Réduction de modèle pour la variabilité géométrique non paramétrique avec application aux simulations aéronautiques
Notice bibliographique
Résumé
La réduction de modèles constitue un outil pour diminuer les coûts de calcul des simulations numériques haute fidélité utilisées dans les processus de la conception et l’optimisation en aéronautique. Cependant, ces méthodes rencontrent des difficultés lorsqu’elles sont confrontées à des variations géométriques non paramétrées, et à la lente décroissance de l’épaisseur de Kolmogorov. Cette thèse développe des stratégies de réduction de modèle adaptées aux problèmes présentant des variabilités géométriques, et en combinant des techniques de morphing avec des approches de régression non intrusives. La première contribution repose sur une stratégie de morphing basée sur l'élasticité linéaire, introduisant la notion de distance vectorielle. Une base réduite de morphings est construite pendant la phase d'apprentissage, et la régression par processus Gaussiens est utilisée pour prédire les coordonnées réduites en phase d’exploitation, ce qui réduit considérablement les coûts de calcul. La deuxième contribution consiste en un morphing optimal formulé comme la solution d'un problème d'optimisation globale visant à obtenir des déformations bijectives et régulières qui maximisent la compressibilité des champs. L'algorithme de résolution, basé sur une méthode de gradient avec une pénalisation hyperélastique visant à préserver la bijectivité des morphings, est couplé avec la régression par processus Gaussiens pour définir le cadre O-MMGP (Optimal Mesh Morphing Gaussian Process), permettant une prédiction efficace et de manière non intrusive de solutions pour de nouveaux paramètres et des nouvelles géométries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».