Dimensionnement des machines électriques - Stratégies de réduction du temps d'optimisation

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. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.

L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :

• à gagner en efficacité énergétique ;
• à réduire les émissions de CO2 et de polluants ;
• à améliorer l’empreinte environnementale de l’industrie et des transports ;

tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.

Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.

Dimensionnement des machines électriques - Stratégies de réduction du temps d’optimisation 

Les machines électriques jouent aujourd’hui un rôle crucial dans la transition écologique en contribuant à réduire l'empreinte carbone et à promouvoir une utilisation plus durable de l'énergie. Afin de dimensionner correctement une machine électrique en fonction d’un cahier des charges spécifique, les ingénieurs ont souvent recours à des méthodes d’optimisation qui prennent en compte l’ensemble des critères définis.

En raison de la nature non linéaire des modèles décrivant le comportement d’une machine électrique, les méthodes de modélisation basées sur les éléments finis sont souvent préférées. Ces modèles, associés « directement » à des algorithmes d’optimisation heuristiques, constituent une méthodologie d’optimisation efficace qui conduit généralement à des solutions respectant le cahier des charges et qui est relativement simple à mettre en place.

Cependant, un problème d’optimisation d’une machine électrique est en réalité un problème multi-physique qui peut comporter un grand nombre de paramètres d’optimisation. Dans certain cas, la méthodologie d’optimisation directe décrite précédemment peut s’avérer inapplicable en raison du temps d’optimisation élevé requis. Des stratégies permettant de réduire ce temps d’optimisation sont alors nécessaires.

On peut citer parmi ces stratégies :

• Les approches d’optimisation remplaçant le modèle physique principal par un métamodèle.
• Les approches d’optimisation adaptatives utilisant un métamodèle de type krigeage : optimisation bayésienne.
• Les approches multi-fidélités utilisant en plus du modèle physique principal « fin », un deuxième modèle physique à fidélité (précision) réduite mais présentant un temps de calcul plus rapide.

Parmi les approches multi-fidélité, deux variantes ont été développées comme l’utilisation de deux modèles à fidélités réduites [1] ou bien la multi-fidélité N-niveau [2]).

L'objectif de ce stage est de proposer une méthodologie d’optimisation basée sur l’une de ces deux variantes et de l’appliquer sur un cas de dimensionnement d’une machine électrique pour une application de véhicules électriques.

Profil recherché :

Master 2 (ou diplôme équivalent) en Mathématiques appliquées.

• Connaissances en optimisation, probabilités et statistiques.
• Compétences en programmation (Matlab, Python, R).

Mots-clefs : Méthodologies d’optimisation, Machines électriques, Multi-fidélité
Durée et période du stage : 6 mois entre mars et septembre 2024
Lieu du stage : Rueil-Malmaison

Bibliographie