Ingénierie Digitale des Systèmes complexes
D. Ryckelynck, E. Hachem
Master's Degree in
Science and ExecuAve Engineering
Système complexe :
concep0on ou exploita0on à l'aide de simula0ons physiques à haute fidélité.
Science des données appliquée aux
systèmes complexes
Ingénierie Digitale des Systèmes complexes
q Semaine de voyage: plan, organisa0on, prépara0on, Q&A
q Semaine découverte: introduc0on, organisa0on, prépara0on, Q&A
q Semaines théma0ques 3A et Stages
• Imagerie pour la mécanique, acquisi0on et analyse
• MNA: Mécanique Numérique Avancé
• HPC: Calcul haute performance
• Science des données et réduc0on de modèles de milieux con0nus
• Stage d'op0on
Ingénierie Digitale des Systèmes complexes
q Semaine de voyage: organisa0on, plan, prépara0on, Q&A
Ingénierie Digitale des Systèmes complexes
q Plan de la semaine
Day AM 12:00 PM
Sunday, 18 Arrival -‐ car rental Hotel and dinner
Monday, 19 Introduc0on & Course Mee0ng with Alumni
Tuesday, 20 Playground – Stanford University Car center – Stanford
Wednesday, 21 Berkley Ins0tute for Data sciences Google Cloud Tesla and factory visit
Thursday, 22 Google – Data Science Facebook – Data Science
Friday, 23 Debriefing -‐ Mee0ng with Alumni Departure
Ingénierie Digitale des Systèmes complexes
q Organisa0on
• Folder*
• Par0cipa0on aux visites / ques0ons / contacts
• Compte rendu: points +/-‐
• Possibilité de stage
• Orienta0on des semaines théma0ques
q Prépara0on – Q&A
• Délégué et photo
• Ques0ons avant notre départ
Semaine découverte 12-‐16 février 2018
D. Pino Muñoz, P.-‐O. Bouchard,
S. Barhli, S. Cantournet, A. Kazakci, E. Hachem, F. Nguyen, H. Proudhon, D. Ryckelynck, Y. Tillier
Objec0f : Illustrer différents types de données et différents algorithmes, appliqués à la modélisa0on d'un objet.
Cours de 9h à 12h30 et de 14h à 17h30
Données massives
dans l'ingénierie des systèmes complexes
www.boostaerospace.com www.plm.automaAon.siemens.com rhiwale.files.wordpress.com
*PLM: product lifecycle management.
Données et modèles à fort contenu physique (bilan, causalité ...).
Des données massives transitent dans les plateformes PLM* u0lisées pour la concep0on ou l'exploita0on de systèmes complexes à haute fiabilité.
Des données de simulaAon à mieux exploiter
Workflow dans les plateformes PLM pour systèmes complexes.
Associer trois disciplines de façon complémentaire
Ingénierie digitale
des sytèmes complexes
Gains : -‐ montée en gamme des produits par la maîtrise de la nocivité des défauts*
-‐ accéléra0on de prise de décision ou études plus approfondies (prop. incer0tudes)
Ingénierie digitale des systèmes complexes
Enrichir le processus de modélisa8on par la science des données
*Défaut : ce qui est observé et qui est non conforme à la modélisa8on
OpAmsaAon d'un décapsuleur
organisaAon des tâches / jour de découverte
Première réalisa0on par impression 3D
Paramétrage de la CAO
étude de sensibilité numérique Op0misa0on de la CAO Essais mécaniques
Réseau de neurones et réduc0on de modèle
Réalisa0on d'un décapsuleur par
impression 3D
Essais mécaniques Tomographie
aux rayons X
Interpréta0on des essais,
fiabilité mécanique
temps
Mardi
Lundi Mercredi
Jeudi Mercredi
Vendredi : temps libre d'approfondissement accompagné
Jeudi Mercredi
Segmenta0on d'image
Lundi 12/02: Tomographie aux rayons X (H. Proudon, F. Nguyen)
Maillage d'image pour la modélisa0on mécanique
Mardi 13/02 : mesure de champ pour la caractérisa0on du comportement du matériau (S. Cantournet, T. Morgeneyer)
Corréla0on d'images
Acquisi0on d'image
Simula0on pour la
calibra0on d'un modèle
Mercredi 14/02: Calcul intensif, op0misa0on de forme (D. Pino Muñoz, P.-‐O. Bouchard)
rhiwale.files.wordpress.com
Forme op0male
Simula0on par éléments finis Modèle CAO
paramétré
Jeudi 15/02: clustering, classifica0on et reduc0on de modèles (S. Barhli, D. Ryckelynck), on étudie un cas de chargement moins figé que pour l'op0misa0on.
Cluster
Base réduite
associée aux condi0ons aux limites reconnues Classifica0on de condi0ons de chargement
Prévision des
déplacements par modèle d'ordre réduit.
Erreur 10%, acc. x20 Réseau de
neurones
A
Chargements Géométries
Base réduite
Réseau de neuronnes ar0ficiels
Cas de chargement Image
Modèle d'ordre
réduit
Prévision du déplacement ExploitaAon
ApprenAssage automaAque (2) (S. Barhli)
Réseau de neuronnes
ar0ficiels CNN
VT r(V γ) = 0
q = V γ
Chargement 1, 2, 3 ou 4
Vendredi 16/02:
9h TransformaAon digitale des entreprises (A. Kazackci) Travail libre encadré (D. Pino Muñoz, P.-‐O. Bouchard,
S. Barhli, S. Cantournet, A. Kazakci, E. Hachem, F. Nguyen, H. Proudhon, D. Ryckelynck )
Data science
machine learning tensor decomposi0on
neural networks classifica0on
Image processing Computed Tomography
image-‐based modeling visualiza0on
Model based systems engineering
PLM plaForm
Les données traitées ont un format tensoriel ou sont des tableaux à plusieurs indices
Q!=!!
...!
...!
θ = (t,µ)
[ u (x
i, θ
j) ] =
µ1" µn"µn+1" µ2n"
µ2"
parameter"space"for"D=2"
Les algorithmes et les modèles numériques présentés au cours de la semaine sont génériques,
puisque le format tensoriel est générique
.image or simula0on results
PCA
Synthèse
user@debian-‐vnc-‐digital:~$ use_py27 ou
user@debian-‐vnc-‐digital:~$ use_py36
Une fois l'une des deux commandes précédentes tapée vous pouvez u0liser les commandes classiques : python, jupyter-‐
notebook, ....
Pour désac0ver (ne plus u0liser ) la version que vous auriez chargée :
user@debian-‐vnc-‐digital:~$ no_python
U0lisa0on de différentes versions de python sur la plateforme de calcul
