Optimisation Robuste et Jumeaux Numériques pour la Transition Maritime – MATritime

Le domaine maritime fait face à des défis importants : réduction imposée de l’empreinte énergétique du transport maritime, avènement de nouveaux modes de propulsion (vélique, hydrogène), automatisation et digitalisation, ... Parallèlement, la révolution numérique/digitale des procédures de conception en naval nécessite une grande maitrise de multiples domaines complexes propres aux environnements incertains constitués de la mer, de l’atmosphère, et de leur interface. De nouvelles procédures avancées sont nécessaire pour répondre aux défis d’une industrie maritime plus durable, plus verte et plus robuste. Relever ces défis demande une évolution considérable des pratiques d’ingénierie avec la mise en place de structures dédiées en Science et Ingénierie Computationnelles (CSE) s’appuyant sur des technologies de simulation numérique avancées associant fortement modèles physiques et statistiques. En effet, même si les ressources de calcul augmentent, les limitations des modèles physiques et le coût des approches hautefidélité limitent les simulations à quelques configurations nominales. Or, concentrer l’effort de simulation sur un système nominal peut s’avérer insuffisant si le système réel diffère de celui étudié (du fait de tolérances de fabrication, d'effets intrinsèques aléatoires, d’erreur de modèle, d’environnements mal connus, ...). Dans ces situations, il est crucial de quantifier objectivement les incertitudes des prédictions numériques induites par les erreurs de spécification du système et de son modèle, et de rendre compte toutes ces incertitudes lors des analyses et la prise de décision. Cette caractérisation permet de concevoir des systèmes plus robustes atteignant de meilleurs niveaux de performance en condition réelle. Le projet propose de développer une approche holistique des incertitudes en équipant les prédictions numériques de lois de probabilités. Selon la qualité de la représentation probabiliste, la surcharge computationnelle pour estimer l’incertitude de prédiction peut être très importante. Par exemple, les méthodes d’échantillonnage de Monte-Carlo nécessitent de nombreuses simulations pour simplement estimer la variance des prédictions, avec un coût prohibitif pour s’appliquer directement à des modèles physiques détaillés. Pour pallier ces limitations sans renoncer à une physique précise, il faut recourir à des approches efficaces produisant des prédictions probabilistes avec un coût acceptable. Pour cela, nous envisageons de développer des méthodologies associant étroitement modélisations physiques et statistiques (par ex. multi-fidélité, Monte-Carlo multi-niveaux, modèles de substitution, plan d’expérience numériques). Toutes ces méthodes, en opposition aux méthodes purement statistiques (e.g. Intelligence Artificielle), incorporent des simulations physiques dans le traitement statistique produisant la prédiction ; en retour elles nécessitent une grande interaction avec les praticiens des simulations physiques pour être mises au point. Notre objectif sera de déployer ces approches numériques et proposer des analyses d’incertitudes avancées et des stratégies de prédiction et de design robuste pour les applications maritimes. Ces applications complexes conduiront à développer des recherches en conception robuste multidisciplinaire (approches par sous-systèmes) et multi-objectifs pour couvrir la conception des navires depuis la conception des composants jusqu’à l’optimisation du système. Nous mettrons aussi en place un prototype de jumeau numérique de navire, intégrant modèles et données, afin d'accompagner la digitalisation du monde maritime et préparer les futurs outils des problématiques opérationnelles (optimisation des missions, routes, opérations de maintenance, …).