Renouveau des tramaways

Besoin en conception/dimensionnement

Chapitre 5 : Cas d'étude. Présentation des résultats

Essaie erreur / Empirique

Simulateur limité

Simulateur peu performant, pas adapté au processus d'optimisation

Biblio sur la conceptions des IFTE. Etat de l'art relativement faible, car les bureaux d'études communiquent peu. La majorité font pareil qu'artelia : essaie/erreur. Littérature universitaire 3-4 papiers

Simulateurs dédiés aux tramway/trains : 📚: ESMERALDA, RailSim, Sitras, etc. Smulateurs "maison"

Introduction : Rappel de la problématique d'intro. (rapide : 1 petit paragraphe)

Annonce du plan

🏁 Transition : Développement des contributions sur le simulateur dans le chap. 3 et sur la conception dans le chap. 4

🔒 Critique générale : ces simulateurs sont fermés, pas adapté au demandes clients. Pas de simplification de circuits, pas adapté à l'optimisation (facilement),,

Volonté de développer un outils générique, sans partir d'une ligne existante, exploitable en bureau d'étude (adapté aux contraintes et besoin du BE : dimension, modes dégradés)

Reférence : les modéles sont décrits au chap. 3

• des charges mobiles en puissance.
• La résolution est quasi-statique: car les transitoires sont négligés
• Couplage mécanique/électrique faible ⏩ la cinématiques est supposée suivie.

Questionnement sur les solveurs de circuit : ouvert, compatibilité, évolutivité et simplicité des circuits à résoudre ➡ réécriture d'un petit solveur avec python

Tensions, courants, post traitement

Questionnements sur la prise en compte du déplacement. (pas trop long, peut-être moins de détails)

Modèle de chaque composants, caractéristiques I-V. 2 modèles de ssr, deux modèles de rame suivant la récupération

Résolution par solveur de système non-linéaires, gestion de l'initialisation, les méthodes de résolutions, gestion des non-convergences (pas de solutions ou problèmes num. ?)

🚩 dans le chapitre 3, on illustre avec un cas simple chaque étape. : :

🌴 Transition : On sait calculer tous les critères/performances et contraintes du système à partir d'une infra. Il faut maintenant inverser le problème. Quel infra nous donne les meilleurs perf ?

Principe général : théorie de sélection naturelle Darwin. évolution de génération par itération

Sélection : Classement, Crowding distance Transition : Intensification c'est bien, il faut aussi diversifier (explorer l'espace de recherche).

Création de nouveaux individus: Croisement et mutation.

Mono-objectif : minimiser un critère, ce qui n'est plus possible dans le cas avec plusieurs objectifs. Nécessité de faire des compromis.

Optimisation d'un problème multi-objectif =
trouver l'ensemble des solutions non-dominées

Questionnements sur les approches a priori ou a posteriori. Reformulation possibles : agrégation des objectifs (ou passage d'objectif en contraintes) ou approches sans a priori, qui nécessitent de considérer tous les compromis possibles.

Arborescence des méthodes (juste avec les noms). Associée à des commentaires en texte brut, pour expliquer les différences, donner qq ref et au final justifier le choix d'un algorithme génétique

D'après le passage en revue 4.3.2, il existe des variations entre méthodes, mais le principe général est identique. On choisi NSGA-II pour les raisons ....

Hyper-paramètres (taux de croisement, taille de pop, nbr de générations). Critère d'arrêt ?