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