Réduction de modèle par apprentissage automatique, application à l'optimisation des compromis masse/performances en crash d'une caisse d'automobile Free

  • Category Technical paper
  • Related event Congrès : SIA Simulation numérique - 3 & 4 avril 2019
  • Edition SIA
  • Date 04/29/2019
  • Author Sonia ASSOU, Etienne GSTALTER, Georges OPPENHEIM, Yves TOURBIER - Renault / Université de Paris Est
  • Language French
  • Type PDF file (701.35 Ko)
    (Downloadable immediately on receipt of online payment)
  • Number of pages 9
  • Code R-2019-04-02
  • Fee Free

RENAULT réalise des études d’optimisation dans son processus de conception numérique, pour gérer les compromis entre la masse, synonyme d’émission de CO2, et les performances du véhicule en crash, acoustique… Réduire leur durée est un enjeu important car les plannings des projets véhicules raccourcissent pour réduire le « time to market ».

La présentation décrit l’utilisation du Machine Learning pour estimer un modèle statistique du comportement en crash de la structure d'un véhicule. Ce modèle, réalisé à partir des résultats de plusieurs calculs crash, permet d'estimer en quelques secondes l'effet d'un changement de définition technique de la caisse (vs 10 heures par calcul crash). Il remplace le calcul crash dans l'optimisation, comme une surface de réponses dans un plan d'expériences.

La méthode proposée concurrence les plans d’expériences couramment utilisés, elle apporte une rupture sur le nombre de simulations crash nécessaire à l'optimisation.