Please enable JavaScript.
Coggle requires JavaScript to display documents.
Thèse Anass - Coggle Diagram
Thèse Anass
Introduction
Renouveau des tramaways
Besoin en conception/dimensionnement
1.1 Définition du dimensionnement dans le contexte des tramway
Feeder, ssr, equi, et critères
1.2 Critique de la démarche actuelle chez artelia
Essaie erreur / Empirique
Simulateur limité
Simulateur peu performant, pas adapté au processus d'optimisation
1.3 Objectif et propositions de la thèse
Mettre en oeuvre une démarche d'optimisation
Besoin de simulation performente
Figure générale de la démarche
Annonce du plan
Chapitre 3 : Méthodologie de Simulation
3.1 Définition du problème à résoudre :
Données d'entrées
Infrastructure
Matériels roulants
Trafic / Marche type
Calcul de la puissance appelée (annexe ?)
des charges mobiles en puissance.
La résolution est quasi-statique: car les transitoires sont négligés
Couplage mécanique/électrique faible :fast_forward: la cinématiques est supposée suivie.
Questionnement sur les solveurs de circuit : ouvert, compatibilité, évolutivité et simplicité des circuits à résoudre :arrow_right: réécriture d'un petit solveur avec python
Figure Synoptique
Les sorties
Tensions, courants, post traitement
3.2 Construction du modèle circuit
Questionnements sur la prise en compte du déplacement. (pas trop long, peut-être moins de détails)
Modèle à un instant fixé
Modèle de chaque composants, caractéristiques I-V. 2 modèles de ssr, deux modèles de rame suivant la récupération
3.3 Résolution circuit par méthode nodale
Ecriture de la matrice d'admittance Y
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. ?)
Validation des résultats avec dlta1
3.4 : Post-traitement,
Calcul des performances et des critères.
Exemple de résultats
:red_flag: dans le chapitre 3, on illustre avec un cas simple chaque étape. : :
:palm_tree: 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 ?
Chapitre 2 : Etat de l'art
Besoin en simulation : simulateur d'IFTE
Comment font les autres ?
Simulateurs dédiés aux tramway/trains : :books:: ESMERALDA, RailSim, Sitras, etc. Smulateurs "maison"
:lock: Critique générale : ces simulateurs sont fermés, pas adapté au demandes clients. Pas de simplification de circuits, pas adapté à l'optimisation (facilement),,
Besoin de conception
Comment font les autres ?
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
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)
Description du matériel (moins), IFTE
:checkered_flag: Transition : Développement des contributions sur le simulateur dans le chap. 3 et sur la conception dans le chap. 4
Reférence : les modéles sont décrits au chap. 3
Chapitre 4 : Méthodologie Optimisation
4.2 Position du problème avec un formalisme mathématique.
Définition des variables de conception
Contraintes, objectifs
Introduction : Rappel de la problématique d'intro. (rapide : 1 petit paragraphe)
4.3 : Méthodes disponibles
Algorithmes génétiques
Principe général : théorie de sélection naturelle Darwin. évolution de génération par itération
Génération de la nouvelle population.
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.
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 ?
Définition d'un problème multi-objectif
Mono-objectif : minimiser un critère, ce qui n'est plus possible dans le cas avec plusieurs objectifs. Nécessité de faire des compromis.
Notion de dominance de Pareto
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.
Passage en revue des méthodes d'optimisation multi-objectif
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
Mise en œuvre de NSGA-II
Chapitre 5 : Cas d'étude. Présentation des résultats