Conception & optimisation d avion
|
|
- Eugénie Papineau
- il y a 8 ans
- Total affichages :
Transcription
1 Conception & optimisation d avion Florian De Vuyst Ecole Centrale Paris Laboratoire Mathématiques Appliquées aux Systèmes Conférences Qu en savez-vous vraiment? Musée des arts et métiers Jeudi 24 avril 2008 «Du virtuel à la réalité : la conception innovante du Falcon 7X»
2 Conception avant-projet et conception préliminaire: une histoire de compromis Structure Masse Aérodynamique Spécifications avant-projet Trainée Propulsion Portance Masse de l engin Taille d engin Processus de dimensionnement Conception avant-projet : gérer les paramètres de conception entre disciplines 2
3 Arbre des modélisations Conception avant-projet "Avion" OCAPI / CATIA V5 Autres "disciplines" Phase préliminaire aérodynamique CFD cellule moteurs Autres systèmes ou équipements CATIA détail aérodynamique ELFINI Tronçons & pièces composants Détails CFD ELFINI CATIA Maquette numérique ELFINI 3
4 Conception avant-projet et conception préliminaire: une histoire de compromis [Mc Donald PhD Georgia Tech 2006] Paramètres de conception Compromis entre disciplines Spécification haute Fonction objectif Spécification basse Avant-projet Préliminaire Détail [Mavris, De Laurentis 2000] Cible Déroulement projet Variabilité réduite, meilleure réponse moyenne 4
5 Formulation mathématique Hypothèses de mission contraintes de conception contraintes opérationnelles G i (x) 0 x Y Paramètres de conception x min x x max Paramètres d environnement Incertitudes Modèle de simulation F Dassault-Aviation Performances Coûts Z 5
6 Conception robuste : l apport des modèles incertains Contraintesg i (x) 0 Espace faisable! Variable de conception 2 Variable de conception 1 Calcul probabiliste de faisabilité : En rendant les variables aléatoires : X Paramètres Contraintes g i (x) Fonction densité de probabilité jointe Y P [ (Y 1,...,Y N ) (R ) N] = f(y 1,...,y N )dy 1...dy N Utile dans le processus de sélection de technologie 6
7 Algorithmes classiques d optimisation numérique max x Ω, g i (x) 0,i=1,...,N J(x) Maximum global Mesure de mérite J(x) Maximum local x (k+1) =x (k) +α k J(x (k) ) Nécessite en général la connaissance du gradient Recherche itérative J(x) = ( ) J x i x Code de calcul J(x) Différenciation automatique de code 7
8 Remarque : l optimum est souvent au bord de l espace faisable J(x) Optimum J(x) G(x)<0 G(x) 0 G(x)<0 x min x R G(x) 0 J(x) G(x) 0:suffisammentdecarburant G(x)<0:pasassezdecarburant Nouvel intérêt d introduire des incertitudes (conception robuste) 8
9 Exemple d optimisation de forme Supersonic Business Jet (SSBJ) Dassault Aviation Mach 1.8 Portance prescrite 2 variables de conception par section Optimisation de 14 sections de fuselage + angle d attaque 29 variables de conception 9
10 Exemple d optimisation de forme Supersonic Business Jet SSBJ (Dassault-Aviation) Avant optimisation numérique before after Après optimisation numérique Réduction notable de la traînée 10
11 Optimisation stochastique et sous incertitudes Algorithmes stochastiques d optimisation Recuit simulé Algorithmes génétiques Stratégies d évolutions Essaims particulaires Colonies de fourmis. Optimisation stochastique Exemples : max x, P[Z z 0 ] 1 ǫ E[Y] Alternatives quand les algorithmes déterministes posent des difficultés min x, P[Z z 0 ] 1 ǫ E[Y]=ȳ V[Y] 11
12 Optimisation multicritère Portée Région infaisable MTOW Front de Pareto Faisable Non optimal Meilleur compromis Optimal Range Capacité de charge Plus faible : somme pondérée des différents critères J i (x), i=1,...,n N maxj(x)= ω i J i (x) x i=1 (ω i >0) i Version probabiliste : probabilité de succès J i (x) Z i min x P[(Z 1 z 1,...,Z N z N ) ǫ]. 12
13 Calcul allégé : méta modèles et modèles multi niveaux 3 Esteco modefrontier Synthèse de système 2 x Plan d expérience numérique 1 x1 x i Design point x i y i =F(x i ) Surface de réponse Calcul éléments finis 3D Réponse y i =F(x i ) 1µ sec CPU! Méta-modèle ŷ= ˆF(x) 2 bx i i + b iixi + y= b0 + bii xi xj ~ 1 semaine de calcul CPU 13
14 Metamodélisation sous incertitudes [DeLaurentis & Mavris, 2000] Modèles Réponses Plan d expérience numérique Quantiles P[Z z i ] Métamodèles Régression 14
15 Visualisation : voyager dans les grandes dimensions paramétriques Scatterplot 3D JMP software Courtesy: JMP software Courtesy: JMP software Surfaces de réponses JMP software Scatterplot [W. Zhao 2007] 15
16 Visualisation : voyager dans les grandes dimensions paramétriques Classification non supervisée - Cartes auto-organisatrices de Kohonen (SOM) Design point Dassault Aviation 16
17 L initiative américaine Aeropace Systems Design Lab ASDL Georgia Tech / Boeing / SAS JMP Collaborative Design Environment Courtesy: ASDL Georgia Tech Collaborative Visualization Environment for Complex Systems Design Courtesy: ASDL Georgia Tech Statistical Discovery Software JMP Courtesy: JMP software Courtesy: ASDL Georgia Tech Une initiative française similaire en préparation : le CSDL Complex System Design Lab (Académiques & Industriels) 17
18 En conclusion : outils mathématiques et travail collaboratif, un atout pour les conceptions du futur Couplage Multi-physiques Approximation Réduction de modèles Plateforme collaborative Entrepôt de données Probabilités / Incertitudes Optimisation numérique / multidisciplinaire Apprentissage Statistiques avancées Visualisation 18
19 Bibliographie succinte 1. Raymer, Daniel, Aircraft design : a conceptual approach (2006), AIAA Educational Series. 2. Keane, Andy, Nair, Prasanth, Computational Approaches for Aerospace Design: The Pursuit of Excellence, 602 p, J. Wiley & Son Inc., ISBN (2006), 3. ASDL, Aerospace Systems Design Laboratory, Georgia Tech, 4. Bruno Stoufflet, Mathématiques Appliquées et Aéronautique, Jounée Math-Industrie de la Société Mathématiques Appliquées et Industrielle (SMAI), septembre 2006, 5. DeLaurentis, Daniel A., Mavris, Dimitri N., Uncertainty Modeling and Management in Multidisciplinary Analysis and Synthesis, AIAA (2000), 19
20 Mots-clés pour une recherche web sur google Conceptual design Preliminary design Aircraft/aerospace design Multidisciplinary optimization Robust design Metamodeling Surrogate model Variable-fidelity model Uncertainty propagation Multicriteria optimization Evolutionary algorithm Feature extraction Conception avant-projet Conception en phase préliminaire Conception d avion/aérospatiale Optimisation multidisciplinaire Conception robuste Metamodélisation Substitut de modèle Modèle multi-niveaux Propagation d incertitudes Optimisation multicritère Algorithmes évolutionnaires Extraction de caractéristiques 20
21 Merci de votre attention 21
Appel à Propositions. Thème : «Couplage CFD / CAA»
Appel à Propositions CORAC Feuille de route Propulsion Thème : «Couplage CFD / CAA» Référence de l Appel Titre de l appel Personne à contacter responsable de l appel à proposition (AàP) Date de début du
Plus en détailGRID MIP. Plate-forme de développement de la Simulation Numérique au service de la Région Midi-Pyrénées. claude-j.oudet@orange.fr
GRID MIP Plate-forme de développement de la Simulation Numérique au service de la Région Midi-Pyrénées Plan Développement industriel et simulation numérique (3-9) Projet pilote GRID MIP conduit avec le
Plus en détailJournées PERF-RV 14-15 Octobre 2004. B. Arnaldi http://www.perfrv.org
1 Journées PERF-RV 14-15 Octobre 2004 B. Arnaldi http://www.perfrv.org Objectifs de PERF-RV Plate-forme exploratoire Début des travaux : février 2001 Fin des travaux : août 2004 La réalité virtuelle, contexte
Plus en détailCORAC : Appels à partenariat Propulsion
1 CORAC : Appels à partenariat Propulsion Appel à partenariat AIRBUS pour le projet P12 EPICE Contexte du projet P12 Périmètre: Système Propulsif en général, moteur, nacelle, mât réacteur (configuration
Plus en détailCAP CAMION A ASSISTANCE PNEUMATIQUE
Séminaire mi parcours Stock-e 2010 CAP CAMION A ASSISTANCE PNEUMATIQUE Iyad Balloul Renault Trucks - iyad.balloul@volvo.com Eric Bideaux INSA Lyon - eric.bideaux@insa-lyon.fr Marc Michard LMFA - Marc.Michard@ec-lyon.fr
Plus en détailModélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs.
Modélisation 3D par le modèle de turbulence k-ε standard de la position de la tête sur la force de résistance rencontrée par les nageurs. H. ZAÏDI a, S. FOHANNO a, R. TAÏAR b, G. POLIDORI a a Laboratoire
Plus en détailOMD : Optimisation MultiDisciplinaire
Compte-rendu de fin de projet Projet ANR-05-RNTL-009 OMD : Optimisation MultiDisciplinaire Programme RNTL 2005 A IDENTIFICATION... 2 B RESUME CONSOLIDE PUBLIC... 2 B.1 Instructions pour les résumés consolidés
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détail(1,1) -1- CPLMEx_8pE_vF.indd 28/02/07, 23:26:46. CATIA PLM Express La voie rapide vers le PLM
(1,1) -1- CPLMEx_8pE_vF.indd 28/02/07, 23:26:46 CATIA PLM Express La voie rapide vers le PLM (1,1) -1- CPLMEx_8pE_vF.indd 28/02/07, 23:27:06 25 ans d excellence en conception produit au service de toutes
Plus en détailL apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011
L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailLaboratórios do Conhecimento para a Manufatura. Pierre VINTER 4
LE TRAVAIL COLLABORATIF Pierre VINTER SOMMAIRE Présentation des différents sites Projets collaboratifs en 2 ème année BTS CPI Projet BLERIOT Maquette numérique Industrialisation Bilan de ses expériences
Plus en détailParcours Conception, Modélisation et Architecture des Systèmes Informatiques Complexes mention Informatique Paris-Saclay
1 Parcours Conception, Modélisation et Architecture des Systèmes Informatiques Complexes mention Informatique Paris-Saclay Eric Goubault, Sylvie Putot, Alexandre Chapoutot, Laurent Pautet Eric.Goubault@polytechnique.edu,
Plus en détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailLean approach on production lines Oct 9, 2014
Oct 9, 2014 Dassault Mérignac 1 Emmanuel Théret Since sept. 2013 : Falcon 5X FAL production engineer 2011-2013 : chief project of 1st lean integration in Merignac plant 2010 : Falcon 7X FAL production
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailProjet Optiperf : les ressources du calcul parallèle à destination des architectes navals
Projet Optiperf : les ressources du calcul parallèle à destination des architectes navals Pierre-Michel Guilcher, Olivier Payen, Aurélien Drouet, Erwan Jacquin Plan de l exposé Contexte général Définition
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailextreme factory l innovation à portée de main
extreme factory l innovation à portée de main extreme factory, HPC-as-a-service par Bull Longtemps réservée aux grands laboratoires de recherche, la simulation numérique s est imposée comme l indispensable
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailOptimisation de la compression fractale D images basée sur les réseaux de neurones
Optimisation de la compression fractale D images basée sur les réseaux de neurones D r BOUKELIF Aoued Communication Networks,Architectures and Mutimedia laboratory University of S.B.A aoued@hotmail.com
Plus en détailLIVRET DE VISITE. Textes en grands caractères
LIVRET DE VISITE Textes en grands caractères 1 PRÉSENTATION DU MUSÉE À proximité de l usine d assemblage de l Airbus A380, le musée aeroscopia accueille une collection de plus de 25 avions mythiques dont
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailLa Business Intelligence pour les Institutions Financières. Jean-Michel JURBERT Resp Marketing Produit
La Business Intelligence pour les Institutions Financières Jean-Michel JURBERT Resp Marketing Produit Agenda Enjeux des Projets Financiers Valeur de Business Objects Références Clients Slide 2 Des Projets
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailIntérêts et limites des mannequins numériques pour l évaluation des efforts et des postures
18 novembre 2014 Intérêts et limites des mannequins numériques pour l évaluation des efforts et des postures Jonathan Savin Responsable d études Laboratoire Ingénierie de Conception de Systèmes Sûrs (ICS-INRS)
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailLe travail collaboratif avec
Le travail collaboratif avec Thierry POrTMANN [1] Travailler en équipe pluridisciplinaire est un atout majeur de compétitivité. Dans ce contexte, la diffusion d informations précises aux bonnes personnes
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailMéthodologie de conception d un produit mécatronique
Méthodologie de conception d un produit mécatronique R. PLATEAUX, O. PENAS, J.Y. CHOLEY, F. MHENNI, A. RIVIERE Institut Supérieur de Mécanique de Paris (ISMEP-Supméca) Laboratoire d Ingénierie des Structures
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailPrésentation du Projet ADN (FUI 9) Harvey ROWSON, DeltaCAD Référence T/15/31/A
Présentation du Projet ADN (FUI 9) Harvey ROWSON, DeltaCAD Référence T/15/31/A DeltaCAD Copyright - Présentation projet ADN - Ref : T/15/031/A 1 Créée en 1994, basée à Compiègne (30 mn de Roissy, 45 mn
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailObjet du document. Sommaire
Maquette numérique et ingénierie collaborative : Le point sur la situation dans les secteurs de l automobile et de l aéronautique. Les enseignements pour le secteur de la construction Bernard FERRIES Objet
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailSÉMINAIRES RÉGIONAUX 2012
SÉMINAIRES RÉGIONAUX 2012 SÉMINAIRES RÉGIONAUX 2012 1 Le PI System à l heure de la mobilité et de l infonuagique. Présenté par : Laurent Garrigues Directeur de produits [mɔbilite] nom féminin 1. Capacité
Plus en détailCMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE
Université de PARIS 2 - ASSAS 1/3 PARCOURS FORMATION EN APPRENTISSAGE L1 S1 Mathématiques 1 4 L1 S1 Statistiques 1 4 L1 S1 Fondemants de l'informatique 4 L1 S1 Compléments Maths 2 L1 S1 Compléments Stats
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailPlan de cours. 1. Mise en contexte. 2. Place du cours dans le programme. 3. Descripteur du cours
Faculté des sciences Centre de formation en technologies de l information Plan de cours Cours : INF 735 Entrepôt et forage de données Trimestre : Hiver 2015 Enseignant : Robert J. Laurin 1. Mise en contexte
Plus en détailPlate forme de modélisation en vue de la prédiction de la durée de vie des bétons vis-à-vis de la pénétration d agents agressifs
Plate forme de modélisation en vue de la prédiction de la durée de vie des bétons vis-à-vis de la pénétration d agents agressifs Phase d'initiation de la corrosion vis-à-vis de la - pénétration d'agents
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailExpérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter
Expérience de la mise en place s une solution de gestion de capacité pour supporter la migration des Datacenter Gilles HANUSSE Responsable services Monitor & Operate Sanofi Global Infrastructure Services
Plus en détailEtude numérique et expérimentale du processus de recompression le long d un éjecteur supersonique
Etude numérique et expérimentale du processus de recompression le long d un éjecteur supersonique A. BOUHANGUEL, P. DESEVAUX, E. GAVIGNET Institut FEMTO-ST, Département ENISYS, Parc Technologique, 2 Avenue
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailSOMMAIRE. La simulation numérique chez PSA. Organisation PSA Les applications CFD CFD Process UGM ENSIGHT - LA CFD CHEZ PSA 27/09/2010 2
LA CFD CHEZ PSA Jean-Marc STAIMESSE PSA Peugeot Citroën La simulation numérique chez PSA Organisation PSA Les applications CFD CFD Process SOMMAIRE UGM ENSIGHT - LA CFD CHEZ PSA 27/09/2010 2 LA SIMULATION
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailLes lières. MSc in Electronics and Information Technology Engineering. Ingénieur civil. en informatique. MSc in Architectural Engineering
Ingénieur civil Ingénieur civil Les lières MSc in Electronics and Information Technology Engineering MSc in Architectural Engineering MSc in Civil Engineering MSc in Electromechanical Engineering MSc
Plus en détailETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES
ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES P.E. LOISEL, J. SCHAGUENE, O. BERTRAND, C. GUILBAUD ARTELIA EAU ET ENVIRONNEMENT Symposium du CFBR
Plus en détailLe calcul intensif chez PSA Peugeot Citroën. TERATEC 28 juin 2011
Le calcul intensif chez PSA Peugeot Citroën TERATEC 28 juin 2011 Daniel ZAMPARINI 1 Le calcul intensif chez PSA Peugeot Citroën TERATEC - 28 juin 2011 PSA Peugeot Citroën : éléments clés de la branche
Plus en détailProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection
ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data
Plus en détailFilière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux
Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement
Plus en détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
Plus en détailL apport des logiciels d optimisation des stocks multi-échelons
omment passer à la vitesse supérieure dans le calcul des stocks de sécurité et aller plus loin que les ERP et APS traditionnels? est ce que nous explique Tanguy aillet de J&M Management onsulting en nous
Plus en détailPage 1 Créativité et Innovation en projet technique
Page 1 Créativité et Innovation en projet technique Page 2 Invention et créativité «J invente d abord l idée, sans savoir si c est possible et réalisable parce que si sous commencez seulement à réfléchir
Plus en détailL échelle des Technology Readiness Levels (TRL ou Niveaux de maturité technologique) : Comment la prendre en compte dans nos métiers?
RÉVEIL EN FORM L échelle des Technology Readiness Levels (TRL ou Niveaux de maturité technologique) : Comment la prendre en compte dans nos métiers? Plan de l exposé Intervenants TRL : Le concept Cadre
Plus en détailMasses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailTrends. Médias sociaux et SEO - la force du contenu
Trends Médias sociaux et SEO - la force du contenu Problématique Quel est le rôle du contenu dans son projet d optimisation de son site web? SEO : Search Engine Optimization L'optimisation pour les moteurs
Plus en détailLa Performance Digitale en Business to Business
La Performance Digitale en Business to Business En quoi la performance digitale B2B et son optimisation, est-elle différente d une stratégie digitale B2C? Florent Bourc his - Marketing Stratégique - 2015
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailFilière MMIS. Modélisation Mathématique, Images et Simulation. Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti
Filière MMIS Modélisation Mathématique, Images et Simulation Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti Valerie.Perrier@imag.fr Modélisation mathématique, Images et simulation (MMIS)
Plus en détailSoftware Application Portfolio Management
Environnement complet de consolidation du Patrimoine Applicatif & de production des Tableaux de bords d inventaire et de pilotage Software Application Portfolio Management Collecter Centraliser Normaliser
Plus en détailIntégration des paramètres de maintenance dans la conception du Health Monitoring. Saintis Laurent Laboratoire LASQUO (futur LARIS)
2ème Colloque National de la Performance Industrielle LA MAINTENANCE A DISTANCE & E-MAINTENANCE Intégration des paramètres de maintenance dans la conception du Health Monitoring Saintis Laurent Laboratoire
Plus en détailLe BigData, aussi par et pour les PMEs
Parole d expert Le BigData, aussi par et pour les PMEs Stéphane MOUTON, CETIC Département Software and Services Technologies Avec le soutien de : LIEGE CREATIVE Le Big Data, aussi par et pour les PMEs
Plus en détailintelligence artificielle et cognitique"
Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailSystèmes Répartis. Pr. Slimane Bah, ing. PhD. Ecole Mohammadia d Ingénieurs. G. Informatique. Semaine 24.2. Slimane.bah@emi.ac.ma
Ecole Mohammadia d Ingénieurs Systèmes Répartis Pr. Slimane Bah, ing. PhD G. Informatique Semaine 24.2 1 Semestre 4 : Fev. 2015 Grid : exemple SETI@home 2 Semestre 4 : Fev. 2015 Grid : exemple SETI@home
Plus en détailCouplages multiples. Simulation Toolbox optimise les propriétés diélectriques et thermiques du matériel électrique
Couplages multiples Simulation Toolbox optimise les propriétés diélectriques et thermiques du matériel électrique Andreas Blaszczyk, Jörg Ostrowski, Boguslaw Samul, Daniel Szary Confrontés aux exigences
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailBombardier Aerospace. De meilleures décisions soutiennent la poursuite à l innovation responsable
Colloque 2013 - Institut de développement de produits, 12 juin 2013 Bombardier Aerospace De meilleures décisions soutiennent la poursuite à l innovation responsable Agenda Siemens: une culture axée sur
Plus en détailTHÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie. par. Walid TFAILI. pour obtenir le grade de
THÈSE DE DOCTORAT DE L UNIVERSITÉ PARIS 12-VAL DE MARNE UFR de Sciences et Technologie par Walid TFAILI pour obtenir le grade de DOCTEUR EN SCIENCES Spécialité : SCIENCES DE L INGÉNIEUR Option : Optimisation
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailLa relation IE-ERP est-elle possible?
La relation IE-ERP est-elle possible? Maîtriser l information et opérer des choix éclairés Ce n est pas si simple!... Francis MOATY Hassane MIMOUN IEMA.04 La décision Environnement incertain, risqué, changeant,
Plus en détailAnalyse et programmation 1
Analyse et programmation 1 Bienvenue Présentations Moi Qui suis-je? Quels sont mes domaines de compétence? Pourquoi suis-je ici? Comment me contacter : bureau C01a Par courrier électronique : francois.birling@heig-vd.ch
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détail«Les projets collaboratifs pour les nuls»
«Les projets collaboratifs pour les nuls» Les jeudis du numérique à Vannes 28/05/15 Sommaire 1) Le projet collaboratif 2) Les appels à projets 3) Le financement 4) Le rôle d Images & Réseaux Les questions
Plus en détailIntroduction au maillage pour le calcul scientifique
Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,
Plus en détail«SERVICES D INGENIERIE»
PUNCH POWERGLIDE STRASBOURG 45 années d expériences Le pôle R & D de PPS rassemble plus d une centaine d experts, chefs de projet, ingénieurs et techniciens expérimentés en recherche et développement,
Plus en détailEXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES
EXPLORATION DES BASES DE DONNÉES INDUSTRIELLES À L AIDE DU DATA MINING PERSPECTIVES Bruno Agard (1), Andrew Kusiak (2) (1) Département de Mathématiques et de Génie Industriel, École Polytechnique de Montréal,
Plus en détailPrésentation des formations courtes en Architecture d Entreprise
Atelier-débat du jeudi 12 mars 2015 «PLM & ingénierie collaborative : comment bien préparer un projet d outillage de ses processus métiers clefs?» Présentation des formations courtes en Architecture d
Plus en détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailUNIVERSITÉ DE TECHNOLOGIE COMPIÈGNE. Département Génie des Systèmes Mécaniques / UMR CNRS Roberval 7337. en option Sous titre ex : Espace documentaire
UNIVERSITÉ DE TECHNOLOGIE COMPIÈGNE Département Génie des Systèmes Mécaniques / UMR CNRS Roberval 7337 en option Sous titre ex : Espace documentaire Alexandre DURUPT MCF - UTCalexandre.durupt@utc.fr Benoît
Plus en détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
Plus en détailQuel hébergement choisir?
Quel hébergement choisir? Introduction Choisir la meilleure solution d hébergement pour un projet Internet peut s avérer une lourde tâche. Les modalités d hébergement disponibles sont très variées, avec
Plus en détailLa société Figures Libres - agence de communication - lance ipaoo.fr, générateur de site internet professionnel.
La société Figures Libres - agence de communication - lance ipaoo.fr, générateur de site internet professionnel. ipaoo.fr est un service en ligne qui permet aux entrepreneurs, auto-entrepreneurs, TPE,
Plus en détail