Réponse dynamique des barrages-poids par optimisation multi-fidélité
- Date :
- Cet événement est passé.
- Type :
- Soutenance de thèse
- Lieu :
- Local C1-3114 de la Faculté de génie et par la plateforme Teams
Description :
Doctorant: Rodrigo José De Almeida Torres Filho
Directeur de recherche: Patrick Paultre
Président du jury: À être confirmé
Résumé : La représentation de la réponse dynamique d’un barrage soumis à une charge sismique est extrêmement complexe en raison de l’influence de la fondation et du réservoir et des nombreuses incertitudes associées au problème. Dans ces circonstances, les méthodologies probabilistes sont recommandées, mais elles nécessitent de nombreuses répétitions de modèles numériques complexes et onéreux, ce qui peut rendre le projet irréalisable. Cette étude propose une méthodologie basée sur l’apprentissage automatique multi-fidélité pour générer une fonction de transformation qui améliore les résultats obtenus avec une méthode simplifiée en convertissant des données de basse fidélité en données de haute fidélité. En outre, une étude comparative est menée pour étudier l’importance des méthodes avec différentes fidélités et mieux comprendre leur impact sur le modèle multi-fidélité final. Il est conclu que les techniques multi-fidélité peuvent être utilisées pour améliorer la performance prédictive des substituts et pour réduire la charge de calcul de la génération de données pour les problèmes très complexes.
Doctorant: Rodrigo José De Almeida Torres Filho
Directeur de recherche: Patrick Paultre
Président du jury: À être confirmé
Résumé : La représentation de la réponse dynamique d’un barrage soumis à une charge sismique est extrêmement complexe en raison de l’influence de la fondation et du réservoir et des nombreuses incertitudes associées au problème. Dans ces circonstances, les méthodologies probabilistes sont recommandées, mais elles nécessitent de nombreuses répétitions de modèles numériques complexes et onéreux, ce qui peut rendre le projet irréalisable. Cette étude propose une méthodologie basée sur l’apprentissage automatique multi-fidélité pour générer une fonction de transformation qui améliore les résultats obtenus avec une méthode simplifiée en convertissant des données de basse fidélité en données de haute fidélité. En outre, une étude comparative est menée pour étudier l’importance des méthodes avec différentes fidélités et mieux comprendre leur impact sur le modèle multi-fidélité final. Il est conclu que les techniques multi-fidélité peuvent être utilisées pour améliorer la performance prédictive des substituts et pour réduire la charge de calcul de la génération de données pour les problèmes très complexes.