tion.
Constats :
L’impact de la préparation sur le résultat de l’analyse peut être mesuré par les écarts entre la grandeur physique réelle et le résultat de la simulation. Ces écarts peuvent être dus à la qualité du maillage ou à la définition du modèle.
Les erreurs dues au maillage peuvent être identifiées et qualifiées. Les techniques d’intel- ligence artificielle peuvent être utilisées pour estimer la qualité d’un maillage sans avoir à le réaliser. Cependant, cela nécessite de disposer du modèle géométrique simplifié et adapté.
Les écarts dus à la définition du modèle sont évalués à partir de critères différents. Les méthodes subjectives nécessitent de connaitre et de formaliser de manière exhaustive les critères qui influencent l’écart entre la réalité et la simulation. Les connaissances acquises par les experts sont difficiles à extraire et les critères ne sont pas formalisés. Par contre, la construction de cas de simplification pour lesquels l’écart est connu pourrait être envisa- gée.
Les méthodes basées sur des critères géométriques ne proposent pas d’indicateur précis sur l’erreur d’analyse. L’exhaustivité des critères géométriques n’est pas assurée. La sim- plicité de mise en œuvre de ces méthodes est néanmoins intéressante. Elles peuvent être suffisantes pour évaluer la qualité d’une simplification sans chercher à évaluer précisé- ment le résultat de l’analyse.
CHAPITRE 3. TECHNIQUES D’ÉVALUATION DE L’IMPACT DE LA PRÉPARATION SUR LE RÉSULTAT DE L’ANALYSE
Peu de méthodes proposent d’évaluer a priori (avant la réalisation de la simplification et du maillage) les erreurs sur les résultats de la simulation. Ces méthodes basées sur des critères physiques sont souvent limitées aux techniques de simplification de type defea- turing et sont difficilement transposables dans un contexte industriel où le modèle est complexe et lorsque la simplification est globale. De plus, la plupart ne peuvent s’appli- quer qu’à des objectifs de simulation précis tel que le calcul de structure.
Positionnement des travaux :
Les travaux de cette thèse se positionnent sur l’évaluation a priori d’un processus de pré- paration des modèles CAO pour l’analyse numérique en se basant sur des critères géomé- triques et sur la qualité du maillage en utilisant des cas connus de préparation de modèles.
Verrous :
A la vue de ces constats et de notre positionnement, des questions demeurent quant à l’évaluation des écarts entre la réalité et la simulation numérique dus à la simplification du modèle.
— Comment évaluer l’écart entre la réalité et la simulation
pour un modèle complexe simplifié globalement ?
— Quels sont les critères géométriques qui influencent le résul-
tat de l’analyse numérique et donc les écarts entre une gran-
deur réelle et la simulation ?
— Comment évaluer a priori cet écart à partir de cas connus ?
Verrous relatifs à l’évaluation des écarts entre la réalité et les
résultats de l’analyse
Chapitre 4
Techniques d’intelligence artificielle
L’idée principale de cette thèse consiste à évaluer a priori un processus de préparation de modèle pour la simulation en exploitant des cas existants et les connaissances acquises par les experts sur des cas de simulation. Pour cela, nous proposons d’utiliser les techniques d’intelligence artificielle. Ce chapitre a pour objectif d’identifier les outils qui pourront être utilisés et les types de données manipulées.
John McCarthy de l’université de Stanford a proposé l’appellation "intelligence artificielle" (IA) dans les années 1950 en partant du postulat que toute activité intelligente peut être modélisée et imitable par une machine. L’IA peut être définie comme étant la réalisation de programmes visant à imiter les comportements humains. Les algorithmes construits sont capables de reproduire une tâche à partir de l’analyse d’exemples connus.
Ce chapitre présente les techniques qui permettront d’évaluer et d’identifier un processus de préparation de modèles pour la simulation à partir de cas existants.
Les systèmes experts à base de connaissance et à base de cas semblent pouvoir répondre à cette problématique. Mais la section 4.1 en montrera les limites vis à vis de l’objectif des travaux. La section 4.2 présente les principes de l’apprentissage artificiel, branche de l’IA à laquelle nous nous intéresserons plus particulièrement. La section 4.3 propose une syn- thèse des applications des techniques d’IA dans le domaine de l’ingénierie mécanique. Puis, chaque technique retenue est décrite dans la section 4.4 en précisant ses principes, para- mètres de configuration, intérêts et limites. Une méthodologie usuelle de conception d’un modèle d’apprentissage est enfin décrite dans la section 4.5.
CHAPITRE 4. TECHNIQUES D’INTELLIGENCE ARTIFICIELLE
4.1 Les systèmes experts
4.1.1 Les systèmes à base de connaissances
Edward Feigenbaum de l’université de Stanford, reconnu comme étant le père des sys- tèmes experts et de l’intelligence artificielle, a donné la définition suivante : “An expert
system is an intelligent computer program that uses knowledge and inference procedures to solve problems that are difficult enough to require significant human expertise for their solution. Knowledge necessary to perform at such level, plus the inference procedures used, can be thought of as a model of the expertise of the best practitioners in the field”[7].
Un système expert est composé :
— d’une base de règles, souvent de type « si conditions, alors conclusions » élaborée à partir de l’expertise des spécialistes ;
— d’un moteur d’inférences et d’interfaces pour gérer et communiquer autour de ces connaissances.
L’intérêt des systèmes experts est leur rapidité d’exploitation grâce à la mise à disposition de la connaissance formalisée.
La principale limite des systèmes experts concerne l’extraction et la représentation des connaissances. Les connaissances doivent être formalisées pour être traduites en règles. Elles peuvent être contradictoires entre deux experts du domaine. De plus, les experts peuvent être réticents à l’idée de transmettre leur compétence.
Concernant notre étude, les connaissances et les raisonnements qui amènent l’analyste à proposer un modèle intermédiaire pour la simulation ne sont pas formalisés. Il sera donc difficile de retenir cette approche.
4.1.2 Les systèmes à base de cas
Le raisonnement à partir de cas [45] ou case based reasoning (CBR) propose une alter- native aux systèmes experts lorsque les connaissances ne peuvent pas être extraites. Le CBR utilise des exemples de cas sources représentatifs d’un problème à résoudre. Un cas source est composé d’un problème et de sa solution. Il s’agirait pour notre étude d’un cas de simulation pour un modèle CAO complexe (problème) et de son modèle CAO préparé (solution).
Le principe d’un CBR est résumé sur la figure 4.1. L’ensemble des cas sources sont indexés en fonction de critères de similarité. Lorsqu’un nouveau problème se présente les cas si- milaires sont identifiés. L’analyse de leur similarité permet de proposer une solution au nouveau problème. Cette solution est évaluée et éventuellement révisée. La base de don- nées est finalement mise à jour avec le nouveau cas.
CHAPITRE 4. TECHNIQUES D’INTELLIGENCE ARTIFICIELLE
FIGURE4.1 – Principe d’un système à base de cas (CBR)
L’intérêt des CBR résulte dans le fait qu’ils ne nécessitent pas d’extraction de connais- sance ou de raisonnement et que la base est évolutive.
La qualité des résultats dépend de la qualité et de la quantité des cas présents dans la base.
Concernant nos travaux, les cas de préparation de modèles pour la simulation disponibles ne sont pas forcément représentatifs de l’ensemble des cas qui pourraient exister, les cri- tères de recherche de similarité ne sont pas connus, des incertitudes subsistent au niveau de l’évaluation de la qualité des modèles.