Efficient global multidisciplinary optimization based on surrogate models

Optimisation multidiscipliniaire globale et efficace basée sur les modèles de substitution

Sylvain Dubreuil (1) , Nathalie Bartoli (1) , Thierry Lefebvre (1) , Christian Gogu (2)

1 DTIS, ONERA, Université de Toulouse [Toulouse]
2 ICA - Institut Clément Ader

In order to solve MultiDisciplinary Optimization problems involving computationally expensive disciplinary solvers, we propose a surrogate based approach where each disciplinary solver is replaced by an inexpensive surrogate model. As an approximation error is introduced with the use of surrogate models, a probabilistic framework is considered to manage the uncertainty propagation error from the MultiDisciplinary Analysis to the objective function of the optimization problem. This leads to the construction of an adaptive surrogate-based approach, called EGMDO for E_cient Global Multidisciplinary Optimization, to solve MDO problems. The approach is based on the adaptive enrichment of the disciplinary surrogate models in areas where the optimum is likely to be. Two applications are considered with a signi_cant reduction in terms of number of calls to the expensive disciplinary solvers: a reduction by up to a factor of 30 is observed on the Sellar test problem and in a preliminary aircraft design test case.

Afin de résoudre les problèmes d'optimisation multidisciplinaire impliquant des solveurs disciplinaires coûteux en calcul, nous proposons une approche basée sur des métémodèles où chaque solveur disciplinaire est remplacé par un modèle de substitution peu coûteux. De par l'utilisation de modèles de substitution une erreur d'approximation es introduite, un cadre probabiliste est donc considéré pour gérer la propagation d’erreur de l'analyse multidisciplinaire à la fonction objective du problème d'optimisation. Cela conduit à la construction d'une approche adaptative basée sur les modèles de substitution, appelée EGMDO pour une optimisation multidisciplinaire globale et efficace, pour résoudre les problèmes de MDO. L'approche s’appuie sur une stratégie d'enrichissement adaptatif des modèles de substitution disciplinaires dans les zones où l'optimum est susceptible d'être. Deux applications sont considérées avec une réduction significative en termes de nombre d'appels aux solveurs disciplinaires coûteux: une réduction allant jusqu'à un facteur de 30 est observée sur le problème du test Sellar et sur un cas test de conception préliminaire d'aéronef.

Mots clés: OPTIMIZATION; MDO; SURROGATE MODEL

Mots clés: MDO; MODELE DE SUBSTITUTION; OPTIMISATION

Domaines: Sciences de l'ingénieur [physics]; Physique [physics]; Mathématiques [math]; Informatique [cs]

Sylvain Dubreuil, Nathalie Bartoli, Thierry Lefebvre, Christian Gogu. Efficient global multidisciplinary optimization based on surrogate models. AIAA Aviation Forum 2018, Jun 2018, Atlanta, GA, United States. ⟨10.2514/6.2018-3745⟩. ⟨hal-02056874⟩