Mise en place d'un algorithme d'optimisation multi-fidélités appliqué au cas de dimensionnement des machines électriques
Plus d'info sur IFP Energies nouvelles - Mobilité et Systèmes
Stage Data / Mathématiques Appliquées Hauts-de-Seine entre mars et juillet 2025 6 mois
IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.
L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :
- à gagner en efficacité énergétique ;
- à réduire les émissions de CO2 et de polluants ;
- à améliorer l’empreinte environnementale de l’industrie et des transports ;
tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.
Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.
Mise en place d’un algorithme d’optimisation multi-fidélités appliqué au cas de dimensionnement des machines électriques
Les machines électriques jouent aujourd’hui un rôle crucial dans la transition écologique en contribuant à réduire l'empreinte carbone et à promouvoir une utilisation plus durable de l'énergie. Afin de dimensionner correctement une machine électrique en fonction d’un cahier des charges spécifique, les ingénieurs ont souvent recours à des méthodes d’optimisation qui prennent en compte l’ensemble des critères définis.
En raison de la nature non linéaire des modèles décrivant le comportement d’une machine électrique, les méthodes de modélisation basées sur les éléments finis sont souvent préférées. Ces modèles, associés « directement » à des algorithmes d’optimisation heuristiques, constituent une méthodologie d’optimisation efficace mais qui nécessite un temps de calcul important pour converger.
Afin de réduire le temps global d’optimisation, les approches dites multi-fidélités ont été identifiées comme une solution intéressante [1] [2]. Ces approches utilisent différents modèles de fidélités différentes offrant des précisions et des temps de calcul variés. Les algorithmes d’optimisation multi-fidélités exploitent ces différents modèles pour converger plus rapidement vers la solution optimale.
Le travail pendant ce stage consiste à adapter un algorithme d’optimisation multi-fidélités déjà existant et l’étendre au cas multi-objectifs sous contraintes, la version actuelle de l’algorithme étant mono-objectif sans contrainte.
Le stage sera divisé en trois parties :
- Une bibliographie sur les techniques d’optimisation multi-objectifs ainsi que sur la prise en compte de contraintes provenant de plusieurs modèles à fidélités différentes
- Implémentation du nouveau code et test sur des cas jouets
- Application sur un cas d’optimisation réel de machines électriques
Profil recherché :
Master 2 (ou diplôme équivalent) en Mathématiques appliquées.
- Connaissances en optimisation, probabilités et statistiques.
- Compétences en programmation (Matlab, Python, R).
Mots-clefs : Méthodologies d’optimisation, Machines électriques, Multi-fidélité
Lieu du stage : Rueil-Malmaison
Indemnité de stage : 1080€ / mois (brut)
Une poursuite de l’étude dans le cadre d’une thèse pourra être envisagée.
Bibliographie
[1] S. Nachar, P.-A. Boucard et D. Néron, «Optimisation de structures par couplage métamodèles multi-fidélité et modèles réduits,» chez 23ème CongrèsFrancais de Mécanique, Lille.
[2] R. Ben Ayed et S. Brisset, «Nac,» COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, pp. 868-878, 2014.
IFP Energies nouvelles - Mobilité et Systèmes
André NASR ; Delphine Sinoquet
