines. Plutôt que d’optimiser pour trouver le meilleur point pour un seul ensemble de conditions, il est nécessaire de se concentrer sur l’identification des points qui fonctionnent bien dans une plage de conditions et sur l’analyse du comportement du système autour de ces valeurs optimales. Sans étudier le comportement autour du point de conception optimal, il est difficile d’éviter les optima instables qui peuvent entraîner un comportement indésirable compte tenu de la variation normale du produit final.

Par exemple, lors de l’optimisation de l’efficacité d’un moteur à réaction, il est nécessaire de prendre en compte l’incertitude des propriétés des matériaux, des dimensions de fabrication et des conditions de fonctionnement du système réel. En raison de l’incertitude dans le moteur réel, il fonctionnera probablement au voisinage du point de conception optimal. Si l’objectif est d’optimiser pour une efficacité maximale tout en s’assurant que le moteur ne viole pas les exigences en matière d’émissions polluantes, il est nécessaire de comprendre le comportement du moteur autour du point de conception optimal. Cela permet de garantir que, pour les incertitudes connues dans les entrées de conception, le rendement du moteur est toujours acceptable et les exigences de pollution ne sont jamais violées.

Optimisation basée sur l’émulateur

L’optimisation basée sur l’émulateur est l’application d’algorithmes d’optimisation à un émulateur, tirant parti des vitesses de prévision extrêmement rapides pour couvrir de manière exhaustive l’espace de conception. S’appuyant sur des technologies d’émulation de haute qualité, SmartUQ dispose d’une bibliothèque d’optimisation intégrée capable de gérer des problèmes de grandes dimensions avec des entrées mixtes continues et discrètes, ainsi que des objectifs multiples et des contraintes sur les entrées et les sorties. Avec SmartUQ, l’utilisation d’émulateurs comme substituts légers pour les systèmes complexes peut entraîner une diminution significative du nombre d’évaluations du système et du temps de calcul nécessaire pour obtenir des solutions.

Comme pour l’optimisation statistique, une fois que les émulateurs sont construits, ils apportent une valeur supplémentaire dans la compréhension du comportement sous-jacent du système et des propriétés des points optimaux.