Advances in multi-fidelity Bayesian optimization for multi-disciplinary drone design ; Avancées en optimisation Bayésienne multi-fidélité pour la conception multi-disciplinaire de drone
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
E-Book;
Electronic Thesis
Title:
Advances in multi-fidelity Bayesian optimization for multi-disciplinary drone design ; Avancées en optimisation Bayésienne multi-fidélité pour la conception multi-disciplinaire de drone
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Les drones à voilure fixe ont récemment gagné en popularité dans divers secteurs nécessitant une couverture aérienne étendue et une grande endurance.La demande croissante en matière de drones souligne l'importance d'optimiser leur conception en fonction de leurs objectifs spécifiques.La conception préliminaire de ces drones implique des modèles multi-disciplinaires faisant appel à de nombreuses disciplines fortement couplées comme l'aérodynamique, la structure, la propulsion, la mission, l'acoustique, . qui sont parfois évaluées à l'aide de différents outils.L'aspect multi-disciplinaire de ces modèles de drones rend l'évaluation coûteuse, et le gradient des quantités d'intérêt pas toujours accessible.Le problème d'optimisation multidisciplinaire correspondant est donc un problème d'optimisation de boîte noire coûteuse. Il ne peut donc en pratique pas être résolu ni par des algorithmes d'optimisation basés sur le gradient, ni par des algorithmes effectuant un grand nombre d'appels aux fonctions.Dans ce contexte, l'optimisation Bayésienne est une approche basée sur les modèles de substitution (appelés aussi métamodèles) dont l'objectif est de trouver une solution au problème d'optimisation en équilibrant l'exploration de l'espace de conception et l'exploitation du métamodèle afin de minimiser le nombre d'appels aux fonctions coûteuses.Les extensions multi-fidélité des méthodes d'optimisation Bayésienne cherchent à tirer parti de différents modèles dont la fidélité et le coût varient. L'idée sous-jacente est de pouvoir bénéficier à la fois des informations précises fournies par des modèles haute fidélité coûteux et d'une bonne exploration de l'ensemble de l'espace de conception grâce à des modèles basse fidélité beaucoup moins coûteux.Cependant, les méthodes d'optimisation Bayésienne multi-fidélité existantes n'ont pas été testées sur des problèmes d'optimisation fortement multi-disciplinaire tels que ceux de conception de drones.D'autre part, lorsqu'un grand nombre de niveaux de fidélité est disponible, nous ...