Traitement de maquettes numériques pour la préparation de modèles de simulation en conception de produits à l'aide de techniques d'intelligence artificielle

Résumé : Maitriser le triptyque coût-qualité-délai lors des différentes phases du Processus de Développement d’un Produit (PDP) dans un environnement de plus en plus concurrentiel est un enjeu majeur pour l’industrie. Le développement de nouvelles méthodes et de nouveaux outils pour adapter une représentation du produit à une activité du PDP est l’une des nombreuses pistes d’amélioration du processus et certainement l’une des plus prometteuses. Cela est particulièrement vrai dans le domaine du transfert de modèles de Conception Assistée par Ordinateur (CAO) vers des activités de simulations numériques. Actuellement, les méthodes et outils de préparation d’un modèle CAO original vers un modèle dédié à une activité existent. Cependant, ces processus de préparation sont des tâches complexes qui reposent souvent sur les connaissances des experts et sont peu formalisés, en particulier lorsque l’on considère des maquettes numériques riches comprenant plusieurs centaines de milliers de pièces. Pouvoir estimer a priori l’impact de la préparation de la maquette numérique sur le résultat de la simulation permettrait d’identifier dès le début le meilleur processus et assurerait une meilleure maitrise des processus et des coûts de préparation. Cette thèse a pour objectif de relever ce défi en utilisant des techniques d’intelligence artificielles capables d'imiter et de prévoir un comportement à partir d'exemples judicieusement choisis. L’idée principale est d’utiliser des exemples de préparation de maquettes numériques comme entrées d’algorithmes d’apprentissage pour configurer des estimateurs de la performance d’un processus. Lorsqu’un nouveau cas se présente, ces estimateurs pourront alors prédire a priori l’impact de la préparation sur le résultat de l’analyse sans avoir à la réaliser. Afin d'atteindre cet objectif, une méthode a été développée pour construire une base d’exemples représentatifs, identifier les variables d’entrée et de sortie déterminantes et configurer des modèles d’apprentissage. La performance d’un processus de préparation sera évaluée à l’aide de critères tels que des coûts de préparation, des coûts de simulation et des erreurs sur le résultat de l’analyse dues à la simplification des modèles CAO. Ces critères seront les données de sortie des algorithmes d’apprentissage. Le premier challenge de l’approche proposée est d’extraire les données des modèles 3D complétées par des données relatives au cas de simulation qui caractérisent au mieux un processus de préparation , puis d’identifier les variables explicatives les plus déterminantes. Un autre challenge est de configurer des modèles d’apprentissage capables d’évaluer avec une bonne précision la qualité d’un processus malgré un nombre limité d’exemples de processus de préparation et de données disponibles (seules les données relatives aux modèles CAO originaux, aux cas de simulation sont connues pour un nouveau cas). Au final, l’estimateur de la performance d’un processus aidera les analystes dans le choix d'opérations de préparation de modèles CAO. Cela ne les dispensera pas de la simulation mais permettra d'obtenir plus rapidement un modèle préparé de meilleure qualité. Les techniques d’intelligence artificielles utilisées seront des classifieurs de type réseaux de neurones ou arbres de décision. L’approche proposée sera appliquée à la préparation de modèles CAO riches pour l’analyse CFD.
Type de document :
Thèse
Génie des procédés. Ecole nationale supérieure d'arts et métiers - ENSAM, 2015. Français. 〈NNT : 2015ENAM0045〉
Liste complète des métadonnées

Littérature citée [75 références]  Voir  Masquer  Télécharger

https://pastel.archives-ouvertes.fr/tel-01314421
Contributeur : Abes Star <>
Soumis le : mercredi 11 mai 2016 - 14:07:11
Dernière modification le : jeudi 18 janvier 2018 - 02:01:46
Document(s) archivé(s) le : mercredi 16 novembre 2016 - 00:37:00

Fichier

DANGLADE.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01314421, version 1

Collections

Citation

Florence Danglade. Traitement de maquettes numériques pour la préparation de modèles de simulation en conception de produits à l'aide de techniques d'intelligence artificielle. Génie des procédés. Ecole nationale supérieure d'arts et métiers - ENSAM, 2015. Français. 〈NNT : 2015ENAM0045〉. 〈tel-01314421〉

Partager

Métriques

Consultations de la notice

753

Téléchargements de fichiers

275