Probl` emes d’optimisation param´ etrique
Pr´esentation du probl`eme mod`ele Non-existence des designs optimaux Calculer la d´eriv´ee de la fonction objectif M´ethode formelle de C´ea
Algorithmes num´eriques
Probl` eme mod` ele - ´ equation de la chaleur
Optimiser laconductivit´e thermiqueh:D→R pour des divers objectifs.
Latemp´eratureuh:D→Rest la solution de l’´equation de la chaleur:
−div(h∇uh) = f dansD
uh = 0 sur ΓD
h∂u∂nh = g sur ΓN o`uf ∈L2(D) etg ∈L2(ΓN)
L’ensembleUad desdesigns admissiblesest Uad ={h∈L∞(D), α≤h(x)≤β,x ∈D}
avec 0< α < β des constantes.
Probl` eme mod` ele - ´ equation de la chaleur (2)
On consid`ere un probl`eme de la forme
h∈UminadJ(h) o`uJ(h) = Z
D
j(uh)dx avec une fonction assez r´eguli`ere
Dans ce cadre simplifi´e la fonction d’´etatuh est calcul´ee sur le mˆeme domaineD pour des diff´erents valeurs de la variable de designh∈ Uad
Mˆeme dans ce cadre simple, le probl`eme d’optimisation n’admet pas de minimiseur global en g´en´eral...
Probl` emes d’optimisation param´ etrique
Pr´esentation du probl`eme mod`ele Non-existence des designs optimaux Calculer la d´eriv´ee de la fonction objectif M´ethode formelle de C´ea
Algorithmes num´eriques
Exemple de non-existence
d´etails : −→[G. Allaire,Conception Optimale de Structures], Section 5.2 On consid`ereD= (0,1)2le carr´e unit´e
Deux ´equations d’´etat :
−div(h∇uh,1) = 0 dansD h∂nuh,1 = e1·n sur ΓN,1
h∂nuh,1 = 0 sur ΓN,2
−div(h∇uh,2) = 0 dansD h∂nuh,2 = 0 sur ΓN,1
h∂nuh,2 = e2·n sur ΓN,2
Non-existence : objective function
Le probleme d’optimisation :
h∈Uminad
J(h) o`u la fonction objectif est
J(h) = Z
ΓN,1
e1·n uh,1ds− Z
ΓN,2
e2·n uh,2ds
et l’ensemble des designs admissibles contient aussi une contrainte de volume Uad ={h∈L∞(D) :α≤h≤β,
Z
D
hdx =VT}
Minimiserla diff´erence de temp´erature entre la gauche et la droite Maximiserla diff´erence de temp´erature entre le haut et le bas
Non-existence
Theorem
Le probl`eme d’optimisation min
u∈UadJ(h)n’admet pas de solution globale.
Id´ee de preuve:
Calculer uneborne inferieuresur les valeurs deJ(h),h∈ Uad
J(h)≥m, ∀h∈ Uad
Montrer que la borne inferieure n’est pas atteinte J(h)>m, ∀h∈ Uad
Construire unesuite minimisantede designshn∈ Uad telle que J(hn)→m
Non-existence : suite minimisante
La suite minimisante avec une structurelaminaire avec des conductivit´es minimales et maximales alternantes
Effet d’homog´en´eisation: les designs optimaux ont tendance de cr´eer des structures de plus en plus fines au niveau microscopique
Non-existence
Beaucoup de probl`emes d’optimisation de formes n’ont pas de solution pour des raisons diverses
Il est possible de r´ecup´erer l’existence en utilisant des astuces mathematiques
Relaxation: elargirla classe des designs admissibles pour permettre des effets d’homog´en´eisation
Restriction: restreindre la classeUad en imposant des propri´et´es de r´egularit´e
impact pratique : chercher plutˆot des minima locaux en am´eliorant des designs existants
il est naturel d’observer une d´ependance forte du r´esultat par rapport au design initial
il est souvent possible de pouvoir prouver l’existence des solutions pour le probl`eme discr´etis´e : r´eduction au dimension finie
Probl` emes d’optimisation param´ etrique
Pr´esentation du probl`eme mod`ele Non-existence des designs optimaux Calculer la d´eriv´ee de la fonction objectif M´ethode formelle de C´ea
Algorithmes num´eriques
Equation de la chaleur ´
Le probleme :
h∈Uminad
J(h) avecJ(h) =
Z
D
j(uh)dx
L’ensembleUad desdesigns admissiblesest Uad ={h∈L∞(D), α≤h≤β}
Latemp´eratureuh:D→Rest la solution de l’´equation de la chaleur:
−div(h∇uh) = f dans D uh = 0 sur∂D
Pourquoi calculer une d´ eriv´ ee ?
Plusieurs mani`eres d’optimiser
algorithmes sans gradient : g´en´etique, etc... coˆut de calcul ´elev´e, beaucoup d’´evaluations pour la fonction objectif
algorithmes qui utilisent les d´eriv´ees : convergence plus rapide vers un minimum local, nombre raisonnable d’´evaluations de la fonction objectif, possibles difficult´es pour le calcul th´eorique et num´erique du gradient
Algorithme bas´e sur le gradient
Initialisation: Choisir un design initial h0 Pour n= 0, ..., convergence:
1. Calculer la fonction objective et sad´eriv´eeJ0(hn) de l’applicationh7→J(h) enh=hn
2. S´electionner un pas de tempsτn>0
3. Mettre `a jour le design : hn+1=hn−τnJ0(hn).
Le point cl´e de la pratique de cette m´ethode est le calcul de lad´eriv´eede J(h).
La d´ eriv´ ee de J (h)
Theorem
La fonction objectif
J(h) = Z
D
j(uh)dx
est d´erivable au sens de Fr´echet en chaque h∈ Uad et sa d´eriv´ee est J0(h)(ˆh) =
Z
D
(∇uh· ∇ph)ˆhdx, o`u l’´etat adjointph∈H01(D)est la solution du syst`eme
−div(h∇ph) = −j0(uh) dans D
ph = 0 sur∂D
Preuve : Diff´ erentiabilit´ e
L’application
Uad3h7→uh∈H01(D)
est diff´erentiable au sens deFr´echet, avec d´eriv´ee ˆh7→uh0(ˆh).
? pour la preuve, utilisons leth´eor`eme des fonctions implicites F :Uad×H01(D)→H−1(D) definie par
F(h,u) :v 7→
Z
D
h∇u· ∇vdx− Z
D
fvdx F est de classeC1
Pour h∈ Uad uhest solution unique deF(h,u) = 0 La diff´erentielle de l’application u7→ F(h,u) est
H013uˆ7→
v 7→
Z
D
h∇ˆu· ∇vdx
∈H−1(D)
Calcul effectif de la d´ eriv´ ee
Doncle th´eor`eme des fonctions implicitesnous montre que l’applicationh7→uh
est de classeC1
Pour calculer la d´eriv´ee on commence par ´ecrire la formulation variationnelle Z
D
h∇uh· ∇udx= Z
D
fvdx et on d´erive par rapport `ahdans la direction ˆh∈H01(D):
Z
D
ˆh∇uh· ∇vdx+ Z
D
h∇uh0(ˆh)· ∇vdx= 0 En consequence :
Z
D
h∇u0h(ˆh)· ∇vdx=− Z
D
ˆh∇uh· ∇vdx, ∀v ∈H01(D)
Calcul effectif de la d´ eriv´ ee (2)
On d´erive maintenantJ(h) en utilisant la diff´erentiabilit´e deh7→uh
J0(h)(ˆh) = Z
D
j0(uh)u0h(ˆh)dx
L’expression est bizarre : J0(h)(ˆh) n’est pas explicite et il est difficile de trouver une direction de descente, i.e. un ´el´ement ˆh∈H01(D) t.q.
J0(h)(ˆh)<0.
pour contourner cette difficult´e on introduit l’´etat adjoint
Etat adjoint ´
L’´etat adjointest la solution dans H01(D) de l’´equation variationnelle Z
D
h∇ph∇vdx =− Z
D
j0(uh)v, ∀v ∈H01. L’objectif est d’´elimineruh0(ˆh)dans l’expression deJ0(h) :
J0(h)(ˆh) = Z
D
j0(uh)uh0(ˆh)dx
=− Z
D
h∇ph· ∇uh0(ˆh)dx
=− Z
D
h∇uh0(ˆh)· ∇phdx
= Z
D
ˆh∇uh· ∇phdx
Avec cette formule il est facile de voir que ˆh=−∇uh· ∇ph est bien une direction de descente:
L’´ etat adjoint (cont.)
L’´etat adjointphsatisfait l’´equation
−div(h∇ph) = −j0(uh) dansD
ph = 0 sur∂D
qui est une”temp´erature virtuelle”dirig´ee par une source ´egale au taux de changement de l’int´egrande dansJ(h) `a l’´etatuh
Une deuxi`eme interpr´etation duphest comme unmultiplicateur de Lagrangeassocie `a une contrainte type EDP si on ´ecrit le probl`eme d’optimisation sous la forme suivante :
min
(h,u)
Z
D
j(u)dx t.q.
−div(h∇u) = f dans D
u = 0 sur∂D
Probl` emes d’optimisation param´ etrique
Pr´esentation du probl`eme mod`ele Non-existence des designs optimaux Calculer la d´eriv´ee de la fonction objectif M´ethode formelle de C´ea
Algorithmes num´eriques
Unem´ethode formellepour calculer la d´eriv´ee deJ(h) ensupposantque la fonctionnelleh7→uh est diff´erentiable.
On consid`ere leLagrangien
L:Uad×H01(D)×H01(D)→R d´efini par
L(h,u,p) = Z
D
j(u)dx+ Z
D
h∇u· ∇pdx− Z
D
fpdx En particulier, siu=uh alors pour tout ˆp∈H01(D) on a
J(h) =L(h,uh,ˆp).
On cherche les points selle (u,p) du Lagrangien L(h,·,·): objectif -quand on d´erive par rapport `a h - annuler des termes
Equations: ´ ´ etat et adjoint
d´eriv´ee partielle deLpar rapport `ap - z´ero Z
D
h∇u· ∇ˆpdx− Z
D
fpdxˆ = 0, ∀ˆp∈H01(D) qui est la formulation variationnelle pouru=uh.
d´eriv´ee partielle deLpar rapport `au - z´ero Z
D
h∇p· ∇ˆudx=− Z
D
j0(u)ˆudx, ∀ˆu∈H01(D) qui est l’´equation correspondant `a l’´etat adjoint pourp=ph
Calcul de la d´ eriv´ ee
Pour tout ˆp∈H01(D) on a
J(h) =L(h,uh,ˆp).
on a suppos´e queh7→uhest diff´erentiable, alors J0(h)(ˆh) = ∂L
∂h(h,uh,ˆp)(ˆh) +∂L
∂u(h,uh,p)(uˆ 0h(ˆh)) on prend ˆp=phpour annuler le dernier terme
J0(h)(ˆh) = ∂L
∂h(h,uh,ph)(ˆh) En cons´equence
J0(h)(ˆh) = Z
D
ˆh∇uh· ∇phdx
Intuition derri` ere la m´ ethode de C´ ea
? int´egrer la fonction J dans une autre fonction, en dimension plus ´elev´ee, et chercher un point o`u c’est plus facile de d´eriver par rapport au param`etreh
Probl` emes d’optimisation param´ etrique
Pr´esentation du probl`eme mod`ele Non-existence des designs optimaux Calculer la d´eriv´ee de la fonction objectif M´ethode formelle de C´ea
Algorithmes num´eriques
Algorithmes num´ eriques
? si on n’a pas de contraintes, le probl`eme peut ˆetre trivial
? pour simplicit´e, pour instant, on consid`ere une p´enalisation fixe
u∈Uminad
J(h), o`uJ(h) = Z
D
j0(uh) +` Z
D
hdx
Approche basique : algorithme gradient projet´e Initialisation: Choisir un design initial h0 Pourn= 0, ...convergence
1. Calcul de l’´etatuhn et l’adjointphn pour h=hn 2. Direction de descente ˆhn=−∇uhn· ∇phn−`.
3. Choisir un pas de descenteτn>0
4. D´efinir le design suivanthn+1=hn+τnˆhn
5. Projeter sur la contraintehn+1= min(β,max(α,hn+1)).
En pratique
Le domaineD est repr´esent´e par un maillage fixeT. La conductivit´ehrecherch´ee est discr´etis´ee :
´
el´ements finis P0: constantes par triangle
´
el´ements finis P1: constantes par nœuds
Etant donn´´ ehles fonctionsuh etuh sont calcul´ees en utilisant lam´ethode d’´el´ements finissur le maillageT.
Un premier exemple num´ erique
Consid´erons le probl`eme
h∈Uminad
J(h) avec J(h) =R
Duhdx+`R
Dhdx
minimiser la temp´erature moyennedansD
on utilise une p´enalisation fixe pour ne pas permettre la conductivit´e maximale dans tout le domaine
Essai direct
Expliquer le comportement bizarre
Comportement oscillatoire, non-r´egulier : la direction de descente est peu r´eguli`ere : ˆhn=−∇uhn· ∇phh−`
le gradient d’une fonction P1est une fonctionP0: constante sur chaque maille
comment am´eliorer ce comportement ??
−→ consid´erer des ´el´ements finisP2: plus cher en temps de calcul
−→ changer la direction de descente en quelque chose de plus r´egulier
Des directions de descente alternatives
J0(h)(ˆh) = Z
D
ˆh∇uh· ∇phdx Par d´efinition de la d´eriv´ee Fr´echet :
J(h+τˆh) =J(h) +τJ0(h)(ˆh) +o(τ) Si ˆh=−∇uh· ∇ph alors
J(h+τˆh) =J(h)−τh∇uh· ∇ph,∇uh· ∇phiL2+o(τ)
Consid´erer d’autres produits scalaires que celui deL2(D) : gagner en r´egularit´e
Changer le produit scalaire...
SiHest un espace de Hilbert sous le produith·,·iH alors on peut consid´erer la formulation variationnelle
hV,wiH=J0(h)(w) =J0(h)(w) = Z
D
w∇uh· ∇phdx, ∀w ∈ H SiV r´esout le probl`eme ci-dessus alors−V est aussi direction de descente :
J(h−τV) =J(h)−τJ0(h)(V) +o(τ)
=J(h)− hV,ViH+o(τ)
<J(h) Exemple de direction plus r´eguli`ere H=H1(D) et
hu,viH= Z
(α2reg∇u· ∇v+uv)dx
R´ esultat avec r´ egularisation
Remarques
il est possible d’utiliser des m´ethodes plus fines pour imposer la contrainte de volume : Lagrangien Augment´e, projeter sur la contrainte d’in´egalit´e et de volume en mˆeme temps, etc.
il est possible d’utiliser des methodes quasi-Newton : approximation ”low memory” de la Hessienne
la m´ethode se g´en´eralise au cas o`u on cherche des formes optimaux repr´esent´ees par des densit´es : ”forcer”h`a devenir une fonction caract´eristique
Optimisation g´ eom´ etrique
M´ethode de Hadamard et d´eriv´ees de forme
D´eriv´ee de forme : fonctionnelles qui d´ependant des EDP M´ethode de C´ea : d´erivation rapide
Aspects num´eriques des m´ethodes g´eom´etriques
Optimisation g´ eom´ etrique de formes
? On est capable d’optimiser des formes si elles sontparam´etris´ees: un nombre fini de param´etr´es, une fonctionhdans un espace vectoriel
Avantages: optimisation ”facile”
Inconv´enients:
restriction majeure sur la classe de formes admissibles ce n’est pas toujours ´evident comment choisir ces param`etres
=⇒Il est utile de pouvoir vraiment changer la g´eom´etrie des formes dans le processus d’optimisation
M´ ethode de Hadamard
? pas de structure d’espace vectoriel
? pour d´eriver on a besoin d’une notion de perturbation petite
? on consid`ere Ω un domaine Lipschitz
? soitθun champ de vecteurs Lipschitz
? on consid`ere l’application θ7→Ωθ:= (Id +θ)(Ω) pour θpetit
Th´eor`eme
Pour θ∈W1,∞(Rd,Rd) avec normekωkW1,p <1 l’applicationθ7→Id +θest un diff´eomorphisme Lipschitz
D´ erivation au sens Hadamard
Definition
Si Ω est un domaine assez r´egulier, une fonction scalaire Ω7→J(Ω)∈Rest d´erivableen Ω si l’application
W1,∞(Rd,Rd)3θ7→J(Ωθ) est d´erivable en 0 au sens de Fr´echet
J(Ωθ) =J(Ω) +J0(Ω)(θ) +o(kθk).
L’application lin´eaireθ7→J0(Ω)(θ) est lad´eriv´ee de formedeJ en Ω.
Premier exemple de base
Theorem
SoitΩ∈Rd un domaineLipschitzet born´e et f ∈W1,1(Rd)une fonction fix´ee.
On consid`ere
J(Ω) = Z
Ω
f(x)dx.
Alors J est diff´erentiable par rapport `aΩet J0(Ω)(θ) =
Z
∂Ω
f θ·nds
Intuition
Cons´ equence
? Calculer la d´eriv´ee du volume
Vol(Ω) = Z
Ω
1dx En appliquant le r´esultat pr´ec´edent on obtient
Vol0(Ω) = Z
∂Ω
θ·nds = Z
Ω
divθdx
? On observe que si divθ= 0 alors la d´eriv´ee du volume est z´ero.
D´ emonstration
? changer les variables pour se ramener `a un domaine fixe J(Ωθ) =
Z
(Id +θ)(Ω)
f(x)dx= Z
Ω
|det(Id +Dθ)|f ◦(Id +θ)dx
? l’applicationθ7→det(Id +∇θ) est diff´erentiable Fr´echet et det(Id +Dθ) = 1 + divθ+o(θ)
? Sif ∈W1,1(Rd) alorsθ7→f(Id +θ) est diff´erentiable Fr´echet et f ◦(Id +θ) =f +∇f ·θ+o(θ)
? on retrouve le r´esultat en utilisant la formule de Green Id´ee standard:
ramener tout `a un domaine de r´ef´erence fixe et diff´erentier par rapport `aθ
Le deuxi` eme cas standard
Theorem
SoitΩ∈Rd un domaine born´e de classeC2et g ∈W2,1(Rd)une fonction fix´ee. On consid`ere
J(Ω) = Z
∂Ω
g(x)dx.
Alors J est diff´erentiable par rapport `aΩet J0(Ω)(θ) =
Z
∂Ω
∂g
∂n +κg
(θ.n)ds θ·nds, o`uκest la courbure moyennede∂Ω.
Cons´equence imm´ediate
Le p´erim`etre est d´efini par Per(Ω) =R
∂Ω1ds. La d´eriv´ee de forme du p´erim`etre est
Per0(Ω)(θ) = Z
∂Ω
κ(θ·n)ds
Intuition
Structure des d´ eriv´ ees de formes
? pour les deux pr´ec´edents exemples la d´eriv´ee de forme d´epend uniquement de la partie normaleθ·ndu champs de vecteurs θ.
? Unchamps de vecteurs tangentielθne change pas Ω de mani`ere essentielle et il est naturel d’avoir J0(Ω)(θ) = 0.
? si on est dans un cadre suffisamment r´egulier alors la deux champs de vecteur ayant la mˆeme composante normale vont donner la mˆeme d´eriv´ee
Structure de d´ eriv´ ees de formes (2)
? dans la plupart des cas (simples) la fonctionnelle les d´eriv´ees de formes peuvent ˆetres repr´esent´ees sous la forme
J0(Ω)(θ) = Z
∂Ω
vΩ(θ·n)ds, o`uvΩ:∂Ω→Rest une fonction scalaire
? cette structure peut donner facilement unedirection de descenteen choisissant θ=−τvΩ
J(Ωθ) =J(Ω)−t Z
∂Ω
vΩ2ds+o(t)<J(Ω), t1
Optimisation g´ eom´ etrique
M´ethode de Hadamard et d´eriv´ees de forme
D´eriv´ee de forme : fonctionnelles qui d´ependant des EDP M´ethode de C´ea : d´erivation rapide
Aspects num´eriques des m´ethodes g´eom´etriques
Objectif
On sait d´eriver des fonctionnelles du type F1(Ω) =
Z
Ω
f(x)dx, F2(Ω) = Z
∂Ω
g(x)dx On veut pouvoir consid´erer des fonctions de la forme
J1(Ω) = Z
Ω
j(uΩ(x))dx, J2(Ω) = Z
∂Ω
k(uΩ(x)))ds
o`uj,k :R→Rsont assez r´eguli`eres etuΩ: Ω→Restla solution d’une EDP sur Ω
Exemple mod` ele : l’´ equation de Laplace
? uΩ est solution du systeme
−∆u = f dans Ω
u = 0 sur∂Ω
∂u
∂n = 0 sur∂Ω
avec R
Ωfdx = 0dans le cas Neumann.
? La formulation variationnelle associ´ee :
∀v∈H01(Ω) (H1(Ω)), Z
Ω
∇u· ∇vdx− Z
Ω
fvdx = 0
? calculer la d´eriv´ee de forme de J(Ω) =
Z
Ω
j(uΩ)dx, avec j:R→Rune fonction assez r´eguli`ere
Optimisation g´ eom´ etrique
M´ethode de Hadamard et d´eriv´ees de forme
D´eriv´ee de forme : fonctionnelles qui d´ependant des EDP M´ethode de C´ea : d´erivation rapide
Aspects num´eriques des m´ethodes g´eom´etriques
Cadre
? comme dans le cas de l’optimisation param´etrique, on consid`ere le Lagrangien L(Ω,u,p) =
Z
Ω
j(u)dx+ Z
Ω
(−∆u−f)pdx avec Ω,u,pind´ependantes
? on suppose que Ω→uΩ est diff´erentiable
? l’ind´ependance des variable permet d’´eviter les probl`emes de d´eriv´ees compos´ees
? !!!!! les variables doivent ˆetres vraiment ind´ependantes : les conditions de Dirichlet doivent apparaˆıtre dans le Lagrangien
Le cas Neumann
−∆u+u = f dans Ω
∂n
∂n = 0 sur∂Ω
Le Lagrangien est d´efini par : L(Ω,v,q) =
Z
Ω
j(v)dx+ Z
Ω
∇v· ∇qdx+ Z
Ω
vq− Z
Ω
fq,
o`u Ω est une forme admissible etv,q∈H1(Rd), toutes ces trois variables ´etant ind´ependantes
Le cas Neumann : propri´ et´ es du Lagrangien
? par construction, siv =uΩ alors L(Ω,uΩ,q) =
Z
Ω
j(uΩ)dx =J(Ω), ∀q∈H1(Rd).
On veut pouvoir deriver J(Ω) sans que les autres derivees partielles deL apparaissent. On cherche donc despoints selles(u,p) tels que
∀q∈H1(Rd)
∂L
∂q(Ω,u,p)(q) = Z
Ω
∇u· ∇qdx+ Z
Ω
uqdx− Z
Ω
fqdx= 0
∀v ∈H1(Rd)
∂L
∂v(Ω,u,p)(v) = Z
Ω
j0(u)·vdx+ Z
Ω
∇v· ∇pdx+ Z
Ω
vpdx= 0
Fonction d’´ etat
∀q∈H1(Rd)
∂L
∂q(Ω,u,p)(q) = Z
Ω
∇u· ∇qdx+ Z
Ω
uqdx− Z
Ω
fqdx= 0 en prenant qune fonctionψ r´eguli`ere `a support compact on retrouve l’´equation
Z
Ω
∇u· ∇ψ+ Z
Ω
uψ− Z
Ω
fψ= 0 =⇒ −∆u+u=f dans Ω en prenant q=ψr´eguli`ere quelconque et en utilisant la formule de Green on trouve
Z
∂Ω
∂u
∂nψds= 0 =⇒ ∂u
∂n = 0 sur∂Ω En cons´equence : u=uΩ
Etat adjoint ´
∀v∈H1(Rd) ∂L
∂v(Ω,u,p)(v) = Z
Ω
j0(u)·vdx+ Z
Ω
∇v· ∇pdx+ Z
Ω
vpdx= 0 En prenantv=ψ une fonctionC∞ `a support compact dans Ω
Z
Ω
∇p·∇ψdx+ Z
Ω
pφdx+ Z
Ω
j0(u)ψdx= 0 =⇒ −∆p+p=−j0(uΩ) dans Ω Pour v=ψune fonctionC∞, en utilisant la formule de Green
Z
∂Ω
∂p
∂nψds= 0 =⇒ ∂p
∂n = 0 sur∂Ω En conclusionp=pΩ est solution de
−∆p+p = 0 dans Ω
∂p
∂n = 0 sur∂Ω
La d´ eriv´ ee de forme
On sait que
∀q∈H1(Rd), L(Ω,uΩ,q) = Z
Ω
j(uΩ)dx=J(Ω).
En derivant par rapport `a Ω on obtient
∀θ∈W1,∞,J0(Ω) = ∂L
∂Ω(Ω,uΩ,q)(θ) +∂L
∂v(Ω,uΩ,q)(uΩ0(θ)), o`uuΩ0(θ) est la d´eriv´ee de Ω7→uΩdans la directionθ
on prendq=pΩ, l’´etat adjoint, pour annuler le dernier terme : J0(Ω)(θ) = ∂L
∂Ω(Ω,uΩ,pΩ)(θ)
La d´ eriv´ ee de forme (2)
La d´eriv´ee de forme du Lpar rapport `a Ω revient `a calculer la d´eriv´ee d’une fonctionnelle de type
Ω7→
Z
Ω
f(x)dx avec f une fonction fixe.
Pour θ∈W1,p(Rd,Rd) on obtient J0(Ω)(θ) =
Z
∂Ω
(j(uΩ) +∇uΩ· ∇pΩ+uΩpΩ−fpΩ)θ·nds
M´ ethode de C´ ea : cas Dirichlet
On souhaite deriver J(Ω) =
Z
Ω
j(uΩ)dx avec
−∆u = f dans Ω
u = 0 sur∂Ω
Difficult´es suppl´ementaires dues au fait que la condition Dirichlet doit ˆetre incluse dans l’espace des fonctions
On ne peut pas utiliser le lagrangien L(Ω,v,q) =
Z
Ω
j(v)dx+ Z
Ω
∇v· ∇qdx− Z
Ω
fvdx car il faudrait le d´efinir pour v,q∈H01(Ω).
Dans ce cas les variables Ω,v,qne sont pas ind´ependantes
Nouvel Lagrangien
? Solution: On p´enalise la condition au bord en ajoutant un nouveau multiplicateur de Lagrange: Pourv,q, µ∈H1(Rd) on a
L(Ω,v,q, µ) = Z
Ω
j(v)dx+ Z
Ω
(−∆v−f)qdx+ Z
∂Ω
µvds En int´egrant par parties :
L(Ω,v,q, µ) = Z
Ω
j(v)dx+ Z
Ω
∇v· ∇qdx− Z
Ω
fqdx+ Z
∂Ω
µv−∂v
∂nq
ds Si on ´evalueLavec v=uΩon obtient
∀q, µ∈H1(Rd), L(Ω,uΩ,q) = Z
Ω
j(uΩ)dx=J(Ω).
Conditions point selle
Pour Ω fixe on cherche lespoints selle(u,p, λ)∈(H1(Rd))3 pour la fonctionnelleL(Ω,·,·,·).
∀q∈H1(Rd),
∂L
∂q(Ω,u,p, λ)(q) = Z
Ω
∇u· ∇qdx− Z
Ω
fqdx+ Z
∂Ω
∂u
∂nqds= 0
∀v ∈H1(Rd),
∂L
∂v(Ω,u,p, λ)(v) = Z
Ω
j0(u)·vdx+
Z
Ω
∇v·∇pdx+ Z
∂Ω
λv−∂v
∂np
ds = 0.
∀µ∈H1(Rd),
∂L
∂µ(Ω,u,p, λ)(µ) = Z
∂Ω
µuds = 0.
Fonction d’´ etat
∀q∈H1(Rd),
∂L
∂q(Ω,u,p, λ)(q) = Z
Ω
∇u· ∇qdx− Z
Ω
fqdx+ Z
∂Ω
∂u
∂nqds= 0 On prendq=ψune fonctionC∞`a support compact dans Ω:
Z
Ω
∇u· ∇ψdx= Z
Ω
fψdx=⇒ −∆u=f dans Ω.
On utilise ∂L∂µ(Ω,u,p, λ)(µ) = 0 pourµ=ψ∈Cc∞(Rd) et on obtient Z
∂Ω
ψudx = 0 =⇒u= 0 sur∂Ω En conclusion : u=uΩ
Etat adjoint ´
∀v∈H1(Rd), Z
Ω
j0(u)·vdx+ Z
Ω
∇v· ∇pdx+ Z
∂Ω
λv−∂v
∂np
ds= 0.
On prendv =ψune fonctionC∞ avec support compact dans Ω Z
Ω
∇p· ∇ψdx+ Z
Ω
j0(u)·ψdx= 0 =⇒ −∆p=−j0(u) dans Ω On prendv =ψune fonctionC∞ et on utilise la formule de Green
∀ψ∈ Cc∞(Rd), Z
∂Ω
∂p
∂nψds+ Z
∂Ω
λψ−∂ψ
∂np
ds = 0.
Dans la suite on consid`ere deux cas : faire varier ∂ψ∂n quandψ= 0 sur∂Ω et l’inverse.
Etat adjoint (cont.) ´
en faisant varier ∂ψ∂n avecψ= 0 sur∂Ω on obtientp= 0 sur∂Ω.
En conclusion :
p=pΩest solution de
−∆p = −j0(u) dans Ω
p = 0 sur∂Ω
en faisant varierψsur∂Ω avec ∂ψ∂n = 0 on obtient λΩ=−∂pΩ
∂n sur∂Ω
D´ eriv´ ee de forme
∀q, µ∈H1(Rd),L(Ω,uΩ,q, µ) = Z
Ω
j(uΩ) =J(Ω).
On d´erive par rapport `a Ω et on evalue enθ∈W1,∞(Rd,Rd):
J0(Ω)(θ) = ∂L
∂Ω(Ω,uΩ,q, µ)(θ) +∂L
∂v(Ω,uΩ,q, µ)(u0Ω(θ)) avecuΩ0(θ) la d´eriv´ee de Ω7→uΩ.
on prendq=pΩ, µ=λΩ pour avoir ∂L∂v(Ω,uΩ,pΩ, λΩ) = 0 et on obtient J0(Ω)(θ) = ∂L
∂Ω(Ω,uΩ,pΩ, λΩ)(θ)
D´ eriv´ ee de forme (2)
? on est a nouveau dans le cas o`u on d´erive une fonction de forme du type Ω7→
Z
Ω
f(x)dx On obtient que pourθ∈W1,∞(Rd,Rd)
J0(Ω)(θ) = Z
∂Ω
j(uΩ)−∂uΩ
∂n
∂pΩ
∂n
θ·nds
Optimisation g´ eom´ etrique
M´ethode de Hadamard et d´eriv´ees de forme
D´eriv´ee de forme : fonctionnelles qui d´ependant des EDP M´ethode de C´ea : d´erivation rapide
Aspects num´eriques des m´ethodes g´eom´etriques
Algorithme num´ erique g´ en´ erique
Initialisation: Choisir une forme initiale Ω0 Pourn= 0, ...,convergence
1. Calculer l’´etatuΩn et l’´etat adjointpΩn sur Ωn
2. Calculer la d´eriv´ee de formeJ0(Ωn) et trouver une direction de descente θn pour J(Ω)
3. ModifierΩn suivant le champ de d´eplacementθnpour un pas de descente τn pour obtenir
Ωn+1= (Id+τnθn)(Ωn).
Une impl´ ementation possible
Repr´esenter chaque forme Ωn par un maillageTn
Utiliser la m´ethode des ´el´ements finis surTn pour calculeruΩn etpΩn
La direction de descente est calcul´ee en utilisant la d´eriv´ee de formeJ0(Ω) L’advection de la formeΩn+17→(Id+τnθn)(Ωn) est effectu´ee en d´epla¸cant les nœuds deTndans la directionτnθnpour obtenir un nouveau maillage Tn+1.
Exemple num´ erique
? l’´elasticit´e lin´earis´ee - minimiser la compliance C(Ω) =
Z
Ω
Ae(uΩ) :e(uΩ)dx.
? contrainte sur leVolume`a l’aide d’un multiplicateur de Lagrange
Difficult´ es num´ eriques
1. Existence des minimiseurs locaux
sensitivit´e par rapport aux initialisations, taille du maillage, etc l’algorithme aurait envie de fermer certains trous mais il ne peut pas...
Difficult´ es num´ eriques (2)
2. Probl`emes de d´eformation de maillage
La proc´edure de changement de maillage semble ˆetre explicite et facilement impl´ementable
Certaines d´eformations peuvent introduire des inversions d’´el´ements et produire des maillages invalides’
pour ce raison, on pr´ef`ere de faire uniquement desd´eplacements faibles (similarit´es avec les conditions CFL)
Difficult´ es num´ eriques (3)
3. Extension de la vitesse :
une direction de descenteθ=−vΩn- cons´equence formule d´eriv´ee de forme J0(Ω)(θ) =
Z
∂Ω
vΩ(θ·n)ds
la nouvelle forme (Id +θ)(Ω) d´epend uniquement des valeurs deθ sur∂Ω.
Pour des raisons diverses, en pratique num´erique, on pr´ef`ere `a avoir un champθ d´efini sur Ω tout entier
(une extension r´eguli`ere et adapt´ee peut am´eliorer le processus de d´eformation de maillage...)
L’extension naturelleθ=−vΩnqui est uniquement valable sur∂Ωpeut ne pas ˆetre le meilleur choix
Difficult´ es num´ eriques (3)
4. R´egularisation de la vitesse:
comme dans l’exemple d’optimisation param´etrique, si on prendθ=−vΩn sur∂Ω on peut produire des formes optimales moins r´eguli`eres
Id´ee : (r´egularisation avec Laplacien) changer le produit sur L2(∂Ω) pour quelque chose de plus r´egulier
Exemple: trouver V ∈H1(Ω) t.q. ∀w ∈H1(Ω) α
Z
Ω
∇V· ∇wdx+ Z
Ω
Vwdx = Z
∂Ω
vΩwds.
Leparam`etre de r´egularisationαpermet de contrˆoler l’´equilibre entre l’effet de diffusion et la distance entre V etvΩ ; en pratique, il d´epend de la taille du maillage
La m´ ethode des lignes de niveaux
? Un domaine Ω peut ˆetre repr´esent´e par la r´egion o`u une certaine fonction est n´egative
ϕ:Rd →R,
ϕ(x)<0 six∈Ω ϕ(x) = 0 six∈∂Ω ϕ(x)>0 six∈/ Ω
Fonction level-set : aspects g´ eom´ etriques
Siφ:Rd →Restune fonction de niveaude classeC2 pour Ω et∇(x)6= 0 sur
∂Ω alors :
? Levecteur normalext´erieurn`a∂ωest n(x) = ∇φ(x)
|∇φ(x)|.
Fonction level-set : aspects g´ eom´ etriques (2)
Siφ:Rd →Restune fonction de niveaude classeC2 pour Ω et∇(x)6= 0 sur
∂Ω alors :
? Laseconde forme fondamentalede
∂ω est
II(x) =∇
∇φ(x)
|∇φ(x)|
.
? Lacourbure moyennede∂ω est κ(x) = div
∇φ(x)
|∇φ(x)|
.
II(x)(v,v) est la courbure d’une courbe sur
∂Ω qui passe parx et a vecteur tangentv
Evolution des domaines - fonction level-set ´
Soit Ω(t)⊂Rd un domaine qui se d´eplace suivant un champ v(t,x)∈Rd
Soitφ(t,x) la fonction level-set de Ω(t)
L’advection suivant un champ normalV(t,x) est donn´ee par une
´
equation d’Hamilton-Jacobi
∂φ
∂t(t,x) +V(t,x)|∇φ(t,x)|= 0 impl´ementations disponibles
M´ ethode level-set en optimisation de formes
un domaine de calculD est consid´er´e avec un maillage fixe
chaque forme Ωnest repr´esent´ee par une fonctionleve-set φnd´efinie sur les nœuds du maillage
si une direction de descenteθn est calcul´ee sur Ωnalors la nouvelle forme Ωn+1= (Id +τnθn)(Ωn)
est obtenue en r´esolvant une ´equation d’advectionou de type Hamilton-Jacobi
Difficult´e: il n’y a pas de maillage sur Ωn pour r´esoudre les ´equations d’´etat et adjoint
Solution: trouver une mani`ere d’approcher les solutions de ces ´equations en r´esolvant un probl`eme sur le domaineD: m´ethode du domaine fictif
Exemple : l’´ elasticit´ e
En ´elasticit´e lin´earis´ee, si la fronti`ere libre estsans tractionalorsla m´ethode du materiau ersatzpermet d’approcher le d´eplacementuΩ: Ω→Rd par
uΩ,ε:D→Rd o`u la partie vide est remplac´ee par un mat´eriaumou
−div(Ae(uΩ)) = 0 dans Ω uΩ = 0 sur ΓD Ae(uΩ)n = g sur ΓN
Ae(uΩ)n = 0 sur Γ
≈
−div(Aεe(uΩ,ε)) = 0 dansD uΩ,ε = 0 sur ΓD Aεe(uΩ,ε)n = g sur ΓN
Aεe(uΩ,ε)n = 0 sur∂D\(ΓD∪ΓN)
? Aεestle tenseur de Hooke approxim´e
Aε=χΩA+ (1−χΩ)εA, ε1
? num´eriquement la conditionAε>0 est n´ecessaire pour pouvoir r´esoudre le syst`eme discret
Elasticit´ ´ e lin´ earis´ ee
σ=Ae(u) = 2µe(u) +λdivuId,e(u) =12(∇u+∇Tu)
−divσ = f dans Ω u = 0 sur ΓD
σn = g sur ΓN
σn = 0 sur∂Ω\(ΓD∪ΓN) Formulation variationnelle
−
N
X
j=1
∂
∂xj
µ
∂ui
∂xj
+∂uj
∂xi
+λdivuδij
=fi dans Ω
−
N
X
j=1
Z
Ω
∂
∂xj
µ
∂ui
∂xj
+∂uj
∂xi
+λdivuδij
vidx=
Z
Ω
fivi dans Ω, ∀vi ∈HΓ1D(Ω)
Z
Ω
(2µe(u) :e(v) +λdivudivv)dx= Z
Ω
f ·vdx+ Z
ΓN
g·vds, ∀vi ∈HΓ1D(Ω)
D´ eriv´ ee de forme : ´ elasticit´ e
Si on consid`ere la compliance : C(Ω) =
Z
Ω
Ae(uΩ) :e(uΩ)dx= Z
Ω
f ·uΩdx+ Z
ΓN
g ·uΩdx alors le probl`eme estauto-adjoint.
[Allaire, Jouve, Toader, 04]