Réduction de modèle basée sur les données pour la conception robuste et l'optimisation de systèmes complexes – DINAMIC

Les modèles d'ordre réduit (ROM) servent d'approximations frugales aux modèles d'ordre complet, c'est-à-dire aux simulations ou expériences de haute fidélité, et sont particulièrement utiles pour les optimisations multi-objectifs. Malgré leurs avantages, les stratégies ROM de pointe actuelles (à l'état de l'art) sont souvent insuffisantes lorsqu'elles sont appliquées à des systèmes dynamiques complexes sur des systèmes réelles, en raison des fortes non-linéarités et de la multiplicité des physiques et des échelles présentes. Par conséquent, l'optimisation de ces systèmes repose généralement sur des approches par essais et erreurs ou sur des modèles empiriques présentant de fortes incertitudes, ce qui limite la confiance dans les outils de conception. Le principal obstacle à l'intégration des ROM en phase de conception est le manque de garantie d'erreur et l'incertitude sur la généralisation des techniques actuelles. Les modèles existants basés sur des données perdent rapidement en précision lorsque l'horizon en temps devient grand. En outre, les stratégies actuelles fondées sur les données ne se généralisent pas bien lorsqu'elles sont appliquées en dehors de leur domaine de d'apprentissage. Or, ces garantir ces deux propriétés des ROM est impératif si l'on souhaite les utiliser dans pour le contrôle et l'optimisation. Dans cette étude, nous allons au-delà de l'état de l'art en développant des modèles généralisables et prédictifs pour plusieurs stratégies de réduction de modèle, depuis les approches purement basées sur les données jusqu'aux approches entièrement basées sur la physique. En outre, en testant rigoureusement les stratégies de réduction obtenues dans des applications représentatives de la complexité industrielle pour le contrôle et l'optimisation, nous proposons un cadre systématique pour en comparer leurs performances.