L’approche retenue (figure 5.3) consiste tout d’abord à capitaliser les connaissances des experts dans une base d’exemples de processus de préparation pour ensuite construire un modèle capable de prédire la qualité d’un processus pour un nouveau cas.
FIGURE5.3 – Approche générale proposée (niveau 1 de la figure 5.2.
Première étape : construction de la base de données
L’objectif de cette première étape est de construire d’une base de données pour l’appren- tissage. Pour cela, les connaissances acquises par les experts en matière de préparation de modèles pour la simulation sont formalisées puis implémentées dans un modèle d’ap- prentissage (figure 5.4).
La base de données d’exemples de processus de préparation est construite à partir de la représentation formalisée des connaissances extraites :
— d’un modèle de processus de préparation des modèles CAO ; — de la description des modèles CAO originaux et simplifiés ;
CHAPITRE 5. APPROCHE PROPOSÉE POUR L’ESTIMATION DE LA QUALITÉ D’UN PROCESSUS DE PRÉPARATION DE MODÈLES DE SIMULATION
FIGURE5.4 – Etape 1 de l’approche proposée. Construction de la base de données pour l’appren-
tissage.
— des informations sur les caractéristiques du maillage appliqué, sa qualité et la durée du processus de maillage ;
— des informations sur le cas de simulation (objectif de la simulation, conditions li- mites, grandeurs physiques, équations,...), la durée de la simulation et les résultats de l’analyse.
Les données extraites de supports de natures diverses (modèles CAO, maillages, rapports) devront être transformées avant d’être utilisées par un outil d’intelligence artificielle de type classifieur. Une représentation matricielle des données facilitera leur implémenta- tion. Chaque ligne correspond à un exemple de préparation de modèle pour la simula- tion et chaque colonne à une variable d’entrée (explicative) ou de sortie (à prédire). Les variables à prédire sont les critères d’évaluation d’un processus de préparation d’un mo- dèle pour la simulation. Les variables explicatives décrivent les processus de préparation et caractérisent les variables à prédire.
Afin de caractériser au mieux les variables à prédire, la base de donnée doit contenir toutes les variables explicatives capables de décrire un processus de préparation ou ses critères d’évaluation. Cependant, ces variables explicatives ne sont pas connues. La base de données contient donc dans un premier temps un très grand nombre de variables. Les variables explicatives les plus déterminantes seront ensuite sélectionnées.
Deuxième étape : apprentissage
La seconde étape a pour objectif de configurer un classifieur pour chaque variable à pré- dire (figure 5.5), en :
— choisissant un type d’apprentissage supervisé ou non supervisé et un type d’algo- rithme (arbre de décision, réseau de neurones, machine à vecteur de support, clas- sification naive bayésienne, algorithme des K-moyennes,...). Les principaux classi- fieurs ont été définis dans la section 4.2 "Principes de l’apprentissage artificiel" ;
CHAPITRE 5. APPROCHE PROPOSÉE POUR L’ESTIMATION DE LA QUALITÉ D’UN PROCESSUS DE PRÉPARATION DE MODÈLES DE SIMULATION
— adaptant les variables au classifieur choisi ;
— identifiant les paramètres du classifieur capable de prédire une variable de sortie à partir d’un vecteur de variables explicatives ;
— évaluant la qualité du modèle d’apprentissage par la validation du choix des va- riables explicatives et de la configuration du classifieur.
FIGURE5.5 – Etape 2 de l’approche proposée. Sélection et configuration de classifieurs par ap-
prentissage.
Troisième étape : utilisation sur un nouveau cas
La troisième étape (figure 5.6) consiste à évaluer un processus proposé par l’utilisateur pour un nouveau cas à partir des données disponibles pour ce nouveau cas (modèle CAO original, objectif de simulation, conditions limites et processus de préparation) et des classifieurs précédemment configurés .
Parmi les variables explicatives sélectionnées pour la prédiction des variables à prédire, certaines ne sont pas connues pour un nouveau cas (modèle CAO simplifié, modèle pré- paré, résultat de la simulation,...). Nous nommerons "variables intermédiaires" ces va- riables explicatives inconnues pour un nouveau cas. Les premières variables intermé- diaires à estimer sont celles qui décrivent le modèle simplifié pour chaque sous-ensemble, à partir des données extraites des modèles originaux des sous-ensembles et des sous- processus de simplification proposés. Connaissant les caractéristiques des modèles sim- plifiés, on peut ensuite estimer le coût de la simplification, l’influence de la simplification sur chaque sous-ensemble et les caractéristiques du modèle préparé. Les principales va- riables à prédire (coût de la préparation, erreur sur le résultat de l’analyse et coût de la simulation) seront estimées à leur tour à partir de l’ensemble des variables explicatives connues et intermédiaires.
L’analyste pourra juger la qualité du processus de préparation proposé à partir des valeurs estimées pour ces trois principales variables. Il n’a donc pas besoin de réaliser les simpli- fications lors de cette estimation a priori.
CHAPITRE 5. APPROCHE PROPOSÉE POUR L’ESTIMATION DE LA QUALITÉ D’UN PROCESSUS DE PRÉPARATION DE MODÈLES DE SIMULATION
FIGURE5.6 – Etape 3 de l’approche proposée. Utilisation sur un nouveau cas. Prédiction des cri-
tères d’évaluation d’un processus de préparation pour la simulation. VE = variables explicatives connues. VI = variables intermédiaires. CS = coût de la simplification. CP = coût de la préparation. CA = coût de l’analyse. IS = influence de la simplification d’un sous-ensemble sur le résultat. ERA = erreur sur le résultat de l’analyse.
Finalement, les données extraites et estimées sur les nouveaux cas viendront enrichir la base de données d’apprentissage.
CHAPITRE 5. APPROCHE PROPOSÉE POUR L’ESTIMATION DE LA QUALITÉ D’UN PROCESSUS DE PRÉPARATION DE MODÈLES DE SIMULATION