Exemples d’approches MDF pour la MDO · Présenté le 26 janvier par : Itham Salah El Din ... •...

Exemples d’approches MDF pour la MDO

Présenté le 26 janvier par : Itham Salah El Din

Avec les contributions principales de C. Blondeau ², G. Carrier ¹, A. Dumont ¹

I. Ghazlane ¹, A. Minelli ¹, S. Mouton ¹, I. Salah El Din ¹

& al.

¹ Département d’Aérodynamique Appliquée² Département Aéroélasticité et de Dynamique des Struct ures

2

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Plan

Brève introduction de la MDF pour la MDO

Quelques cas d’application

Synthèse et perspectives

• Illustrer la mise en œuvre pratique d’approches MDF pour la résolution de problèmes MDO sur des cas d’applications traités au sein de divers projets auxquels l'ONERA a participé.

• Optimisations principalement bi-disciplinaires se ra ttachant aux domaines de l’aérodynamique , de la structure et de l’acoustique

• Rappeler ce que l’on entend par « MDF » au sein des pro cessus MDO

• Rappeler les avantages ainsi que les inconvénients mis en exergu e à travers la présentation des applications

• Ouvrir les perspectives en termes d’évolution de la MDF ainsi que les alternatives existantes

3

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Introduction

Les méthodes de résolution d’un problème d’optimisation multidisciplinaire peuvent être répertoriés de la manière suivante :

Les méthodes mono niveaux

• MDF - Multi Discipline Feasible(# AiO - All-in-One method / MO - Monolithic optimization / FIO - Fully Integrated Optimization)

• Ne prend pas compte des variables interdisciplinaires dans le processus d’optimisation

• Analyse multidisciplinaire à chaque itération d’optimisation

• AAO - All At Once (# SAND – Simultaneous Analysis and Design)

• Les variables interdisciplinaires deviennent des variables d’optimisation

• Évaluation en optimum

• IDF - Individual Discipline Feasible(# OBD – Optimizer-Based Decomposition)


• Analyse disciplinaire à chaque itération• Analyse multidisciplinaire en optimum…

Les méthodes multi niveaux

• CO - Collaborative Optimisation

• CSSO - Concurrent Sub Space Optimisation

• ATC – Analytical Target Cascading

• BLISS - Bi Level Integrated System Synthesis

…

4

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Introduction

Cf. présentation Projet ARTEMIS

Les méthodes de résolution d’un problème d’optimisation multidisciplinaire peuvent être répertoriés de la manière suivante :

Les méthodes mono-niveaux

• MDF - Multi Discipline Feasible(# AiO - All-in-One method / MO - Monolithic optimization / FIO - Fully Integrated Optimization)

• Ne prend pas compte des variables interdisciplinaires dans le processus d’optimisation

• Analyse multidisciplinaire à chaque itération d’optimisation

• AAO - All At Once (# SAND – Simultaneous Analysis and Design)


• Évaluation en optimum

• IDF - Individual Discipline Feasible(# OBD – Optimizer-Based Decomposition)


• Analyse disciplinaire à chaque itération• Analyse multidisciplinaire en optimum…

Les méthodes multi-niveaux

• CO - Collaborative Optimisation

• CSSO - Concurrent Sub Space Optimisation

• ATC – Analytical Target Cascading

• BLISS - Bi Level Integrated System Synthesis

…

5

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

MDF – En détails

Approche MDF – exemple d’un cas bi-disciplinaire:

Discipline A

Discipline B

Algorithme d’optimisationLocal / global /

hybride…

Analyseur multidisciplinaire

Variables communes/globales

Performances multidisciplinaires

Variables disciplinaires/locales

Optimiseur

Variables interdisciplinaires

On distinguera trois types de scénarios d’analyse multidisciplinaires:

• Type 1 : influence(s) entre les disciplines inexistante(s) ou non prise(s) en compte• Type 2 : échange(s) unidirectionnel(s)

• Type 3 : échange(s) bidirectionnel(s)

Contraintes

6

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Contexte : VIVACE – Projet européen

Partenaire principal : Airbus

Optimisation aéro-masse d’un pylône nacelle

Pylône àoptimiser

• Problème : optimisation aéro-masse d’un pylône de nacelle d’un avion de transport civil

• Objectif : optimiser le compromis poids/traînée du pylône

7

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Optimisation aéro-masse d’un pylône nacelle

∆Z∆X W

Structure interne

Forme externe

“ aérodynamique” du pylône

Pylône àoptimiser

• Problème : optimisation aéro-masse d’un pylône de nacelle d’un avion de transport civil

• Objectif : optimiser le compromis poids / traînée du pylône

• Analyse : outils Hautes Fidélités (CFD-FEM)

• Scénario : MDF Type 1

Optimisation disciplinaire aérodynamique

RSM aérodynamique

Optimisation disciplinaire structure-masse

RSM structure-masse

Variables partagées (haut-niveau)∆X: position longitudinale du moteur∆Z: position verticale du moteurW: épaisseur du pylône

Construction d’une surface de réponse de la fonctio n composite multidisciplinaire

Optimisation multidisciplinaire

∆CD

Processus disjoints

Contexte : VIVACE – Projet européen


8

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Optimisation aérodynamique répétée n fois pour

différentes valeurs des paramètres globaux (∆X, ∆Z,W).

Les n individus optimaux → base de donnée pour la

construction de la surface de réponse aérodynamique

Optimisation de la surface de réponse

∆CD

IDF : Optimisation aéro-masse d’un pylône nacelle –Discipline Aérodynamique

• Problème : optimisation aérodynamique du pylône pour des valeurs figées des paramètres globaux (∆X, ∆Z,W).

• Objectif : optimiser la traînée du pylône

• Contraintes : portance cible (traitement par pénalisation)

• Paramétrisation : distribution de bosses sur le pylône

• Approche : Optimisation déterministe – approche gradients

• Analyse : utilisation d’outils haute fidélité d’analyse aéro dynamique• Résolution des équations RANS avec elsA ;

• Extraction de traînée(FFD41);

• elsA-Adjoint (RANS) pour le calcul des sensibilités aux variables aérodynamiques;

• Chaîne d’optimisation Airbus OPTALIA.

9

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Modèle EF du pylône

IDF : Optimisation aéro-masse d’un pylône nacelle –Discipline Structure-masse

Optimisation structure-masse répétée n fois pour

différentes valeurs des paramètres globaux (∆X, ∆Z,W).

Les n individus optimaux → base de donnée pour la

construction de la surface de réponse structure-masse

Optimisation de la surface de réponse

• Problème : optimisation structure-masse du pylône pour des valeurs figées des paramètres globaux (∆X, ∆Z,W).

• Objectif : optimiser la traînée du pylône

• Contraintes : tensions de Von Mises max

• Approche : Optimisation déterministe

• Analyse : FEM de la structure interne du pylône

10

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

k: coefficient de pondération

Algorithme gAlgorithme géénnéétiquetique Algorithme par gradientAlgorithme par gradient

Optimum aéro-structure/masse

• Problème : optimisation aéro-masse du pylône.

• Objectif : optimiser la fonction composite aéro-masse du pylône

• Paramétrisation : paramètres globaux (∆X, ∆Z,W)

• Approche : Optimisation déterministe / stochastique

• Analyse : évaluation sur la surface de réponse aéro-masse

kZW

ZCDZJ)(

)()(*

* +=

IDF : Optimisation aéro-masse d’un pylône nacelle –Optimisation multi-disciplinaire

• L’optimisation sur la mission a conduit à une amélioration des performances de la configuration

• Utilisations d'outils HF et de modèles de substitution / algorithmes locaux et globaux

• Travaux poursuivis dans

11

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

• Problème : optimisation mission de la forme en plan d’une configuration supersonique pour deux conditions de vol (Mach 2.0)

• Objectif : maximiser le rayon d’action à MTOW figée

• Analyses : haute fidélité disciplinaires (CFD pour l’aérodynamique, FEM pour la structure + modèle masse),

modules mission, modèles analytiques …

Contexte : CISAP (projet pilote EREA-AI)

Partenaires : NLR, DLR, QinetiQ

Optimisation mission d’une configuration supersoniq ue

12

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

• Problème : optimisation mission de la forme en plan d’une configuration supersonique pour deux conditions de vol (Mach 2.0)

• Objectif : maximiser le rayon d’action à MTOW figée

• Analyses : haute fidélité disciplinaires (CFD pour l’aérodynamique, FEM pour la structure + modèle masse),

modules mission, modèles analytiques …



Variables communes/globales :Géométrie de la forme en plan incidence

Optimisation du rayon d’actionAlgorithme stochastique

Analyseur multidisciplinaireCalcul du rayon d’action

Variables de design• Rayon d’action• Altitude• Contraintes

Contexte : CISAP (projet pilote EREA-AI)

Partenaires : NLR, DLR, QinetiQ

13

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

MMG:Geometry

+Fuel

volume Wing structure optimisationNASTRAN

FE mesh

Wingweight

MMG:Total drag

L/D

FuelMMG:Weights

α

MeshgenerationICEM-CFD

CFD computation

elsA

Aircraftgeometry

Pressure: CP (αααα)

CD inviscid (αααα)CL(αααα)

Cruise altitudeAltitude

Aircraftdatabase

Cruise→Maneuver loads extrapolation

MMG:Engine

MMG:Mission

Geometry

Range,Altitude,

Constraints

Angleof

Attack

OptimizerDesign variables

Optimum

Initial


• L’optimisation sur la mission a conduit à un accroissement conséquent du rayon d'action de la configuration

• La prise en compte de nombreuses disciplines peut engendrer une organisation complexe des processus pouvant nuire à la souplesse ainsi qu’à la robustesse de l’optimisation.

14

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Contexte : DTP Optimisation


Optimisation aéro-structure/masse d’un winglet

• Problème : optimisation aéro-masse multi-point d’un wingletd’extrémité de voilure d’un avion de transport civil

• Objectif : optimiser le compromis poids/traînée de la configuration

• Contraintes : chargement critique en manœuvre à 2.5g; assurer un minimum de portance aux deux points de vol considérés

• Analyses : CFD HF aérodynamique (RANS); modèle structure sur base de donnée calculée par EF.

( ) ( ) ( )k

WeightCDJ wing

cruise

ααα

∆+= k: coefficient d’échange aéro-structure

(kg / point de traînée)

15

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

ϕϕϕϕϕϕϕϕ

Contexte : DTP Optimisation

Partenaire principal : AIRBUS


• Problème : optimisation aéro-masse multi-point d’un wingletd’extrémité de voilure d’un avion de transport civil

• Objectif : optimiser le compromis poids/traînée de la configuration

• Contraintes : chargement critique en manœuvre à 2.5g; assurer un minimum de portance aux deux points de vol considérés

• Analyses : CFD HF aérodynamique (RANS); modèle structure sur base de donnée calculée par EF.


hhχχχχχχχχ

Hauteur VrillageFlèche BA

( ) ( ) ( )k

WeightCDJ wing

cruise

ααα

∆+= k: coefficient d’échange aéro-structure

(kg / point de traînée)

Analyseur disciplinaire

aérodynamique rigide point de

vol 1


aérodynamique rigide point de

vol 2


structure-masse pour le point de vol 2

Optimisation de la fonction composite aéro-masseAlgorithme de descente par gradients

Moment d’encastrement à l’emplenture

Variables de design

Fonction composite

Contraintes structure

Contraintes aéro

Variables communes/globales :Incidence +

Modèle

CFD RaNS (elsA )

Wing box weight

Ben

din

gm

omen

t

10800 11000 11200 11400

1.4

1.6

1.8

∆H∆ϕ∆twist

FEM (MSC-NASTRAN)

16

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

• Fonction composite converge vers un minimum • Meilleur compromis: réduction significative du poids (-1269kg) avec une dégradation très

réduite de la traînée en condition de vol (+0.8 points de traînée)

• Illustre la forte dépendance des disciplines aéro-s tructure

Forme optimisée

Forme initiale

Design evaluations

∆X

,∆Z

(m)

Vril

lage

(o)

α

5 10 15 20 25 30 35 40-0.6

-0.4

-0.2

0

0.2

0.4

-0.2

-0.15

-0.1

-0.05

0

0.05

2

3

4

5

∆X∆ZTWISTα croisiereα manoeuvre

Design evaluations

CD

+W

eigh

t/k

CL

5 10 15 20 25 30 35 40

220

230

240

250

260

0.4

0.45

0.5

0.55

0.6

0.65

0.7

CD+Weight/kCL cruiseCL Maneuver

Évolution de la fonction composite, des contraintes aérodynamique et des variables de design


17

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Optimisation aéroélastique-structure/masse

Contexte : Thèse I. Ghazlane

Partenaires : INRIA/Airbus

• Problème : optimisation aéroélastique-structure/masse de la voilure d’un avion de transport civil

• Objectif : optimiser le compromis poids/traînée

• Contraintes : chargement critique en manœuvre à 2.5g; assurer un minimum de portance au point de vol considéré

• Analyses : CFD HF aéroélastique; modèle structure simplifié. Sensibilités par résolution des équations de l’état adjoint aérostructure.

18

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire


Contexte : DTP Optimisation II / ARTEMIS/ Thèse

I. Ghazlane

Partenaires : Airbus/INRIA

• Problème : optimisation aéroélastique-structure/masse de la voilure d’un avion de transport civil

• Objectif : optimiser le compromis poids/traînée

• Contraintes : chargement critique en manœuvre à 2.5g; assurer un minimum de portance au point de vol considéré

• Analyses : CFD HF aéroélastique; modèle structure simplifié. Sensibilités par résolution des équations de l’état adjoint aérostructure.



aéroélastique


structure-masse

Optimisation de la fonction composite aéroélastiqu e-structure/masseAlgorithme de descente par gradients

Chargement aéroélastique

Variables de design

Fonction composite

Contraintes structure

Déformations

Contraintes aéro

19

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire


• Évolutions et développements du calcul de gradients multidisciplinaires par approche adjointe

20

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire


Optimisation aéroélastique Optimisation structure/masse

• Validation des sensibilités aéro-structure en cours

• Effort d'amélioration de la prise en compte du coupl age interdisciplinaire fort dans le processus d’optimisation

21

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Contexte: Thèse A. Minelli

Partenaire principal : INRIA

Optimisation aéro-acoustique d’une configuration supersonique

• Problème : optimisation aéro-acoustique d’une configuration voilure-fuselage d’avion d’affaire supersonique

• Objectif : meilleur compromis entre la minimisation de la traînée et la réduction du bang sonique

• Contrainte : assurer un minimum de portance

• Approche : MDF type 2

Analyse disciplinaire aérodynamique

Analyse disciplinaire acoustique

Variables partagées: - 7 pour la définition du nez du fuselage- 11 pour la forme en plan de l’aile- Incidence

Optimisation multidisciplinaireApproche stochastique multi objectif contraint

Champ aérodynamique

Fonctions objectif disciplinaires

Variables de design

22

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

Optimisation aéro-acoustique d’une configuration supersonique

INI

INI

INI

OPT

OPT

OPT

B

A

C• Obtention d’un front de paréto décrivant une famille d’individus optimaux

•Approche par algorithmes faisant appel aux gradients difficilement accessible

CD

23

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

• Présentation non exhaustive & très orientée aéro-st ructure• Aucune optimisation ne se ressemble

• Exemples de mise en œuvre de processus haute fidéli té au sein de la résolution de problèmes d'optimisation complexes.

• Permet d'assurer la faisabilité disciplinaire plus finement

• Résolution des problèmes multidisciplinaires• Plusieurs niveaux de fidélité (surface de réponse linéarisée, quadratique,

CFD Euler/RANS, FEM,…)• Paramètrisations de nature et de dimension variables (variables

géométriques globales, locales,…)• Traitements particuliers des fonctions objectif et des contraintes

• Le couplage intrinsèque entre les disciplines peut être piloté (couplage bidilatéral pour l’aéro-structure, couplage unilaté ral pour l’aéro-acoustique,…)

• Allègement du processus d'optimisation• Limitations techniques d'évaluation


24

JSo

2012

Mod

èles

de

subs

titut

ion

& O

ptim

isat

ion

Mul

ti-D

isci

plin

aire

• La prise en compte simultanée de l’ensemble des disc iplines intervenant dans la conception MDO, avec un niveau de fidélité satisfaisant accroit:

• Le niveau de complexité du processus (gestion, robustesse,…)

• La difficulté de transmission à des environnements industriels où équipes travaillant dans des environnements qui peuvent être radicalement différents

• L'augmentation du nombre de variables de design et de disciplines résolues avec des outils HF incite à tro uver des solutions innovantes :

• Techniques (travail important sur l'utilisation de l'approche adjointe pour les calculs de gradients)

• Algorithmiques (paramétrisation hiérarchique, hybridation des stratégies d'optimisation)


Méthodes multi-niveaux BLISS

Merci de votre attention

Des questions?

Exemples d’approches MDF pour la MDO · Présenté le 26 janvier par : Itham Salah El Din ... •...

Documents

Transcript of Exemples d’approches MDF pour la MDO · Présenté le 26 janvier par : Itham Salah El Din ... •...