Hammadi M.
Transcription
Hammadi M.
SYSME/IS3C Intégration de la simulation multiphysique 0D-3D en utilisant la technique de méta-modélisation Moncef HAMMADI Jean-Yves CHOLEY, Olivia PENAS, Alain RIVIERE LISMMA – SUPMECA 4 juin 2012 [email protected] 1 Plan • • • • • • • Introduction : Simulation multi-physique Problématique et objectifs Méthode : Méta-modélisation Cas1: Bonding Cas 2: Convertisseur de puissance Cas 3 : Système mécatronique Conclusion 2 Introduction : Simulation multiphysique Approche globale (système – 0D) • Modélisation multidisciplinaire : Mécatronique • Modèles mathématiques : ODE/DAE • Langages de modélisation : Modelica, VHDL-AMS, BondGraphs , Spice • Logiciels : Dymola, Matlab/Simulink, SimScape, AmeSim, MapleSim, etc Coût de modélisation/simulation faible, comparé à l’approche locale ODE : Ordinary Differential Equation DAE : Differential Algebraic Equations Approche locale (composant) • Couplage multi-physique : fort ou faible (Structure-fluide, etc) • Modèles mathématiques : PDE • Méthodes de modélisation : éléments finis, volumes finis. • Logiciels : Ansys, Comsol, Abaqus, etc. précision des résultats, comparé à l’approche globale PDE : Partial Differential Equations 3 Problématique et Objectifs Problématique : • La simulation multi-physique globale (0D) ne permet pas d’analyser les phénomènes multi-physiques fortement couplés avec la géométrie (3D). • La simulation multi-physique locale (3D) est coûteuse, surtout si la taille du problème est grande (cas d’un système). Objectifs : Intégrer les deux méthodes de simulation multi-physique pour : • Etudier l’impact d’un composant, analysable avec une approche locale, sur la performance globale d’un système. • Avoir des modèles multi-physiques compacts pour l’évaluation et l’optimisation en phase amont de conception (aide à la décision). 4 Méthode : Méta-modélisation - Modèle de comportement : Y=F(X) - Plan d’expériences sur X - Elaboration : Les surfaces de réponse Les réseaux de neurones de fonctions à base radiale Krigeage - Validation : Fa : méta-modèle (surrogate model) F : Le processus de simulation multi-physique e : vecteur erreur 5 Méta-modélisation Méthodes d’élaboration • Surface de réponse (Régression polynomiale): • Réseau de neurones de fonctions à base radiale (RBF) : 6 Cas1 : Optimisation géométrique d’un bonding soumis à des contraintes multi-physiques Niveau d’un composant Paramétrage géométrique (Vecteur X) Couplage multi-physique (F(X)) et méta-modélisation (Fa(X)) (iSIGHT, Catia, Abaqus, Inca3D) Résultats : Design exploration (Projet O2M) 7 Cas 2 : Optimisation géométrique d’un convertisseur de puissance soumis à des contraintes multi-physiques Niveau d’un module (sous-sytème) CAO 3D (Catia) 3D 0D 0D (spice) Couplage et optimisation (iSIGHT) Calcul CEM (Q3D) Calcul thermique (Ansys-3D) Calcul électrique : Pertes de puissance (Pspice-0D) Hammadi et al. 8 Cas 3 : Rechercher la configuration optimale -système mécatroniqueNiveau d’un système Effet de la variation des variables de conception sur la performance globale d’un système mécatronique Modelica (Y=F(X)) Gain du PID l’intégrateur du PID FEM du moteur Rapport de réduction Effet de X sur la performance globale G du système G G G G G Fa(X) Masse 9 Conclusion Conclusion : Les méta-modèles nous as permis: - d’intégrer la simulation multi-physique 0D-3D. - d’analyser l’effet de la variation des paramètres de conception sur le comportement globale d’un système - de réduire le coût de calcul d’optimisation multi-objectif, multiéchèlle Travaux en cours: - Les méta-modèles multi-niveaux comme support d’aide à la décision pour la conception des systèmes complexes. - Choix des architectures optimales parmi plusieurs architectures possibles. 10 Merci pour votre attention [email protected] 11