|
|
|
|
|
|
|
|
|
Conception Optimisée InTelligente (COIT)
La Méthode |
||
|
Il s'agit d’essayer de compenser nos nombreuses incertitudes actuelles sur les modélisations des matériaux ou le dimensionnement des structures dans les domaines non-linéaires avec plasticité‚ fluage, fatigue, endommagement, rupture, sur les analyses numériques des structures, sur les états initiaux des structures, sur les chargements réels sur la structure. Cependant, si dans ces domaines, il n'y a pas de solution précise, complète car les experts ne comprennent pas tout, de nombreux progrès ont été réalisés. Un couplage particulier de leurs connaissances et le traitement des retours d'expériences peut être effectué grâce aux techniques d'apprentissage automatique. Le choix d'une bonne description est primordial pour toute tentative d'apprentissage automatique. La description d'un problème quelconque peut être vue à deux niveaux : i) on retient d'abord les caractéristiques globales du problème : les DESCRIPTEURS PRIMITIFS, x où chaque cas peut avoir un nombre différent et des natures différentes de descripteurs ; ii) on cherche ensuite à représenter ces caractéristiques par des DESCRIPTEURS EVOLUES, XX, où toute la connaissance des experts est exprimée mais où surtout, tous les cas sont décrits par le même nombre et avec le même type de descripteurs (fusion des données). Chaque problème doit être pris séparément et être analysé par les meilleurs experts. Il ne s’agit donc pas de Data Mining. Plusieurs outils ont été mis au point pour arriver à transformer les descriptions globales primitives des problèmes en des descriptions évoluées, intelligentes, physiquement/mathématiquement correctes susceptibles de s'adapter aux méthodes actuelles d'apprentissage automatique et d'optimisation : tout le savoir des experts doit être récupéré‚ dans cette étape fondamentale. | ||
| Cette approche peut permettre aux experts eux-mêmes de mieux comprendre leur problème. Mais surtout cette approche conduit à une solution pratique du problème et avec en plus un accès instantané à une solution optimale pour chaque nouveau cahier de charges sans avoir à refaire d’essais ou d’études. |
||
|
Comme les descripteurs intelligents XX ne sont pas indépendants entre eux en général, il est possible de prévoir deux types de stratégie d’optimisation : i) ces descripteurs sont considérés comme indépendants, cela permet de découvrir éventuellement une solution qui n'a pas jamais été vue mais pour laquelle, une difficile étape doit être franchie, il faut comprendre comment réaliser réellement cette solution. ii) ces descripteurs proviennent de calculs ou d'essais d'un nombre de variables de conception, elles indépendantes, qui assurent que la réalisation de la solution est alors immédiate. Plusieurs applications industrielles ont été déjà réalisées, dont voici quelques exemples : Choix de Maillage Optimal pour le Calcul de Structures (En anglais - fichier Power Point - 895 Ko) Optimisation au Crash de Longerons Automobiles (En anglais - fichier Power Point - 535 Ko) Conception Optimisée de Composites Tissés (En anglais - fichier Power Point - 765 Ko) Analyse à la Fatigue des Structures (En anglais - fichier Power Point - 2042 Ko) | ||
| Le département COIT de CADLM est dédié à la mise en place de cette approche dans les divers secteurs : transport, aéronautique, armement, génie-civil mais aussi bancaire, assurance et médical. |
||
|
Apprentissage Automatique
| ||
|
L'approche COIT se fonde en partie sur les techniques d'apprentissage automatique. Il existe plusieurs techniques fondées sur l'analyse statistique, l'analyse symbolique, les réseaux neuronaux, la logique floue ... SEA (générateur de Système Expert par Apprentissage automatique) est l'ensemble de ces outils capables de générer le réseau de règles avec la fiabilité la plus grande à partir d'une base d'exemples définie sous la responsabilité des experts. De tels générateurs de Systèmes Experts par Apprentissage automatique, SEA, opèrent en trois étapes : i) la première consiste en la génération de règles à partir de la base d'exemples ii) tandis que la deuxième exploite les règles générées sur des nouveaux cas inconnus; iii) enfin une troisième étape exploite les règles générées dans l'optimisation ou la résolution du problème inverse. De façon pratique, l'expert réunit tous les cas/exemples (données) concernant un problème particulier dans, par exemple, une feuille Excel. Chaque colonne correspond à un descripteur (entrée ou sortie/conclusion) tandis que chaque ligne est associée à un exemple. Dans cette feuille, les conclusions pour tous les exemples ont été vérifiées. Les systèmes SEA disposent en général de six fonctions principales : - PREPARE qui effectue la préparation des données initiales et la récupération d'un fichier de données de type EXCEL. PREPARE, considère comme descripteurs d'entrée, les nombres entiers et réels, les booléens, les alphanumériques, mais aussi les fichiers base de données (matériaux, process...), les fichiers courbes (traction, fatigue...), les fichiers signaux provenant de divers types de capteurs ou les fichiers images. Il effectue le pré-traitement des données numériques et symboliques, compte tenu de la conclusion que l'on cherche à diagnostiquer (classe ou nombre). Il décompose principalement pour chacune des conclusions, le fichier base de données initiale en une base d'apprentissage et une base de test. - APPREND extrait une base de règles à partir de la base d'apprentissage ; la base d'apprentissage peut contenir des exemples dont la description est incomplète ; elle peut également contenir des règles, qui représentent les connaissances initiales disponibles et indiscutables des experts. C'est là la fonction essentielle des SEA. Une expression mathématique ou symbolique relie la conclusion aux descripteurs pertinents. - CONCLUT correspond au mode diagnostic classique d'un système expert. Il effectue le diagnostic d'un cas inconnu en utilisant l'expression mathématique générée ou la base de règles. - ENCLAIR permet de visualiser l'expression mathématique ou les règles obtenues ainsi que les descripteurs pertinents retenus. - TESTE permet d'évaluer la qualité des règles apprises sur les exemples mis par PREPARE dans la base de test ; on compare la conclusion originale et celle donnée par la base de règles. Il est certain que dans de nombreux problèmes, ce niveau de fiabilité/erreur peut être insuffisant (nombre de cas/exemples trop petit, mauvaise description des exemples). - OPTIMISE permet de résoudre le problème inverse, c'est à dire, permet, quand des conditions sur les diverses conclusions et sur certains descripteurs sont imposées, de proposer une ou des solutions et éventuellement quand une fonction objectif est donnée, une solution optimale. Souvent les Algorithmes Génétiques qui n'imposent pas le calcul des gradients de la fonction objectif et des contraintes, sont utilisés. |
||
Copyright © 2003-2008 CADLM. Tous droits réservés.
437197 - 5