Stellantis

L’élaboration de modèles numériques pour la simulation de crash en industrie automobile, et notamment la phase de maillage occupe encore de nos jours une large part de temps consacrée à un projet de développement d’un véhicule. De plus, elle introduit systématiquement des approximations géométriques importantes sur certains éléments structuraux sensibles de la caisse en blanc, de forme géométrique complexe. Ces approximations constituent fréquemment une source d’erreurs rendant le modèle CAE du véhicule moins prédictif, ce qui pousse les ingénieurs à faire recours à un maillage très fin, engendrant des modèles numériques très lourds et pénalisants en termes de capacité mémoire et temps de calcul.

L'idée fondamentale de la modélisation iso-géométrique (IGA) est de rapprocher l'analyse éléments finis de la modélisation CAO en supprimant l'opération de maillage et en utilisant directement le modèle géométrique comme support pour le calcul. Cela peut se faire grâce au développement de nouveaux types de modèles éléments finis utilisant les mêmes fonctions de forme que celles utilisées dans les modèles de définition géométrique (B-splines, NURBS ou carreaux de Bézier).

Le problème technique rencontré dans la pratique industrielle concerne les définitions CAO générées habituellement par les concepteurs, qui ne sont pas adaptées pour le calcul direct par la technique iso-géométrique. Généralement, afin de suivre les changements brusques qui peuvent arriver au niveau des courbures géométriques, les surfaces NURBS et/ou carreaux de Bézier originelles sont partitionnées et/ou fusionnées avec d’autres surfaces avoisinantes, générant ainsi de nouvelles définitions CAO complexes. Malheureusement, ces nouveaux changements de géométrie demandent une adaptation et donc des retouches qui nécessitent du temps de développement. A notre connaissance, de nos jours, il n’existe pas de logiciel permettant d’accomplir cette tâche de manière automatique malgré les avancées et recherches fondamentales sur le plan académique (plusieurs thèses existent sur le sujet, notamment du groupe Stellantis).

Notons par ailleurs, qu’aux premiers stades d’un projet de nouveau véhicule (avance de phase), le concept CAO n’est pas totalement compatible avec les exigences de tenue mécanique et des itérations d’optimisation pour la modification de la définition CAO sont très peu réalisées par manque de temps. Par conséquent, le partitionnement de surfaces, leur adaptation et l’automatisation de lecture permettrait d’exploiter pleinement les méthodes d’optimisation globale EGO (Efficient Global Optimization) basées sur le conditionnement gaussien et des stratégies d’évolution, mieux adaptées pour les calculs éléments finis chronophage. On exploitera aussi les méthodes de réduction de modèles non intrusifs de type POD surtout pour l’équivalent statique linéaire [8].

Il est également à noter que pour réaliser cette optimisation, l’expertise des ingénieurs crash est toujours nécessaire pour évaluer les résultats complexes prenant en compte souvent divers critères antagonistes. Cependant avec les récentes avancées des algorithmes d’intelligence artificielle (IA), il devient opportun de synthétiser l’ensemble des connaissances (règles) métier de la tenue au crash de certaines parties de la caisse en blanc. On développera ainsi, dans la deuxième phase du projet, une procédure de calcul d’IA basée sur les techniques de deep learning et des réseaux de neurones artificiels pour automatiser la faisabilité des solutions optimales de certains éléments essentiels de la caisse en blanc.

L’objectif du projet est d’élaborer une méthodologie numérique innovante par couplage de la méthode iso-géométrique et des techniques d’intelligence artificielle pour l’optimisation de forme d’éléments de caisse en blanc dans un contexte industriel. Cet objectif se décompose en plusieurs étapes :

• Elaborer une procédure numérique pour la décomposition automatique de la définition CAO permettant de préparer les modèles d’avance de phase pour une simulation IGA de type dynamique explicite et statique implicite.
• Développer une procédure de couplage entre la simulation IGA et les algorithmes d’IA basés sur les techniques de deep learning et les réseaux de neurones artificiels pour l’optimisation d’éléments structuraux de caisse en blanc.
• Validation de la méthodologie numérique à travers des applications d’optimisation de forme d’éléments structuraux de caisse en blanc, pour améliorer les performances aux tests de rigidité, vibratoires et aux chocs (flambage).