Apprentissage actif pour les processus gaussiens à entrées fonctionnelles : application à la conception fiabiliste d'éolienne

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Apprentissage actif pour les processus gaussiens à entrées fonctionnelles : application à la conception fiabiliste d’éolienne

De nombreuses applications à IFP Energies Nouvelles reposent sur des simulateurs coûteux en temps de calcul qui prennent en entrée des variables scalaires mais aussi des variables fonctionnelles représentant par exemple la géométrie de pièces mécaniques, des processus spatio-temporels de conditions environnementales (comme le vent en conception fiabiliste d’une éolienne), ou encore des lois de commande dépendant du temps.

Dans ce contexte de simulateurs coûteux, il est souvent nécessaire d’avoir recours à un modèle de substitution pour évaluer à moindre coût la sortie d’intérêt du simulateur pour un grand nombre de valeurs des paramètres en entrée. Le modèle de substitution est généralement construit de façon adaptative (active learning), à partir de simulations associées à un plan d’expériences initial de taille restreinte. Ce plan est par la suite enrichi à l’aide de critères adaptés à la finalité opérationnelle, comme l’optimisation des quantités d’intérêt ou l’estimation d’ensemble de paramètres admissibles.

En présence de variables fonctionnelles en entrée du simulateur, les approches de méta-modélisation et de planification d’expériences doivent être adaptées. Les approches classiques reposent sur des méthodes de réduction de dimension ou d’extraction de caractéristiques (feature extraction), les variables fonctionnelles étant ensuite représentées dans l’espace réduit ainsi défini. L’étape préliminaire de réduction de dimension induit nécessairement une perte d’information qu’il convient de quantifier, voire de contrôler pendant la procédure.

Le contexte général de ce stage est le développement de plans d’expériences adaptés pour la construction d’un modèle de substitution prenant en entrée des variables fonctionnelles et des variables scalaires, en travaillant directement dans l’espace fonctionnel des entrées, et donc sans réduction de dimension préliminaire.

Mission et activités

Les objectifs de ce stage sont

• l’étude des méta-modèles avec entrées fonctionnelles ;
• l’application des méta-modèles les plus prometteurs à partir de plan d’expériences space-filling construits, soit avec une étape intermédiaire de réduction de dimension ou d’extraction de caractéristiques (feature extraction), soit  directement dans l’espace fonctionnel.

Une thèse sur ce même sujet dans la continuité du stage pourra être envisagée.