Méthodes stochastiques d'optimisation appliquées à la mise au point moteur

par Aurélien Schmied

Thèse de doctorat en Mathématiques appliquées

Sous la direction de Gilles Pagès.


  • Résumé

    Cette thèse traite de méthodes stochastiques d'optimisation appliquées à la mise au point moteur, afin que celui-ci consomme le moins de carburant possible et respecte les normes de pollution en vigueur. Cette thèse propose ainsi deux modofocations de la méthodologie existante chez Renault et une nouvelle approche en rupture du processus actuellement utilisé. La première modification consiste à reformuler le problème d'optimisation à l'aide de modèles issus de la logique floue et la seconde utilise un nouvel algorithme d'optimisation stochastique "Multistosch", pour lequel sont démontrés différents résultats de convergence. La nouvelle approche est fondée sur un outil de planification d'essais dynamiques (trajectoires dans un plan), utilisant la quantification fonctionnelle et, en particulier, celle sous contraintes. Dans ce cadre, une nouvelle forme de distorsion sous contrainte est présentée, que nous rechercherons à minimiser par des algorithmes d'optimisation stochastiques.


  • Résumé

    This thesis deals with stochastic methods of optimisation applied to engine calibration. The purpose of engine calibration is to lower each car's consumption and to met the regulation on the emission of different pollutants. This thesis presents two modifications of the methodology actually used at Renault an a new approach which is different of the current process. The first modofication consists of reformuling the optimisation problem using a model issued from Fuzzy logic and the second modification proposes a new stochastic optimisation algorithm named "Multistoch", for which convergence's results are presented. The new approach is based on designing dynamic experiments (curves in a plan) using constrained functional quantification. For this purpose, we propose a new type of constrained distortion which is minimised using different stochastic optimisation algorithms.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (132 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. : 72 réf

Où se trouve cette thèse ?

  • Bibliothèque : Université Paris-Est Créteil Val de Marne. Service commun de la documentation. Section multidisciplinaire.
  • Non disponible pour le PEB
  • Bibliothèque : Université Paris-Est Créteil Val de Marne. Service commun de la documentation. Section multidisciplinaire.
  • Consultable sur place dans l'établissement demandeur
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.