Surrogate models for the analysis of friction induced vibrations under uncertainty
Modèles de substitution pour l’analyse de problèmes de Vibrations induites par le frottement sous incertitudes
Résumé
The automotive squeal is a noise disturbance, which has won the interest of the research and industrialists over the year. This elusive phenomenon, perceived by the vehicle purchasers as a poor-quality indicator, causes a cost which becomes more and more important for the car manufacturers, due to client’s claims. Thus, it is all the more important to propose and develop methods allowing predicting the occurring of this noise disturbance with efficiency, thanks to numerical simulations. Hence, this thesis proposes to pursue the recent works that showed the certain contributions of an integration of uncertainties into the squeal numerical simulations. The objective is to suggest a strategy of uncertainty propagation, for squeal simulations, maintaining numerical cost acceptable (especially, for pre-design phases). Several numerical methods are evaluated and improved to allow precise computations and with computational time compatible with the constraints of the industry. After positioning this thesis work with respect to the progress of the researchers working on the squeal subject, a new numerical method is proposed to improve the computation of the eigensolutions of a large quadratic eigenvalue problem. To reduce the numerical cost of such studies, three surrogate models (gaussian process, deep gaussian process and deep neural network) are studied and compared to suggest the optimal strategy in terms of methodology or model setting. The construction of the training set is a key aspect to insure the predictions of these surrogate models. A new optimisation strategy, hinging on bayesian optimisation, is proposed to efficiently target the samples of the training set, samples which are probably expensive to compute from a numerical point of view. These optimisation methods are then used to present a new uncertainty propagation method, relying on a fuzzy set modelisation.
Le crissement automobile est une nuisance sonore qui intéresse à la fois les chercheurs et les industriels. Ce phénomène fugace, perçu par les acquéreurs de véhicule comme gage de piètre qualité, induit un coût de plus en plus important pour les équipementiers automobiles dû aux réclamations-client. Par conséquent, il est primordial de proposer et développer des méthodes permettant de prédire avec efficacité l’occurrence de cette nuisance sonore grâce à des modèles de simulation numérique. Ainsi, cette thèse se propose de poursuivre les récents travaux montrant l’apport certain d’une intégration des incertitudes au sein des simulations numériques de crissement. L’objectif est de proposer une stratégie de propagation d’incertitudes pour des simulations de crissement en maintenant des coûts numériques acceptables (en phase d’avant-projet). Plusieurs méthodes numériques sont évaluées et améliorées pour permettre des calculs à la fois précis et dans des temps de calcul compatibles avec les contraintes de l’industrie. Après avoir positionné ce travail de thèse par rapport aux avancées des chercheurs travaillant sur la thématique du crissement, une nouvelle méthode d’amélioration des solutions propres d’un problème aux valeurs propres complexes est proposée. Pour réduire les coûts numériques de telles études, trois modèles de substitution (processus gaussien, processus gaussien profond et réseau de neurones profonds) sont étudiés et comparés pour proposer les stratégies optimales que ce soit en termes de méthode ou de paramétrage. La construction de l’ensemble d’apprentissage est un élément clé pour assurer les futures prédictions des modèles de substitution. Une nouvelle stratégie/méthode d’optimisation exploitant l’optimisation bayésienne est présentée pour cibler idéalement le choix des données de l’ensemble d’apprentissage, données potentiellement coûteuses d’un point de vue numérique. Ces méthodes sont ensuite exploitées pour proposer une technique de propagation des incertitudes selon une modélisation par sous-ensembles flous.
