Optimisation, analyse d'incertitudes et de fiabilité basées sur des simulations et des méta-modèles – SAMOURAI

Pour accroître l'efficacité des processus industriels basés sur la simulation, il faut améliorer les étapes de quantification de l'incertitude et d'optimisation numérique. De telles questions se posent dans la plupart des domaines de l'ingénierie (par exemple, l'énergie, les transports, l'agriculture) et des domaines scientifiques (par exemple, la biologie, la physique). Un problème majeur vient de la nature « boîte noire » du processus d'intérêt qui n'est souvent pas directement accessible : en général, les seules informations disponibles sont les sorties de la simulation « boîte noire ». En particulier, les informations dérivées, qui sont très précieuses dans le contexte de l'optimisation et de la quantification des incertitudes, ne sont pas disponibles. Cette situation est une conséquence directe de la complexité et de la diversité croissantes des problèmes industriels traiter (par exemple, couplage de simulateurs multi-physiques ou multidisciplinaires, modèles économiques, modèles d'apprentissage plus sophistiqués, intégration de variables incertaines ou non euclidiennes). Résoudre ce problème est donc un enjeu majeur avec des retombées industrielles directes et significatives.

Au cours des deux dernières décennies, le domaine des méthodes d'optimisation « boîte noire » (BBO) a connu des développements théoriques et pratiques majeurs. Néanmoins, malgré la popularité croissante de ces méthodes, certaines limites fondamentales subsistent : en particulier, la taille des problèmes qui peuvent actuellement être résolus efficacement par les méthodes BBO ne dépasse pas quelques dizaines de variables et les méthodes permettant de traiter des problèmes avec des variables catégorielles sont limitées. Dans les applications réelles, le budget de simulation est souvent très limité. De plus, les algorithmes BBO sont eux-mêmes devenus complexes, ce qui soulève des questions sur leur généralité d'utilisation (choix des noyaux pour les MM) et sur la fiabilité de l'apprentissage des hyperparamètres.

Les principaux objectifs du projet sont, conjointement, de développer des méthodes innovantes de simulation et d'optimisation basées sur des MM, tout en repoussant leurs limites actuelles de performance et d'applicabilité, guidées par des applications réelles. Ces applications sont liées à la conception et à l'évaluation des risques de systèmes complexes. Ainsi, les partenaires du projet fourniront des applications complexes et critiques dans les domaines des énergies renouvelables et décarbonées et du transport aérien à faible émission de CO2 afin de démontrer la pertinence et l'efficacité des méthodologies développées.
L'ambition des partenaires est de relever les quatre défis suivants:
- concevoir des MM adaptés à des problèmes de grande taille (généralement environ 100 variables d'entrée) dans le contexte d'un budget limité de simulations (environ 500);
- adapter des stratégies d'enrichissement séquentiel aux problèmes de grande taille dans le contexte de la conception optimale et l’inversion en fiabilité;
- développer des méthodes efficaces d'optimisation « boîte noire » capables de traiter des problèmes de conception optimale mélangeant des variables de différents types : variables continues, ordinales et nominales;
- d’augmenter les performances du processus itératif (optimisation et construction de MM) en cas d'instabilités, de défaillances ou de résultats non physiques de la simulation : le but sera d'apprendre les contraintes cachées et de les intégrer dans la procédure séquentielle d’optimisation.
Ainsi, le projet vise à (i) consolider et étendre les méthodes d'optimisation « boite noire » existantes afin de fournir une réelle amélioration de leur application aux problèmes industriels, (ii) partager les expériences et les méthodologies des partenaires industriels pour la résolution de problèmes industriels, (iii) intégrer les méthodes et les méthodologies développées dans des plateformes open-source développées par les partenaires.