Algorithme intelligent d'optimisation d'un design structurel de grande envergure

The implementation of an automated decision support system in the field of design and structural optimisation can give a significant advantage to any industry working on mechanical designs. Indeed, by providing solution ideas to a designer or by upgrading existing design solutions while the designer is not at work, the system may reduce the project cycle time, or allow more time to produce a better design. This thesis presents a new approach to automate a design process based on Case-Based Reasoning (CBR), in combination with a new genetic algorithm named Genetic Algorithm with Territorial core Evolution (GATE). This approach was developed in order to reduce the operating cost of the process. However, as the system implementation cost is quite expensive, the approach is better suited for large scale design problem, and particularly for design problems that the designer plans to solve for many different specification sets. First, the CBR process uses a databank filled with every known solution to similar design problems. Then, the closest solutions to the current problem in term of specifications are selected. After this, during the adaptation phase, an artificial neural network (ANN) interpolates amongst known solutions to produce an additional solution to the current problem using the current specifications as inputs. Each solution produced and selected by the CBR is then used to initialize the population of an island of the genetic algorithm. The algorithm will optimise the solution further during the refinement phase.

Résumé

L'implémentation d'un système automatisé d'aide à la décision en design et d'optimisation structurelle peut donner un avantage significatif à toute industrie oeuvrant dans le domaine du design de pièces mécaniques. En effet, en fournissant des idées de solutions au designer ou en améliorant les solutions existantes pendant qu'il n'est pas au travail, ce système lui permet de réduire le temps de conception, ou encore d'explorer davantage de possibilités de design dans un même délai de réalisation. Cette thèse présente une approche originale permettant l'automatisation d'un processus de design basée sur le raisonnement par cas (RPC), mieux connu sous l'appellation « Case-Based Reasoning » ou CBR. Cette approche a été développée avec l'optique de nécessiter le moins de ressources possible pour l'entretien et le fonctionnement du système. Elle nécessite toutefois une quantité appréciable de ressources lors de l'implémentation, et convient par conséquent davantage aux problèmes de design de grande envergure pour lesquels on envisage à moyen terme de répondre à plusieurs ensembles de spécifications différentes. Dans un premier temps, le processus de RPC utilise une banque de données contenant toutes les solutions antérieures connues aux problèmes de design similaires. Ensuite, une sélection de solutions de la banque de données est choisie en comparant les spécifications actuelles du problème avec celles des solutions antérieures. Un réseau de neurones substitut est alors utilisé pour produire une solution en adaptant les solutions antérieures aux spécifications actuelles. Les solutions émergeant du RPC servent ensuite à générer chacune un îlot de solutions initiales pour un algorithme génétique oeuvrant lors de la phase de raffinement du processus.