FR3117637A1 - Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices - Google Patents
Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices Download PDFInfo
- Publication number
- FR3117637A1 FR3117637A1 FR2013320A FR2013320A FR3117637A1 FR 3117637 A1 FR3117637 A1 FR 3117637A1 FR 2013320 A FR2013320 A FR 2013320A FR 2013320 A FR2013320 A FR 2013320A FR 3117637 A1 FR3117637 A1 FR 3117637A1
- Authority
- FR
- France
- Prior art keywords
- nodes
- stress
- basic
- fields
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004044 response Effects 0.000 claims description 77
- 238000004088 simulation Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 21
- 229910052757 nitrogen Inorganic materials 0.000 claims description 20
- 230000035882 stress Effects 0.000 description 60
- 238000012360 testing method Methods 0.000 description 33
- 230000000875 corresponding effect Effects 0.000 description 20
- 239000013598 vector Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000013094 purity test Methods 0.000 description 12
- 238000013434 data augmentation Methods 0.000 description 8
- 241001080024 Telles Species 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000930 thermomechanical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 229940082150 encore Drugs 0.000 description 2
- 235000021183 entrée Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Turbine Rotor Nozzle Sealing (AREA)
Abstract
Méthode pour réduire le volume de données d’apprentissage destinées à l’entrainement d’un classificateur de champs de contrainte, et dispositifs électroniques associés Une telle méthode : dans laquelle des champs de contrainte, par exemple de température, de haute résolution, exercés sur un élément d’aube de turbine, donnent des valeurs de ladite contrainte en différents nœuds d’un maillage de haute résolution dudit élément d’aube, on sélectionne un nombre restreint de nœuds dudit maillage pour former un groupe de nœuds pertinents, on détermine des champs de contrainte de base en restreignant les champs de contrainte de haute résolution audit groupe de nœuds pertinents, les nœuds pertinents sont sélectionnés chacun sur la base d’une information mutuelle de redondance (Ij,j ’) entre le nœud (j) considéré et l’un quelconque des autres nœuds (j’) dudit maillage, ladite information mutuelle de redondance étant déterminée à partir d’une distance (dj,j ’) spatiale entre les deux nœuds considérés. Figure à publier avec l’abrégé : Figure 6Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices Such a method: in which stress fields, for example temperature, of high resolution, exerted on a turbine blade element, give values of said stress at different nodes of a high resolution mesh of said blade element, a restricted number of nodes of said mesh are selected to form a group of relevant nodes, basic stress fields by restricting the high resolution stress fields to said group of relevant nodes, the relevant nodes are each selected on the basis of mutual redundancy information (Ij,j ') between the node (j) considered and any of the other nodes (j') of said mesh, said mutual redundancy information being determined from a spatial distance (dj,j') between the two x nodes considered. Figure to be published with abstract: Figure 6
Description
DOMAINE TECHNIQUE DE L’INVENTIONTECHNICAL FIELD OF THE INVENTION
De manière générale, l’invention concerne le domaine de la simulation numérique du comportement mécanique de pièces mécaniques, par exemple de leur déformation et vieillissement. Elle concerne en particulier l’application de techniques d’intelligence artificielle lors d’une phase préalable de simplification de la simulation numérique à réaliser. L’invention concerne notamment la détermination de données d’apprentissage destinées à l’entrainement d’un classificateur de champs de contrainte, par exemple un champ de température, ce classificateur permettant d’identifier, dans une liste préétablie, un modèle de comportement mécanique simplifié bien adapté au champ de contrainte considéré.In general, the invention relates to the field of digital simulation of the mechanical behavior of mechanical parts, for example of their deformation and ageing. It concerns in particular the application of artificial intelligence techniques during a preliminary phase of simplification of the digital simulation to be carried out. The invention relates in particular to the determination of learning data intended for the training of a stress field classifier, for example a temperature field, this classifier making it possible to identify, in a pre-established list, a model of mechanical behavior simplified well adapted to the stress field considered.
ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTIONTECHNOLOGICAL BACKGROUND OF THE INVENTION
La simulation numérique par éléments finis, des déformations subies par une pièce mécanique soumise à différentes contraintes, a fait d’important progrès ces dernières années. De telles simulations permettent notamment de prévoir la façon dont va vieillir telle ou telle pièce mécanique, pour une durée d’utilisation longue (par exemple plusieurs années), qui n’aurait pas pu faire l’objet d’essais ou de mesures directes. Plus généralement, ces simulations rendent la phase de conception et de prototypage d’un système mécanique plus rapide, et plus performante.Numerical simulation by finite elements, of the deformations undergone by a mechanical part subjected to various constraints, has made significant progress in recent years. Such simulations make it possible in particular to predict the way in which a particular mechanical part will age, for a long period of use (for example several years), which could not have been the subject of tests or direct measurements. More generally, these simulations make the design and prototyping phase of a mechanical system faster and more efficient.
Mais certaines situations restent difficiles à simuler, car nécessitant un temps de calcul très important.But some situations remain difficult to simulate, because they require a very large calculation time.
C’est le cas notamment pour la caractérisation du vieillissement d’une aube d’une turbine de turbomachine, par exemple une turbine haute pression située juste en aval de la chambre de combustion. Dans ce cas, une température élevée, et généralement inhomogène, est exercée sur les aubes de la turbine, en plus du champ de pression et de la force centrifuge subis par ces aubes.This is particularly the case for the characterization of the aging of a turbine engine turbine blade, for example a high-pressure turbine located just downstream of the combustion chamber. In this case, a high temperature, and generally inhomogeneous, is exerted on the blades of the turbine, in addition to the pressure field and the centrifugal force undergone by these blades.
Pour un champ de température donné, exercé sur cette aube, simuler la déformation et le vieillissement de tel ou tel élément de l’aube, pour plusieurs cycles correspondant à plusieurs vols d’un avion, nécessite des ressources de calcul très importantes.For a given temperature field, exerted on this blade, simulating the deformation and aging of such or such element of the blade, for several cycles corresponding to several flights of an aircraft, requires very significant computing resources.
De plus, le champ de température exercé sur une telle aube de turbine n’est en fait pas parfaitement connu. Pour pouvoir déterminer précisément une durée pendant laquelle une aube restera utilisable, et une incertitude associée à cette durée, il faut donc répéter la simulation numérique (déjà très exigeante en elle-même) plusieurs fois, pour toute une distribution (statistique) de champs de température.Moreover, the temperature field exerted on such a turbine blade is in fact not perfectly known. To be able to precisely determine a duration during which a blade will remain usable, and an uncertainty associated with this duration, it is therefore necessary to repeat the numerical simulation (already very demanding in itself) several times, for a whole (statistical) distribution of light fields. temperature.
Avec une simulation numérique par éléments finis classique, le temps de calcul ou les ressources de calcul pour une telle caractérisation (nombre de processeurs ou de clusters de calcul à faire travailler en parallèle) devient alors rédhibitoire.With a conventional finite element numerical simulation, the calculation time or the calculation resources for such a characterization (number of processors or calculation clusters to be made to work in parallel) then becomes prohibitive.
Pour réduire le temps calcul nécessaire pour réaliser de telles simulations, une approche basée sur un regroupement en clusters de différentes entrées (sollicitations) envisageables, et une classification pour recommander un modèle réduit (par exemple un modèle réduit de comportement mécanique) a été proposé dans l’article « Localized Discrete Empirical Interpolation Method » de B. Peherstorfer et al., SIAM J. Sci. Comput. (2014). Plus récemment, une approche basée sur une telle réduction d’ordre du problème mécanique et sur un classificateur de champ de température a été proposée dans l’article suivant : « Model order reduction assisted by deep neural networks (ROM-net) » de T. Daniel et al., Adv.Model. and Simul. in Eng. Sci. (2020) 7:16.To reduce the calculation time necessary to carry out such simulations, an approach based on a clustering of different possible inputs (solicitations), and a classification to recommend a reduced model (for example a reduced model of mechanical behavior) has been proposed in the article “Localized Discrete Empirical Interpolation Method” by B. Peherstorfer et al., SIAM J. Sci. Computer. (2014). More recently, an approach based on such an order reduction of the mechanical problem and on a temperature field classifier has been proposed in the following paper: “Model order reduction assisted by deep neural networks (ROM-net)” by T Daniel et al., Adv.Model. and Sim. in Eng. Science. (2020) 7:16.
Selon cette approche, au lieu de déterminer la déformation mécanique en chaque nœud d’un maillage de l’élément d’aube à caractériser, avec un nombre de degrés de liberté (scalaires) qui serait donc égal à au moins trois fois le nombre de nœuds du maillage, on étudie la réponse mécanique de l’élément d’aube sur la base d’un modèle de comportement mécanique simplifié, Mk, paramétré par un nombre de degrés de liberté plus petit.According to this approach, instead of determining the mechanical deformation at each node of a mesh of the blade element to be characterized, with a number of degrees of freedom (scalars) which would therefore be equal to at least three times the number of mesh nodes, the mechanical response of the blade element is studied on the basis of a simplified mechanical behavior model, M k , parameterized by a smaller number of degrees of freedom.
Un tel modèle de comportement mécanique Mkdécrit par exemple la déformation de l’élément d’aube de turbine considéré sous la forme d’une somme pondérée de modes de déformation, typiques de cet élément (par exemple un mode de flexion pure, un mode correspondant à un étirement uniforme, un autre mode correspondant à un étirement localisé au niveau de l’une ou l’autre des extrémités de l’élément d’aube de turbine en question, etc…). Les degrés de liberté, ou autrement dit les paramètres de ce modèle de comportement mécanique correspondent alors, dans cette somme pondérée, aux coefficients qui pondèrent les contributions de ces différents modes de déformation.Such a mechanical behavior model M k describes for example the deformation of the turbine blade element considered in the form of a weighted sum of deformation modes, typical of this element (for example a pure bending mode, a mode corresponding to uniform stretching, another mode corresponding to localized stretching at one or other of the ends of the turbine blade element in question, etc.). The degrees of freedom, or in other words the parameters of this model of mechanical behavior then correspond, in this weighted sum, to the coefficients which weight the contributions of these different modes of deformation.
La réponse mécanique de l’élément d’aube de turbine, soumis à un champ de température T donné, est ensuite déterminée au cours du temps pour plusieurs cycles de vol, par simulation numérique, sur la base de ce modèle simplifié Mk. Grâce au caractère simplifié de ce modèle, on peut réaliser une simulation correspondant à une durée d’utilisation importante, tout en conservant un temps de calcul limité.The mechanical response of the turbine blade element, subjected to a given temperature field T, is then determined over time for several flight cycles, by digital simulation, on the basis of this simplified model M k . Thanks to the simplified nature of this model, it is possible to carry out a simulation corresponding to a long period of use, while keeping a limited calculation time.
Un tel modèle de comportement mécanique Mkest parfois appelé « modèle réduit » dans ce domaine technique. Il est représentatif de la réponse mécanique de l’élément d’aube de turbine (en particulier de la déformation de cet élément) lorsque cet élément est soumis à un type de sollicitation donné (par exemple à un champ de température T donné). Il s’agit donc en quelque sorte d’une réponse-type de l’élément d’aube de turbine. D’ailleurs, dans la suite, un tel modèle de comportement mécanique Mkest désigné indifféremment par l’expression « modèle réduit » ou par l’expression « réponse-type ».Such a model of mechanical behavior M k is sometimes called a “scale model” in this technical field. It is representative of the mechanical response of the turbine blade element (in particular of the deformation of this element) when this element is subjected to a given type of stress (for example at a given temperature field T). It is therefore in a way a typical response of the turbine blade element. Moreover, in what follows, such a model of mechanical behavior M k is designated either by the expression “scale model” or by the expression “standard response”.
Selon l’approche proposée dans l’article de T. Daniel et al. mentionné ci-dessus, avant de réaliser la simulation numérique en question, sur la base du modèle réduit Mk, on choisit ce modèle réduit Mk, en fonction du champ de température T exercé sur l’élément d’aube de turbine 1’. Le modèle réduit Mk est sélectionné, par un classificateur de champs de température 2’, parmi différents modèles réduits M1, …Mk, …, MP, c’est-à-dire parmi différents modèles de comportements mécaniques de l’élément d’aube de turbine (
Le classificateur 2’, qui comprend par exemple un réseau de neurones, est entrainé par des techniques d’intelligence artificielle lors d’une étape d’entrainement 20 (
Cette étape 10 comprend une première étape 11 de simulation numérique sur un cycle de sollicitation de l’élément d’aube de turbine (
Une telle simulation numérique ne suffit pas forcément à déterminer l’évolution à long terme des caractéristiques mécaniques de l’élément d’aube (ce qui nécessiterait une simulation sur de nombreux cycles successifs), ni sa durée de vie. Mais elle permet déjà d’identifier le type de comportement mécanique de cet élément, lorsqu’il est soumis au champ de température TH,ien question.Such a numerical simulation is not necessarily sufficient to determine the long-term evolution of the mechanical characteristics of the blade element (which would require simulation over numerous successive cycles), nor its lifetime. But it already makes it possible to identify the type of mechanical behavior of this element, when it is subjected to the field of temperature T H,i in question.
Cette simulation numérique, complète, mais sur temps court, est réalisée pour différents champ de température dits « de haute résolution », TH,i, i=1,…,N. Ces champ de température de haute résolution donnent chacun des valeurs de température
Cette simulation numérique permet de déterminer des réponses mécaniques « complètes » de l’élément d’aube, pour ces différents champs de température TH,i.This numerical simulation makes it possible to determine “complete” mechanical responses of the blade element, for these different temperature fields T H,i .
Ensuite, lors d’une étape 12, pour chaque couple (TH,i 1, TH,i 2) regroupant deux de ces champs de températures de haute résolution, on détermine une dissimilarité de comportement mécanique δi1,i2, ou, autrement dit, une « distance » effective entre les réponses mécaniques obtenues pour ces deux champs de température TH,i 1, TH,i 2. Cette distance δi 1,i 2est par exemple représentative d’un écart entre les deux champs de déformation obtenus respectivement pour ces champs de température. Différentes métriques sont envisageables pour déterminer cet écart : il peut être déterminé comme étant égal à la racine carrée de la somme des carrés des écarts à chaque nœud du maillage, ou comme la somme des valeurs absolues des écarts à chaque nœud du maillage, ou encore comme une distance au sens de Grassmann, comme cela est fait dans l’article précité de T. Daniel et al.Then, during a step 12, for each pair (T H,i 1 , T H,i 2 ) combining two of these high resolution temperature fields, a dissimilarity of mechanical behavior δ i1,i2 is determined, or, in other words, an effective “distance” between the mechanical responses obtained for these two temperature fields T H,i 1 , T H,i 2 . This distance δ i 1,i 2 is for example representative of a difference between the two deformation fields obtained respectively for these temperature fields. Different metrics can be considered to determine this deviation: it can be determined as being equal to the square root of the sum of the squares of the deviations at each node of the mesh, or as the sum of the absolute values of the deviations at each node of the mesh, or even as a distance in the sense of Grassmann, as done in the aforementioned article by T. Daniel et al.
Ensuite, lors de l’étape 13, les différentes réponses mécaniques de haute résolution déterminées à l’étape 11 sont regroupées sous la forme de plusieurs groupes de réponses mécaniques C1, …, Ck, …, CP, qui rassemblent chacun les réponses mécaniques qui sont similaires les unes des autres, c’est-à-dire qui présentent, deux à deux, une dissimilarité δi 1,i 2faible (« distance » faible entre deux éléments d’un même groupe). Cette étape est généralement appelée « clustering » en anglais (c’est-à-dire « partitionnement de données »), et les groupes de réponses mécaniques C1, C2, …, CPsont généralement appelés « clusters ».Then, during step 13, the various high-resolution mechanical responses determined in step 11 are grouped together in the form of several groups of mechanical responses C 1 , …, C k , …, C P , which each bring together the mechanical responses which are similar to each other, that is to say which present, two by two, a weak dissimilarity δ i 1,i 2 (“distance” between two elements of the same group). This step is generally called “clustering” in English (that is to say “data partitioning”), and the groups of mechanical responses C 1 , C 2 , …, C P are generally called “clusters”.
Puis, à l’étape 14, pour chaque cluster Ck, k=1…P, on détermine un modèle réduit Mkreprésentatif des réponses mécaniques complètes du cluster considéré (réponses qui sont relativement similaires les unes des autres, par construction), par une technique de réduction d’ordre.Then, in step 14, for each cluster C k , k=1…P, a reduced model M k representative of the complete mechanical responses of the cluster considered is determined (responses which are relatively similar to each other, by construction), using an order reduction technique.
Les données d’apprentissage obtenues finalement comprennent différentes données « étiquetées », chaque donnée étiquetée (TH,i, Mk) comprenant :
- l’un des champs de température de haute résolution TH,i, i=1,…,N,
- ainsi qu’une étiquette (c’est-à-dire un label) qui repère, parmi des réponses-types de l’élément d’aube Mk, k=1…P, la réponse-type Mkcorrespondant au champ de température TH,iconsidéré (cette réponse-type étant la réponse-type associée au cluster Ckdans lequel se trouve la réponse mécanique complète, de haute résolution, obtenue en réponse au champ de température TH,ien question).
- one of the high resolution temperature fields T H,i , i=1,…,N,
- as well as a label (that is to say a label) which locates, among the standard responses of the blade element M k , k=1…P, the standard response M k corresponding to the field of temperature T H,i considered (this standard response being the standard response associated with the cluster C k in which is found the complete mechanical response, of high resolution, obtained in response to the temperature field T H,i in question).
L’étiquette en question correspond par exemple à l’indice k qui repère la réponse-type Mk, dans l’ensemble de réponses-types de l’élément d’aube (cette étiquette est par exemple constituée par l’indice en question).The label in question corresponds for example to the index k which identifies the standard response M k , in the set of standard responses of the blade element (this label is for example constituted by the index in question ).
Cet ensemble de données étiquetées (TH,i, Mk), i=1,…,N, sert ensuite à l’entrainement, c’est-à-dire à l’apprentissage du classificateur 2’.This set of labeled data (T H,i , M k ), i=1,…,N, is then used for training, that is to say for learning the classifier 2'.
Il est important de noter que les champs de température TH,isont regroupés en différents clusters Ck, associés chacun à une réponse-type donnée, non pas sur la base d’une similarité entre champs de température, mais sur la base d’une similarité entre lesréponse smécaniques correspondant à ces différents champs de température.It is important to note that the temperature fields T H,i are grouped into different clusters C k , each associated with a given standard response, not on the basis of a similarity between temperature fields, but on the basis of a similarity between the mechanical responses corresponding to these different temperature fields.
Cette distinction est particulièrement importante, car deux champs de température apparemment proches, similaires l’un de l’autre, peuvent en fait conduire à des réponses mécaniques très différentes l’une de l’autre, les interactions entre chargement thermique et mécanique étant complexes et dépendant de la géométrie de l’élément d’aube de turbine.This distinction is particularly important, because two apparently close temperature fields, similar to each other, can in fact lead to very different mechanical responses from each other, the interactions between thermal and mechanical loading being complex. and depending on the geometry of the turbine blade element.
Ainsi, deux champs de température identiques sauf sur une très petite partie de l’élément d’aube peuvent en fait conduire à des réponses mécaniques très différentes l’une de l’autre, si la zone en question est critique d’un point de vue mécanique (par exemple parce qu’elle est mince, ou très sollicitée mécaniquement, ou sujette à des concentrations de contraintes mécaniques – « stress concentration » en anglais). A contrario, deux champs de température qui diffèrent l’un de l’autre sur une zone grande mais peu critique, et qui prennent en revanche les mêmes valeurs au niveau de la zone critique en question, conduiront probablement à des réponses mécaniques similaires alors que ces deux champs de température sont apparemment dissemblables l’un de l’autre.Thus, two identical temperature fields except on a very small part of the blade element can in fact lead to very different mechanical responses from each other, if the zone in question is critical from a point of mechanical view (for example because it is thin, or very stressed mechanically, or subject to concentrations of mechanical stresses – “stress concentration” in English). Conversely, two temperature fields which differ from each other over a large but not very critical zone, and which on the other hand take the same values at the level of the critical zone in question, will probably lead to similar mechanical responses whereas these two temperature fields are apparently dissimilar to each other.
Les données d’apprentissage (TH,i, Mk), construites sur la base d’une similarité entreréponses, permettent donc un entrainement du classificateur qui est beaucoup plus précis et fiable qu’avec des données d’apprentissage qui seraient basées sur une similarité entresollicitations.The training data (T H,i , M k ), constructed on the basis of a similarity between responses , therefore allow training of the classifier which is much more precise and reliable than with training data which would be based on a similarity between requests .
Mais l’obtention des données d’apprentissage (TH,i, Mk) nécessite en revanche un temps de calcul important, puisqu’une simulation numérique (certes à temps court, mais sur un maillage complet) est réalisée pour chaque champ de température de haute résolution TH,i. En pratique, le nombre N de données étiquetées finalement obtenu est donc limité.But obtaining the learning data (T H,i , M k ) requires on the other hand a significant calculation time, since a numerical simulation (certainly in short time, but on a complete mesh) is carried out for each field of high resolution temperature T H,i . In practice, the number N of labeled data finally obtained is therefore limited.
Pour un maillage comprenant environ 40 000 nœuds, l’obtention de seulement 500 données étiquetées nécessite déjà un temps de calcul très important. Et si l’on veut obtenir environ 104données étiquetées, même avec un maillage réduit comprenant seulement quelques milliers de nœuds, il faut plus d’une journée de calcul en parallélisant le calcul sur une cinquantaine de processeurs.For a mesh comprising approximately 40,000 nodes, obtaining only 500 labeled data already requires a very significant computation time. And if one wants to obtain approximately 10 4 labeled data, even with a reduced mesh comprising only a few thousand nodes, more than one day of calculation is required by parallelizing the calculation on about fifty processors.
Dans ce contexte, il serait donc souhaitable de pourvoir obtenir des données d’apprentissage fiables en plus grand nombre, sans trop augmenter le temps de calcul.In this context, it would therefore be desirable to be able to obtain more reliable training data, without increasing the computation time too much.
Différentes techniques d’augmentation de données d’apprentissage existent, en particulier dans le domaine de l’analyse automatique d’images. Une technique connue est basée sur l’application de transformations et déformations diverses à une image donnée. Par exemple, une image représentant une voiture est étirée, retournée, floutée, découpée, etc… pour obtenir des images supplémentaires, qui représentent toujours une voiture.Different techniques for augmenting learning data exist, in particular in the field of automatic image analysis. A known technique is based on the application of various transformations and deformations to a given image. For example, an image representing a car is stretched, flipped, blurred, cropped, etc. to obtain additional images, which always represent a car.
Mais ce type de technique n’est pas applicable au cas considéré ici. En effet, déformer l’un des champs de température TH,iconduirait probablement à un nouveau champ de température donnant une réponse mécanique complètement différente de celle obtenue avec le champ de température initial TH,i(en d’autres termes, l’étiquette ne serait pas préservée, lors d’une telle transformation).But this type of technique is not applicable to the case considered here. Indeed, deforming one of the temperature fields T H,i would probably lead to a new temperature field giving a completely different mechanical response from that obtained with the initial temperature field T H,i (in other words, l label would not be preserved, during such a transformation).
D’autre part, une difficulté est liée à la taille de chaque donnée étiquetée, en elle-même. En effet, pour construire de manière convenable les clusters Cket les réponses-types associées Mk, alors que le comportement mécanique de l’élément d’aube est initialement inconnu, il faut réaliser les simulations mentionnées plus haut (simulations « à temps court ») avec un maillage fin. En effet, on ne dispose pas à l’avance d’information concernant le caractère plus ou moins critique de telle ou telle zone, d’un point de vue thermomécanique. Le champ de température TH,iest donc un champ de température de haute résolution, et la données étiquetée (TH,i, Mk) obtenue ainsi est donc volumineuse et lourde à traiter ensuite.On the other hand, a difficulty is linked to the size of each labeled datum, in itself. In fact, to build the clusters C k and the associated standard responses M k in a suitable manner, while the mechanical behavior of the blade element is initially unknown, the simulations mentioned above must be carried out (“in time” simulations). short”) with a fine mesh. Indeed, we do not have any information in advance concerning the more or less critical character of such and such a zone, from a thermomechanical point of view. The temperature field T H,i is therefore a high resolution temperature field, and the labeled data (T H,i , M k ) obtained in this way is therefore voluminous and cumbersome to process afterwards.
Dans ce contexte, on propose une méthode pour déterminer des données d’apprentissage de base pour l’entrainement d’un classificateur de champs de contrainte,
- dans laquelle des données d’apprentissage de haute résolution rassemblent des champs de contrainte de haute résolution exercés sur un élément d’aube de turbine et, pour chacun de ces champs, une étiquette associée au champ de contrainte considéré, chaque champ de contrainte de haute résolution donnant des valeurs de ladite contrainte en différents nœuds d’un maillage de haute résolution dudit élément d’aube,
- la méthode comprenant une étape de sélection d’un nombre restreint de nœuds du maillage de haute résolution, les nœuds sélectionnés formant un groupe de nœuds pertinents,
- les données d’apprentissage de base rassemblant des champs de contrainte de base qui sont obtenus en restreignant les champs de contrainte de haute résolution audit groupe de nœuds pertinents,
- et dans laquelle une partie au moins desdits nœuds pertinents sont sélectionnés chacun sur la base d’une valeur approchée d’une information mutuelle de redondance entre le nœud considéré et l’un quelconque des autres nœuds dudit maillage, ladite valeur approchée étant déterminée sur base d’une distance spatiale entre les deux nœuds considérés.
- wherein high resolution training data gathers high resolution stress fields exerted on a turbine blade element and, for each of these fields, a label associated with the considered stress field, each high resolution stress field resolution giving values of said stress at different nodes of a high resolution mesh of said blade element,
- the method comprising a step of selecting a restricted number of nodes of the high-resolution mesh, the selected nodes forming a group of relevant nodes,
- the basic training data gathering basic stress fields which are obtained by restricting the high resolution stress fields to said group of relevant nodes,
- and in which at least part of said relevant nodes are each selected on the basis of an approximate value of mutual redundancy information between the node in question and any one of the other nodes of said mesh, said approximate value being determined on the basis of a spatial distance between the two nodes considered.
Les champs de contrainte en question peuvent par exemple être des champs de température, ou des champs de pression exercée sur l’élément d’aube de turbine. Pour la simplicité des explications, les effets techniques obtenus grâce à cette méthode sont présentés ci-dessous dans le cas de champs de température. Mais, comme cela apparaitra à l’homme du métier, cette méthode peut également s’appliquer à d’autres types de contraintes exercées sur l’élément d’aube de turbine, tels qu’une pression exercée sur cet élément, par exemple.The stress fields in question can for example be temperature fields, or pressure fields exerted on the turbine blade element. For the simplicity of the explanations, the technical effects obtained thanks to this method are presented below in the case of temperature fields. But, as will appear to those skilled in the art, this method can also be applied to other types of stresses exerted on the turbine blade element, such as a pressure exerted on this element, for example.
Tenir compte d’une telle information mutuelle de redondance lors de la sélection des nœuds pertinents permet de supprimer une partie importante des nœuds tout en ne perdant qu’une partie minime de l’information contenue initialement dans les champs de température de haute résolution.Considering such mutual redundancy information when selecting the relevant nodes allows to remove a significant part of the nodes while losing only a minimal part of the information initially contained in the high resolution temperature fields.
Mais l’évaluation d’une telle information mutuelle de redondance est très lourde en termes de temps de calcul, à cause du nombre de valeurs à déterminer, égal au nombre de couples de nœuds, pour le maillage de haute résolution, nombre de couples qui varie comme carré du nombre de nœuds du maillage. Calculer chacune de ces valeurs d’information mutuelle de redondance, par un calcul statistique direct, nécessiterait un temps de calcul très important.But the evaluation of such mutual redundancy information is very heavy in terms of computation time, because of the number of values to be determined, equal to the number of pairs of nodes, for the high resolution mesh, number of pairs which varies as the square of the number of mesh nodes. Calculating each of these values of mutual redundancy information, by a direct statistical calculation, would require a very large calculation time.
Déterminer les différentes valeurs d’information mutuelle de redondance simplement à partir de la distance entre les deux nœuds considérés, sous la forme d’une fonction de la distance entre points, est nettement plus rapide. En outre, cela conduit à une estimation certes approchée, mais néanmoins relativement précise de l’information mutuelle de redondance. En effet, en pratique, l’information mutuelle de redondance s’avère bien corrélée avec la distance entre points (comme illustré par la
Le fait que l’information mutuelle de redondance soit bien corrélée avec la distance entre points peut s’expliquer comme suit. Les champs de température, ou plus généralement les champs de contrainte, employés pour des simulations numériques de comportement mécanique d’aubes de turbine sont généralement des champs au moins partiellement aléatoires, à statistique gaussienne. Les températures en deux nœuds j et j’, telles données par cet ensemble de champs, peuvent alors être vus comme des vecteurs aléatoires gaussiens. Et l’on peut monter mathématiquement que l’information mutuelle de redondance
De plus, ces champs de température aléatoire ont généralement des fonctions de corrélation isotropes. La corrélation ρ dépend alors seulement de la distance entre les nœuds considérés, ce qui explique finalement que l’information mutuelle de redondance puisse s’exprimer, au moins de manière approchée, comme une fonction de la seule distance.Moreover, these random temperature fields usually have isotropic correlation functions. The correlation ρ then depends only on the distance between the considered nodes, which ultimately explains why the mutual redundancy information can be expressed, at least in an approximate way, as a function of the distance alone.
Le lien entre information mutuelle de redondance, et distance géométrique entre points, est donc une conséquence du type de champs de température employés (gaussiens, et à fonction de corrélation isotrope). On notera toutefois que cette relation de causalité est en fait assez indirecte. En effet, les champs de température sont généralement obtenus en imposant en surface de l’élément d’aube des champs de température surfaciques de statistique connue, puis en tenant compte de la propagation de la chaleur dans l’élément d’aube de turbine pour obtenir la température en tout point. Le fait que les champs de température volumiques ainsi obtenus aient finalement une statistique conduisant à une bonne corrélation entre information mutuelle de redondance, et distance géométrique entre points, est donc loin d’être direct à première vue.The link between mutual redundancy information, and geometric distance between points, is therefore a consequence of the type of temperature fields used (Gaussian, and with an isotropic correlation function). Note, however, that this causal relationship is in fact quite indirect. Indeed, the temperature fields are generally obtained by imposing surface temperature fields of known statistics on the surface of the blade element, then taking into account the propagation of heat in the turbine blade element to get the temperature at any point. The fact that the volumetric temperature fields thus obtained finally have a statistic leading to a good correlation between mutual redundancy information, and geometric distance between points, is therefore far from direct at first sight.
La méthode qui vient d’être présenté est mise en œuvre par un ordinateur ou tout système informatique capable d’exécuter des opérations logiques.The method that has just been presented is implemented by a computer or any computer system capable of executing logical operations.
Outre les caractéristiques mentionnées ci-dessus, la méthode qui vient d’être présentée peut présenter une ou plusieurs des caractéristiques complémentaires suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles :
- ladite contrainte exercée sur l’élément d’aube de turbine est une température exercée sur cet élément, les champs de contrainte de haute résolution et les champs de contrainte de base étant respectivement des champs de température de haute résolution et des champs de température de base ;
- l’information mutuelle de redondance entre les deux nœuds considérés est représentative d’un niveau de redondance d’information entre :
- les valeurs de ladite contrainte au premier des deux nœuds, telles que données par l’ensemble des champs de contrainte de haute résolution, et
- les valeurs de ladite contrainte au deuxième des deux nœuds, telles que données par l’ensemble des champs de contrainte de haute résolution ;
- la méthode comprend une étape de calibration qui comporte les étapes suivantes :
- pour chaque couple de nœuds d’un sous-ensemble regroupant une partie des nœuds du maillage de haute résolution :
- détermination d’une valeur de référence de l’information mutuelle de redondance entre les deux nœuds considérés, par calcul statistique sur la base des valeurs de ladite contrainte, au niveau de ces deux nœuds, telles que données par les différents champs de contrainte de haute résolution, et
- calcul de la distance spatiale séparant les deux nœuds considérés,
- ajustement d’une courbe, de manière à ce qu’elle soit représentative d’un lien entre lesdites valeurs de référence de l’information mutuelle de redondance, et les distances spatiales correspondantes ;
- pour chaque couple de nœuds d’un sous-ensemble regroupant une partie des nœuds du maillage de haute résolution :
- la valeur approchée de l’information mutuelle de redondance entre deux nœuds du réseau est la valeur donnée par ladite courbe, pour la distance spatiale séparant les deux nœuds considérés ;
- pour chaque champ de contrainte de haute résolution, l’étiquette associée au champ de contrainte de haute résolution considéré repère une réponse-type, représentative d’une réponse mécanique attendue pour ledit élément d’aube en réponse audit champ de contrainte de haute résolution, parmi différentes réponses-types dudit élément d’aube de turbine ;
- chaque nœud pertinent est sélectionné en outre sur la base d’un degré de pertinence de la valeur de ladite contrainte au nœud considéré, vis-à-vis du comportement mécanique dudit élément d’aube, ledit degré de pertinence étant représentatif d’un niveau de dépendance entre, d’une part, l’étiquette associée au champ de contrainte de haute résolution considéré, et, d’autre part, la valeur de ladite contrainte au nœud considéré pour ce champ de contrainte ;
- le groupe de nœuds pertinents contient initialement un premier nœud, qui est le nœud du maillage de haute résolution ayant le plus grand degré de pertinence, et l’on exécute ensuite une étape d’ajout, au cours de laquelle on ajoute un nœud supplémentaire au groupe de nœuds pertinents, le nœud supplémentaire étant sélectionné, parmi les nœuds dudit maillage qui ne font pas encore partie dudit groupe, de manière à maximiser une quantité égale : au degré de pertinence du nœud considéré, moins un niveau de redondance moyen entre ce nœud et les nœuds déjà présents dans le groupe de nœuds pertinents, l’étape d’ajout étant ensuite exécutée à nouveau plusieurs fois ;
- le niveau de redondance moyen, entre le nœud considéré et les nœuds déjà présents dans groupe de nœuds pertinents, est égal à la moyenne arithmétique des valeurs approchées de l’information mutuelle de redondance entre ledit nœud et les nœuds déjà présents dans groupe de nœuds pertinents, le nœud supplémentaire, ajouté au groupe de nœuds pertinents, étant le nœud qui maximise la quantité suivante :
- la méthode comprend en outre une étape d’augmentation de données au cours de laquelle des données d’apprentissage supplémentaires sont déterminées à partir desdites données d’apprentissage de base, chaque champs de contrainte de base étant assorti d’une étiquette du champs de contrainte de haute résolution correspondant, l’étape d’augmentation de données comprenant les étapes suivantes :
- former au moins un sous-ensemble pur, qui regroupe des champs de contrainte de base associés à une même réponse-type de l’élément d’aube de turbine, et qui a une enveloppe convexe ne contenant aucun champ de contrainte de base qui soit associé à une autre réponse-type dudit élément,
- pour l’un au moins desdits sous-ensembles purs, détermination d’une ou plusieurs données d’apprentissage supplémentaires, chaque donnée d’apprentissage supplémentaire comprenant un champ de contrainte supplémentaire, obtenu par combinaison linéaire de champs de contraintes de base du sous-ensemble pur considéré, affectés de coefficients de pondérations positifs et normalisés à 1, le champ de contrainte supplémentaire étant assorti d’une étiquette qui est la même que pour les champs de contraintes de base de ladite combinaison ;
- l’étape de formation d’un ou plusieurs sous-ensembles purs comprend, pour chacun de ces sous-ensembles, une étape de test de pureté du sous-ensemble considéré, au cours de laquelle on vérifie qu’aucun champ de contrainte de base associé à une réponse-type différente de la réponse-type commune aux champs de contrainte de base du sous-ensemble considéré, n’est situé à l’intérieur de l’enveloppe convexe dudit sous-ensemble ;
- chaque champ de contrainte base regroupe un ensemble de valeurs de ladite contrainte en différents nœuds d’un maillage donné comprenant un nombre total de nœuds Q, et pour chaque champ de contrainte de base, un sous-champ de contrainte associé est obtenu par projection du champ de contrainte de base sur un sous-espace comportant un nombre de degrés le liberté inférieur à Q, et au cours de l’étape de test de pureté :
- on exécute un test par projection, au cours duquel on détermine si, pour lessous-champs de contrainte associés aux champs de contrainte de base du sous-ensemble à tester, une enveloppe convexe de l’ensemble regroupant cessous-champs de contrainte ne contient aucunsous-champ de contrainte associé à l’un des champs de contrainte de base pour lesquels la réponse-type est différente de réponse-type commune aux champs de contrainte de base du sous-ensemble à tester,
- et, lorsque le résultat de ce test par projection est positif, on détermine que le sous-ensemble de champs de contrainte considéré est pur.
- said stress exerted on the turbine blade element is a temperature exerted on this element, the high resolution stress fields and the basic stress fields being respectively high resolution temperature fields and basic temperature fields ;
- the mutual redundancy information between the two nodes considered is representative of an information redundancy level between:
- the values of said stress at the first of the two nodes, as given by the set of high resolution stress fields, and
- the values of said stress at the second of the two nodes, as given by the set of high resolution stress fields;
- the method includes a calibration step which includes the following steps:
- for each pair of nodes of a subset grouping part of the nodes of the high resolution mesh:
- determination of a reference value of the mutual redundancy information between the two nodes under consideration, by statistical calculation on the basis of the values of said constraint, at the level of these two nodes, as given by the various high constraint fields resolution, and
- calculation of the spatial distance separating the two nodes considered,
- adjustment of a curve, so that it is representative of a link between said reference values of the mutual redundancy information, and the corresponding spatial distances;
- for each pair of nodes of a subset grouping part of the nodes of the high resolution mesh:
- the approximate value of the mutual redundancy information between two nodes of the network is the value given by said curve, for the spatial distance separating the two nodes considered;
- for each high-resolution stress field, the label associated with the considered high-resolution stress field identifies a standard response, representative of an expected mechanical response for said blade element in response to said high-resolution stress field, among different typical responses of said turbine blade element;
- each relevant node is further selected on the basis of a degree of relevance of the value of said stress at the node considered, with respect to the mechanical behavior of said blade element, said degree of relevance being representative of a level of dependence between, on the one hand, the label associated with the high-resolution stress field considered, and, on the other hand, the value of said stress at the node considered for this stress field;
- the group of relevant nodes initially contains a first node, which is the node of the high resolution mesh having the greatest degree of relevance, and then an addition step is executed, during which an additional node is added to the group of relevant nodes, the additional node being selected, from among the nodes of said mesh which are not yet part of said group, so as to maximize a quantity equal to: the degree of relevance of the node considered, minus an average level of redundancy between this node and the nodes already present in the group of relevant nodes, the adding step then being executed again several times;
- the average level of redundancy, between the node considered and the nodes already present in the group of relevant nodes, is equal to the arithmetic mean of the approximate values of the mutual redundancy information between said node and the nodes already present in the group of relevant nodes , the additional node, added to the group of relevant nodes, being the node which maximizes the following quantity:
- the method further comprises a data augmentation step in which additional training data is determined from said basic training data, each basic stress field being provided with a label of the stress field corresponding high resolution, the step of increasing data comprising the following steps:
- form at least one pure subassembly, which groups together basic stress fields associated with the same typical response of the turbine blade element, and which has a convex hull containing no basic stress field which is associated with another standard response of said element,
- for at least one of said pure subsets, determination of one or more additional training data, each additional training data comprising an additional stress field, obtained by linear combination of basic stress fields of the sub- pure set considered, assigned positive weighting coefficients and normalized to 1, the additional stress field being matched with a label which is the same as for the basic stress fields of said combination;
- the step of forming one or more pure subsets comprises, for each of these subsets, a step of testing the purity of the subset considered, during which it is checked that no basic stress field associated with a response-type different from the response-type common to the basic stress fields of the considered subset, is located inside the convex hull of said subset;
- each base stress field groups together a set of values of said stress at different nodes of a given mesh comprising a total number of nodes Q, and for each base stress field, an associated stress sub-field is obtained by projection of the basic stress field on a subspace with a number of degrees of freedom less than Q, and during the purity test step:
- a projection test is carried out, during which it is determined whether, for the stress sub -fields associated with the basic stress fields of the subset to be tested, a convex hull of the set grouping these stress sub -fields does not contains no stress sub- field associated with one of the basic stress fields for which the standard response is different from the standard response common to the basic stress fields of the subset to be tested,
- and, when the result of this test by projection is positive, it is determined that the subset of stress fields considered is pure.
L’invention concerne aussi une méthode de simulation numérique de la réponse mécanique d’un élément d’aube de turbine soumis à un champ de contrainte TRdonné comprenant :
- une phase préalable d’entrainement comportant :
- une détermination de données d’apprentissage de base, ou une détermination de données d’apprentissage de base et de données d’apprentissage supplémentaires conformément à la revendication, expliqué ci-dessus,
- l’entrainement d’un classificateur de champs de contrainte sur la base desdites données d’apprentissage de base, ou sur la base desdites données d’apprentissage de base et desdites données d’apprentissage supplémentaires, et
- une phase d’utilisation comprenant les étapes suivantes :
- identification de l’une des réponses-types dudit élément d’aube par le classificateur de champs de contrainte recevant en entrée ledit champ de contrainte,
- et simulation numérique de la réponse mécanique dudit élément d’aube, soumis audit champ de contrainte, conformément au modèle de comportement mécanique simplifié défini par la réponse-type précédemment identifiée par le classificateur.
- a preliminary training phase comprising:
- a determination of basic training data, or a determination of basic training data and additional training data according to the claim, explained above,
- training a stress field classifier based on said basic training data, or based on said basic training data and said additional training data, and
- a use phase comprising the following steps:
- identification of one of the standard responses of said blade element by the stress field classifier receiving said stress field as input,
- and digital simulation of the mechanical response of said blade element, subjected to said stress field, in accordance with the simplified mechanical behavior model defined by the standard response previously identified by the classifier.
L’invention concerne aussi un dispositif électronique comprenant au moins un processeur et une mémoire, programmé pour déterminer des données d’apprentissage de base, ou pour déterminer des données d’apprentissage de base et des données d’apprentissage supplémentaires conformément à la méthode décrite plus haut.The invention also relates to an electronic device comprising at least one processor and one memory, programmed to determine basic learning data, or to determine basic learning data and additional learning data in accordance with the method described upper.
L’invention concerne également un dispositif électronique comprenant au moins un processeur et une mémoire, programmé pour exécuter la méthode de simulation numérique qui vient d’être présentée.The invention also relates to an electronic device comprising at least one processor and one memory, programmed to execute the digital simulation method which has just been presented.
L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.The invention and its various applications will be better understood on reading the following description and examining the accompanying figures.
BREVE DESCRIPTION DES FIGURESBRIEF DESCRIPTION OF FIGURES
Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.The figures are presented for information only and in no way limit the invention.
DESCRIPTION DETAILLEEDETAILED DESCRIPTION
L’exemple de réalisation décrit ci-dessous correspond à un cas dans lequel la contrainte exercée sur l’élément d’aube de turbine considéré est une température exercée sur cet élément (en différents points de cet élément). Dans d’autres modes réalisation, la contrainte en question pourrait être d’un autre type. Il pourrait par exemple s’agir d’une pression exercée, sur cet élément d’aube, par un fluide s’écoulant dans la turbine.The embodiment described below corresponds to a case in which the stress exerted on the turbine blade element considered is a temperature exerted on this element (at different points of this element). In other embodiments, the constraint in question could be of another type. It could, for example, be a pressure exerted on this blade element by a fluid flowing in the turbine.
La
- une étape S0 de sélection de variables, et
- une étape A0 s’augmentation de données.
- a variable selection step S0, and
- a step A0 increases data.
L’étape 10 de la
L’étape S0 de sélection de variables est une étape au cours de laquelle on détermine, pour chaque champ de température de haute résolution TH,i, un champ de température de base Ticorrespondant, le champ de température de base Tidonnant des valeurs de température en différents nœuds d’un maillage simplifié qui comprenant moins de nœuds que le maillage de haute résolution. Ce maillage simplifié est constitué par un groupe de nœuds pertinentsS, sélectionnés parmi les différents nœuds du maillage de haute résolution. Ce maillage simplifié peut par exemple comprendre un nombre Q de nœuds 100 fois, voire 400 fois plus petit que le nombre de nœuds QHdu maillage de haute résolution.The variable selection step S0 is a step during which, for each high resolution temperature field T H,i , a corresponding base temperature field T i is determined, the base temperature field T i giving temperature values at different nodes of a simplified mesh which includes fewer nodes than the high resolution mesh. This simplified mesh is constituted by a group of relevant nodes S , selected among the various nodes of the high resolution mesh. This simplified mesh can for example comprise a number Q of nodes 100 times, or even 400 times smaller than the number of nodes Q H of the high resolution mesh.
Le maillage simplifié est déterminé ici de manière à ce que les champs de température de base Ti, nettement simplifiés par rapport aux champs de température de haute résolution TH,i, soient néanmoins les plus pertinents possibles du point de vue de la réponse thermomécanique de l’élément 1’ ; 1 d’aube de turbine dont on veut simuler le comportement.The simplified mesh is determined here so that the basic temperature fields T i , clearly simplified compared to the high resolution temperature fields T H,i , are nevertheless the most relevant possible from the point of view of the thermomechanical response of element 1'; 1 of turbine blade whose behavior we want to simulate.
L’étape S0 permet ainsi d’obtenir un ensemble de données d’apprentissage de base (Ti, Mk), qui rassemblent les champs de température de base Tien question assortis chacun de leur étiquette, cette étiquette étant la même que pour le champ de température de haute résolution TH,Iqui a été « compressé » sous la forme du champ de température de base Ticonsidéré.Step S0 thus makes it possible to obtain a set of basic learning data (T i , M k ), which gather together the basic temperature fields T i in question each matched with their label, this label being the same as for the high resolution temperature field T H,I which has been “compressed” in the form of the basic temperature field T i considered.
Ensuite, au cours de l’étape A0 d’augmentation de données, on détermine des données d’apprentissage supplémentaires (T’i, Mk), à partir des données d’apprentissage de base (Ti, Mk). Les données d’apprentissage supplémentaires (T’i, Mk) rassemblent des champs de température supplémentaires T’i, assorti chacun d’une étiquette qui repère l’une des réponses-types M1,…Mk,…,MPde l’élément d’aube de turbine.Then, during step A0 of increasing data, additional training data (T′ i , M k ) are determined from the basic training data (T i , M k ). The additional training data (T' i , M k ) gather additional temperature fields T' i , each with a label that identifies one of the standard responses M 1 ,…M k ,…,M P of the turbine blade element.
Ensuite, à l’étape 20, on entraine le classificateur de champs de température avec les données d’apprentissage de base (Ti, Mk) et les données d’apprentissage supplémentaires (T’i, Mk) obtenues précédemment.Then, in step 20, the temperature field classifier is trained with the basic training data (T i , M k ) and the additional training data (T′ i , M k ) obtained previously.
Dans la suite, on décrit plus en détail l’étape S0 de sélection de variables, en référence aux figures 5 à 8. L’étape A0 d’augmentation de données est présentée ensuite, en référence aux figures 9 à 13.In the following, variable selection step S0 is described in more detail, with reference to Figures 5 to 8. Data increase step A0 is then presented, with reference to Figures 9 to 13.
Etape S0 : sélection de variablesStep S0: selection of variables
La
L’encart (c) de la
Ici, les nœuds pertinents sont sélectionnés :
- sur la base d’une information mutuelle deredondanceIj,j ’ entre nœuds, et
- sur la base d’un degré depertinence
- on the basis of mutual information fromredundancyInot a word ' between nodes, and
- based on a degree ofrelevance
L’information mutuelle de redondance Ij,j ’est représentative d’un niveau de redondance d’information entre la valeur de température en un premier nœud j du maillage de haute résolution, et la valeur de température en un deuxième nœud j’ de ce maillage, pour la distribution de champs de température correspondant à l’ensemble des champs de température de haute résolution.The mutual redundancy information I j,j ' is representative of an information redundancy level between the temperature value at a first node j of the high-resolution mesh, and the temperature value at a second node j' of this mesh, for the distribution of temperature fields corresponding to the set of high resolution temperature fields.
Les nœuds pertinents sont sélectionnés de manière à avoir un degré de pertinence élevé, tout en étant peu redondants avec les nœuds déjà sélectionnés, faisant déjà partie du groupe de nœuds pertinentsS.The relevant nodes are selected so as to have a high degree of relevance, while being little redundant with the nodes already selected, already belonging to the group of relevant nodes S .
Pour cela, on forme le groupe de nœuds pertinentsScomme suit. On intègre tout d’abord au groupe de nœuds pertinentsSun premier nœud, qui est le nœud j du maillage de haute résolution ayant le plus grand degré de pertinence
- parmi les nœuds du maillage de haute résolution qui ne font pas encore partie dudit groupe, et
- de manière à maximiser une quantité égale au degré de pertinence
- among the nodes of the high-resolution mesh that are not yet part of said group, and
- so as to maximize a quantity equal to the degree of relevance
Plus précisément, le nœud supplémentaire, ajouté au groupe de nœuds pertinentsSlors de l’étape d’ajout, est le nœud i qui maximise la quantité suivante :
Ici, les itérations de l’étape d’ajout de nœud cessent lorsque la quantité ci-dessus n’évolue plus notablement, au cours de quelques itérations successives. Par exemple, si cette quantité n’a pas varié de plus 5% (en valeur relative) au cours des 5 dernières itérations, on cesse de répéter cette étape d’ajout.Here, the iterations of the node addition step cease when the above quantity no longer evolves noticeably, during a few successive iterations. For example, if this quantity has not varied by more than 5% (in relative value) during the last 5 iterations, we stop repeating this addition step.
En variante, on pourrait aussi cesser de répéter cette étape d’ajout lorsque la quantité en question ne diminue plus notablement d’une itération de l’étape à l’autre. On pourrait aussi prévoir de stopper les itérations lorsque la quantité en question devient inférieure à un seuil donné, ou lorsqu’un nombre d’itération fixé préalablement est atteint. On pourrait encore prévoir de stopper les itérations lorsque l’information de pertinence
Comme déjà indiqué, l’information mutuelle de redondance Ij,j ’est représentative du niveau de redondance d’information entre la valeur de température Tjen un premier nœud j du maillage de haute résolution, et la valeur de température Tj’en un deuxième nœud j’ de ce maillage. Plus précisément, cette information mutuelle de redondance, qui traduit une interdépendance plus ou moins grande entre les températures Tjet Tj ’, est définie par la relation suivante :
- le domaine d’intégration estR 2,
-
-
-
- the domain of integration isR 2,
-
-
-
Quant au degré de pertinence
- d’une part, le numéro de l’étiquette (i.e . : l’indice k repérant la réponse-type appropriée), associée à un champ de température de haute résolution donné, et,
- d’autre part, la valeur de température au nœud j, donné par ce champ de température.
- on the one hand, the number of the label (ie .: the index k identifying the appropriate standard response), associated with a given high resolution temperature field, and,
- on the other hand, the temperature value at node j, given by this temperature field.
Le degré de pertinence
- le domaine d’intégration estR,
-
-
-
-
- the domain of integration isR,
-
-
-
-
Le degré de pertinence
Ces fonctions de probabilités peuvent par exemple être estimées, pour la distribution (discrète) de champs de température et d’étiquettes constituée par l’ensemble des champs de température de haute résolution TH, 1, … , TH,N, assortis de leurs étiquettes, par des techniques de « binning » (c’est-à-dire par des techniques d’échantillonnage).These probability functions can for example be estimated, for the (discrete) distribution of temperature fields and labels constituted by the set of high resolution temperature fields TH, 1, … , TH,N, accompanied by their labels, by “binning” techniques (i.e. by sampling techniques).
A titre d’exemple, l’article suivant décrit une telle technique de « binning », susceptible d’être employée pour calculer une telle l’information mutuelle de redondance à partir de données discrètes : « Estimating mutual information », A. Kraskov, H. Stögbauer, et P. Grassberger, Phys. Rev. E 69, 066138 – 23 Juin 2004; Erratum: Phys. Rev. E 83, 019903 (2011).By way of example, the following article describes such a “binning” technique, which can be used to calculate such mutual redundancy information from discrete data: “Estimating mutual information”, A. Kraskov, H. Stögbauer, and P. Grassberger, Phys. Rev. E 69, 066138 – June 23, 2004; Erratum: Phys. Rev. E 83, 019903 (2011).
Quoiqu’il en soit, une détermination de l’information mutuelle de redondance Ij,j ’entre deux nœuds j et j’, par un tel calcul statistique basé sur les valeurs de température Tj H,1, …, Tj H,N, et Tj’ H,1, …, Tj’ H,Nau niveau de ces deux nœuds, est consommateur en terme de temps de calcul.Be that as it may, a determination of the mutual redundancy information I j,j ' between two nodes j and j', by such a statistical calculation based on the temperature values T j H,1 , …, T j H ,N , and T j' H,1 , …, T j' H,N at the level of these two nodes, is consuming in terms of computation time.
Et le nombre de termes Ij,j’ à calculer est très grand puisqu’il s’agit du nombre de couples regroupant deux nœuds quelconques j, j’ du maillage de haute résolution. Dans l’exemple numérique correspondant à la
Aussi, pour réduire le temps de calcul nécessaire à l’évaluation de l’information mutuelle de redondance Ij,j ’entre nœuds, plutôt que de la déterminer par calcul statistique direct (ce qui serait très long), on détermine ici une valeur approchée
En d’autres termes, on considère ici que l’information mutuelle de redondance Ij,j ’peut s’exprimer, à une bonne approximation près, sous la forme d’une fonction de la distance dj,j ’en question :
La fonction à une variable
L’étape de calibration S11 comprend les étapes suivantes :
- S12 : pour chaque couple de nœuds (j, j’) d’un sous-ensemble regroupant une partie des nœuds du maillage de haute résolution :
- détermination d’une valeur de référence
- calcul de la distance dj,j ’spatiale séparant les deux nœuds j et j’ considérés, puis
- détermination d’une valeur de référence
- S13 : ajustement de la courbe
- S12: for each pair of nodes (j, j') of a subset grouping part of the nodes of the high resolution mesh:
- determination of a reference value
- calculation of the spatial distance d j,j ' separating the two nodes j and j' considered, then
- determination of a reference value
- S13: curve fitting
Le sous-ensemble de nœuds, pour lequel on calcule l’information mutuelle de redondance de manière « exacte », peut comprendre un nombre de nœuds compris par exemple entre un millième et un vingtième du nombre total QHde nœuds du maillage de haute résolution.The subset of nodes, for which the mutual redundancy information is calculated “exactly”, can comprise a number of nodes comprised for example between one thousandth and one twentieth of the total number Q H of nodes of the high-resolution mesh .
La courbe
La figure 6 montre des valeurs de référence
Dans cet exemple, environ 750 valeurs de référence
Comme on peut le voir sur cet exemple, l’information mutuelle de redondance Ij,j ’est bien corrélée à la distance dj,j ’, et peut effectivement s’exprimer, en bonne approximation, sous la forme d’une fonction
Cette propriété, exploitée ici de manière particulièrement intéressante, peut s’expliquer comme suit. Les champs de température employés pour des simulations numériques de comportement mécanique d’aubes de turbine sont généralement des champs au moins partiellement aléatoires, à statistique gaussienne (c’est notamment le cas pour les champs de température de haute résolution employés ici). Les températures en deux nœuds j et j’, telles données par cet ensemble de champs, peuvent alors être vus comme des vecteurs aléatoires gaussiens. Et l’on peut monter mathématiquement que l’information mutuelle de redondance
De plus, ces champs de température aléatoire ont généralement des fonctions de corrélation isotropes. La corrélation ρ dépend alors seulement de la distance djj ’entre les nœuds considérés, ce qui explique finalement que l’information mutuelle de redondance Ij,j ’puisse s’exprimer comme une fonction de la seule distance djj ’.Moreover, these random temperature fields usually have isotropic correlation functions. The correlation ρ then depends only on the distance d jj ' between the considered nodes, which finally explains why the mutual redundancy information I j,j ' can be expressed as a function of the distance d jj ' only.
Quoiqu’il en soit, à l’issu de l’étape de calibration S11, la courbe
Le degré de pertinence
Ensuite, lors d’une étape S15, le groupe de nœuds pertinentsSest déterminé, comme expliqué plus haut, en sélectionnant les nœuds pertinents sur la base du degré de pertinence et de l’information mutuelle de redondance. Lors de la croissance progressive du groupe de nœuds pertinentsS, le nœud supplémentaire ajouté au nœuds déjà présents dans ce groupe est le nœud i qui maximise la quantité suivante :
Comme déjà indiqué, l’encart (c) de la
L’encart (a) de la
L’encart (b) de la
La technique de sélection présentée plus haut, basée sur un degré de pertinence corrigé de la redondance conduit quant à elle à une répartition de nœuds (encart (c)), qui, par rapport à la répartition homogène de l’encart (a), est plus dense au niveau du rétrécissement central, tout en couvrant l’ensemble de cette pièce (contrairement à la sélection par filtre univarié).The selection technique presented above, based on a degree of relevance corrected for redundancy, leads to a distribution of nodes (inset (c)), which, compared to the homogeneous distribution of inset (a), is denser at the central constriction, while covering the whole of this part (unlike the selection by univariate filter).
La degré de pertinence global D du groupe de nœuds pertinentsS,S’ etS’’, et son niveau de redondance global R sont donnés ci-dessous, pour ces trois techniques de sélection :
- (a) : répartition purement géométrique ; D=0,009 et R=0,1072 ;
- (b) : sélection par filtre univarié ; D=0,0671 et R=0,8129 ;
- (c) : maximisation de la pertinence tout en minimisant la redondance ; D=0,046 et R=0,1111.
- (a): purely geometric distribution; D=0.009 and R=0.1072;
- (b): selection by univariate filter; D=0.0671 and R=0.8129;
- (c): maximizing relevance while minimizing redundancy; D=0.046 and R=0.1111.
Une répartition purement géométrique conduit donc à une redondance R faible, mais, aussi, à une pertinence D faible.A purely geometric distribution therefore leads to low redundancy R, but also to low relevance D.
La sélection par filtre univarié conduit à une pertinence D élevée, mais à une redondance R élevée.Univariate filter selection leads to high relevance D, but high redundancy R.
Quant à la sélection par maximisation de la pertinence et minimisation de la redondance, elle conduit à la fois à une pertinence D élevée et à une redondance R faible.As for selection by maximizing relevance and minimizing redundancy, it leads to both high relevance D and low redundancy R.
Le degré de pertinence global D d’un groupe de nœuds pertinents donné ci-dessus, est défini par la formule suivante :
Le niveau de redondance global R d’un groupe de nœuds pertinents est défini quant à lui par la formule suivante :
Pour la méthode de détermination de données d’apprentissage décrite ici, la technique de sélection, employée lors de l’étape de sélection de variables S0, est la technique (c), de maximisation de la pertinence tout en minimisant la redondance.For the training data determination method described here, the selection technique used during the variable selection step S0 is technique (c), of maximizing relevance while minimizing redundancy.
En variante, une autre technique de sélection, par exemple par filtre univarié ou par répartition purement géométrique, pourrait toutefois être employée lors de l’étape S0.As a variant, another selection technique, for example by univariate filter or by purely geometric distribution, could however be used during step S0.
Quoiqu’il en soit, à l’issu de l’étape de sélection de variables, on dispose d’un ensemble de champs de température de base T1 ,…,Ti,…,TN, assortis de leurs étiquettes, moins volumineux que les champs de température de haute résolution TH,1,…,TH,i,…,TH,Ninitiaux.Be that as it may, at the end of the variable selection step, we have a set of basic temperature fields T1 ,…,TI,…,TNOT, together with their labels, less voluminous than the high resolution temperature fields TH,1,…,TH,i,…,TH,Ninitials.
Lors de l’étape suivant A0, des données d’apprentissage supplémentaires sont déterminées, par augmentation de données, à partir de ces données d’apprentissage de base.During the next step A0, additional learning data is determined, by data augmentation, from these basic learning data.
EtAnd ape A0ape A0 :: augmentation de donnéesdata increase
L’étape A0 d’augmentation de données comprend les étapes suivantes (
- Etape A1 : former différents sous-ensembles pur Sl, et
- Etape A2 : au sein de chaque sous-ensemble pur, déterminer des données d’apprentissages supplémentaires par combinaisons linéaires convexes.
- Step A1: form different pure subsets S l , and
- Step A2: within each pure subset, determine additional learning data by convex linear combinations.
A l’étape A1, chaque sous-ensemble pur Slest formé de manière :
- à regrouper des champs de température de base Tiqui sont associés à une même réponse-type Mkde l’élément d’aube de turbine (i.e. : qui appartiennent à un même cluster Ck),
- et de manière à avoir une enveloppe convexe Elqui ne contient aucun champ de température de base Tiqui soit associé à une autre réponse-type Mk ’, k’≠k, de l’élément d’aube de turbine (c’est-à-dire aucun champ de température de base Tiétrangers, appartenant à un autre cluster que le cluster Ck).
- to group basic temperature fields T i which are associated with the same standard response M k of the turbine blade element (ie: which belong to the same cluster C k ),
- and so as to have a convex hull E l which does not contain any base temperature field T i which is associated with another typical response M k ' , k'≠k, of the turbine blade element (c ie no extraneous basic temperature field T i , belonging to a cluster other than the cluster C k ).
Puis, au cours de l’étape A2, pour chaque sous-ensemble Sl, on détermine différentes données d’apprentissage supplémentaires, chaque donnée d’apprentissage supplémentaire comprenant :
- l’un des champs de température supplémentaires T’ien question, qui est obtenu par combinaison linéaire des champs de températures de base Tidu sous-ensemble pur Slconsidéré, affectés de coefficients de pondérations positifs et normalisés à 1, et
- une étiquette (constituée par exemple par l’indice k repérant la réponse-type Mk), qui est la même que pour les champs de températures de base Tiqui ont servi à obtenir ce champs de température supplémentaire T’i.
- one of the additional temperature fields T' i in question, which is obtained by linear combination of the basic temperature fields T i of the pure subset S l considered, assigned positive weighting coefficients and normalized to 1, and
- a label (consisting for example of the index k identifying the standard response M k ), which is the same as for the basic temperature fields T i which were used to obtain this additional temperature field T′ i .
L’étape A1, de formation des sous-ensembles purs Sl, l=1..M, est maintenant décrite plus en détail. Cette étape comprend les étapes suivantes :
- Etape A10 : parmi les champs de température de base Tiappartenant à un même cluster Ck, sélection de « graines » SDl, l=1…M, pour la croissance ultérieure des sous-ensembles purs Sl,
- Etape A11 : pour chaque graines SDl, formation d’un sous-ensemble Sl, contenant initialement ladite graine, et que l’on fait croitre jusqu’à ce que sa pureté soit perdue.
- Step A10: among the basic temperature fields T i belonging to the same cluster C k , selection of “seeds” SD l , l=1…M, for the subsequent growth of the pure subsets S l ,
- Step A11: for each seed SD 1 , formation of a subset S 1 , initially containing said seed, and which is grown until its purity is lost.
L’étape A10 de sélection des graines est présentée tout d’abord, et l’étape de croissance A11, qui comprend un test de pureté spécifique, est décrite ensuite.The seed selection step A10 is presented first, and the growth step A11, which includes a specific purity test, is described next.
Etape A10 : sélection des grainesStep A10: selection of seeds
Chaque graine SDlest constituée par l’un des champs de température de base Ti appartenant au cluster Ckconsidéré, judicieusement sélectionné.Each seed SD l is constituted by one of the basic temperature fields Ti belonging to the cluster C k considered, judiciously selected.
Ici, les graines SDlsont choisies, au sein du cluster considéré Ck, de manière à être en quelque sorte éloignées des frontières du cluster. Plus précisément,elles sont choisies de manière à être éloignée s un minimum des champs de température de base appartenant aux autres clusters C k ’ , k’≠k. Cet éloignement est un éloignement au sens de la distance δijdécrite plus haut (dans la partie relative à l’arrière-plan technologique général), c’est-à-dire à dire un éloignement qui traduit une dissimilarité des réponses mécaniques, obtenues respectivement pour les deux champs de températures de base Ti, Tjconsidérés (dissimilarité de comportements mécaniques).Here, the seeds SD l are chosen, within the considered cluster C k , so as to be somewhat distant from the boundaries of the cluster. More precisely, they are chosen so as to be at least s far from the basic temperature fields belonging to the other clusters C k ' , k' ≠k. This distance is a distance in the sense of the distance δ ij described above (in the part relating to the general technological background), that is to say a distance which translates a dissimilarity of the mechanical responses, obtained respectively for the two basic temperature fields T i , T j considered (dissimilarity of mechanical behavior).
Ainsi, dans chaque cluster Ck, les graines SDlsont sélectionnées de manière à présenter, vis-à-vis des différents champs de température de base Ti ’des autres cluster Ck ’, k’≠k, une dissimilarité δi,i ’de réponse mécanique supérieure à un seuil δ1donné.Thus, in each cluster C k , the seeds SD l are selected so as to present, with respect to the different basic temperature fields T i ' of the other clusters C k ' , k'≠k, a dissimilarity δ i ,i ' of mechanical response greater than a given threshold δ 1 .
Dans chaque cluster, il est intéressant de choisir ainsi des graines éloignées des champs de température de base des autres clusters Ck ’, car elles sont propices à la croissance ultérieure d’un sous-ensemble pur Sl. En effet, grâce à cet éloignement, ce sous-ensemble pourra croitre un minimum en taille avant qu’un champ de température de base, appartenant à un autre cluster Ck ’ne se retrouve dans son enveloppe convexe El.In each cluster, it is interesting to thus choose seeds far from the basic temperature fields of the other clusters C k ' , because they are favorable to the subsequent growth of a pure subset S l . Indeed, thanks to this distance, this subset will be able to grow a minimum in size before a basic temperature field, belonging to another cluster C k ', is found in its convex envelope E l .
Plus généralement, cet éloignement limite le risque que l’enveloppe convexe El du sous-ensemble Sl n’englobe, dans l’espace des champs de température, une partie d’un autre Cluster Ck’, que cette partie contienne un champ de température de base, ou non. En d’autres termes, pour l’exemple de la
Par ailleurs, dans chaque cluster Ck,les graines sont choisies de manière à ne pas être trop isoléesdes autres champs de température de base de ce même cluster, pour que la graine soit propice à une croissance ultérieure d’un sous-ensemble. Plus précisément, chaque graine est choisie de manière à ce qu’au moins un autre champ de température de base du même cluster Cksoit situé à une « distance » δijde la graine qui soit inférieure à un seuil δ2donné (autrement dit, qui présente, avec la graine considérée une dissimilarité δijde réponse mécanique inférieure au seuil δ2en question).Furthermore, in each cluster C k , the seeds are chosen so as not to be too isolated from the other basic temperature fields of this same cluster, so that the seed is conducive to subsequent growth of a subset. More precisely, each seed is chosen so that at least one other base temperature field of the same cluster C k is located at a “distance” δ ij from the seed which is less than a given threshold δ 2 (otherwise said, which presents, with the seed considered, a dissimilarity δ ij of mechanical response lower than the threshold δ 2 in question).
Pour obtenir des graines qui ne sont pas trop isolées par rapport aux autres champs de température de base de leur cluster Ck, et qui n’ont pas de voisins proches appartenant à un cluster étranger Ck ’, on commence par sélectionner, sous la forme d’une liste Fk, tous les champs température de base qui satisfont ces deux critères, dans le cluster Ckconsidéré. Cette liste est obtenue en écartant (en supprimant), de la liste complète regroupant tous les champs température de base du cluster Ckconsidéré :
- tous les champs de température de base Ti, ayant un voisin Ti’ qui appartient à un autre cluster et qui, par rapport à Ti, est situé à une distance δi,i ’inférieure au seuil δ1, et
- tous les champs de température de base Tiqui n’ont aucun voisin Ti’’appartenant au même cluster et situé à une distance δi,i ’ ’de Tiinférieure au seuil δ2.
- all the basic temperature fields T i , having a neighbor Ti' which belongs to another cluster and which, with respect to T i , is located at a distance δ i,i ' lower than the threshold δ 1 , and
- all the basic temperature fields T i which have no neighbor T i'' belonging to the same cluster and located at a distance δ i,i ' ' from T i lower than the threshold δ 2.
Les seuils δ1et δ2sont déterminés ici comme étant égaux respectivement à ε1.δrefet ε2.δrefoù δrefest une distance représentative d’une dimension du cluster Ckconsidéré (les valeurs des seuils employés peuvent donc varier, d’un cluster à l’autre). Les coefficients ε1et ε2sont inférieurs à 1 (et positifs). A titre d’exemple ε1peut être compris entre 0,01 et 0,05, et ε2peut être compris entre 0,1 et 0,3 (cela signifie que l’on sélectionne aussi des graines qui sont relativement « isolées ». Cela est utile, car l’augmentation de données a aussi pour but de générer des données dans les zones qui en manquent, c’est-à-dire qui sont peu représentées par les données initiales).The thresholds δ 1 and δ 2 are determined here as being equal respectively to ε 1 .δ ref and ε 2 .δ ref where δ ref is a distance representative of a dimension of the cluster C k considered (the values of the thresholds used can therefore vary, from one cluster to another). The coefficients ε 1 and ε 2 are less than 1 (and positive). For example, ε 1 can be between 0.01 and 0.05, and ε 2 can be between 0.1 and 0.3 (this means that we also select seeds that are relatively "isolated" This is useful, because data augmentation also aims to generate data in areas that lack it, i.e. which are poorly represented by the initial data).
δrefest par exemple déterminé comme étant la distance entre :
- un champ de température de base du cluster Ck, considéré comme étant le représentant de ce cluster, et
- le champ de température de base, étranger au cluster Ck, et qui est le plus proche du représentant de Ck.
- a basic temperature field of the cluster C k , considered to be the representative of this cluster, and
- the basic temperature field, foreign to the cluster C k , and which is closest to the representative of C k .
Le représentant du cluster Ckest par exemple le champ de température de base dont la réponse mécanique est la plus proche d’une moyenne des réponses mécaniques obtenues pour les différents champs de température de base de ce cluster.The representative of the cluster C k is for example the basic temperature field whose mechanical response is closest to an average of the mechanical responses obtained for the various basic temperature fields of this cluster.
Une fois que l’on a obtenu la liste Fkdes champs de température qui, dans le cluster Ck, ne sont ni trop isolés, ni trop proches des frontières, on sélectionne dans cette liste un nombre donné de graines. Ce nombre est par exemple fixé préalablement par un utilisateur.Once the list F k of temperature fields has been obtained which, in the cluster C k , are neither too isolated nor too close to the boundaries, a given number of seeds is selected from this list. This number is for example set beforehand by a user.
Les graines peuvent être sélectionnées, dans la liste Fk, de manière à être réparties uniformément dans le cluster.The seeds can be selected, in the list F k , so as to be evenly distributed in the cluster.
Ici, les graines peuvent être sélectionnées comme suit, dans la liste Fk. La première graine SD1sélectionnée est constituée par le champ de température de base qui est le représentant du cluster Ckconsidéré. Les autres graines sont sélectionnées, l’une après l’autre, de manière à ce que chaque nouvelle graine sélectionnée soit constituée par le champ de température de base qui, dans la liste Fk, est le plus éloigné de la graine qui est la plus proche de lui. La deuxième graine SD2, par exemple, est constituée par le champ de température de base de la liste Fkqui est le plus éloigné de la première graine SD1. Et la troisième graine SD3est constituée par le champ de température de base de la liste Fkqui est le plus éloigné soit de la première graine SD1, soit de la deuxième graine SD2, selon que la graine la plus proche de SD3est SD1ou SD2.Here the seeds can be selected as follows, from the list F k . The first seed SD 1 selected is constituted by the basic temperature field which is the representative of the cluster C k considered. The other seeds are selected, one after the other, so that each new seed selected is constituted by the basic temperature field which, in the list F k , is the farthest from the seed which is the closer to him. The second seed SD 2 , for example, is constituted by the basic temperature field of the list F k which is furthest from the first seed SD 1 . And the third seed SD 3 is constituted by the basic temperature field of the list F k which is furthest either from the first seed SD 1 , or from the second seed SD 2 , depending on whether the seed closest to SD 3 is SD 1 or SD 2 .
Ainsi, si Lkdésigne la liste courante des graines sélectionnées, la graine suivante ajoutée à cette liste est le champ de température de base Tjdont l’indice j est donné par la formule suivante :
Sélectionner ainsi les graines permet de couvrir de manière homogène l’ensemble du cluster Ck, et donc, ensuite, de créer des sous-ensembles purs qui sont eux aussi répartis de manière homogène dans le cluster. Cela est utile car des sous-ensembles purs répartis de manière inhomogène conduiraient, après création des données d’apprentissages supplémentaires au sein de ces sous-ensembles, à une sur-représentation de certaines zones du cluster, non-optimale pour l’apprentissage du classificateur.Selecting the seeds in this way makes it possible to cover the whole of the cluster C k in a homogeneous way, and therefore, then, to create pure subsets which are also distributed in a homogeneous way in the cluster. This is useful because pure subsets distributed in an inhomogeneous way would lead, after creation of additional training data within these subsets, to an over-representation of certain areas of the cluster, which is not optimal for learning the classifier.
Etape A1Step A1 11 :: croissance des sous-ensembles purs.growth of pure subsets.
Une fois les graines SDl, l=1..M, sélectionnées, pour chaque graine SDl, on fait croitre un sous-ensemble Slcorrespondant, à partir de la graine en question.Once the seeds SD l , l=1..M have been selected, for each seed SD l , a corresponding subset S l is grown from the seed in question.
Initialement, le sous-ensemble Slcontient seulement cette graine SDl. On le fait croitre ensuite en exécutant les étapes suivantes (
- A110 : ajout de l’un champ de température de base Tiau sous-ensemble Sl, le champ de température ajouté ayant la même réponse-type Mkque les autres champs de température du sous-ensemble Sl(autrement dit, le champ de température ajouté appartient au même cluster Ckque les autres éléments de Sl), puis
- A111 : test de pureté, pour le sous-ensemble Slainsi augmenté.
- A110: addition of a basic temperature field T i to the subset S l , the added temperature field having the same standard response M k as the other temperature fields of the subset S l (in other words, the added temperature field belongs to the same cluster C k as the other elements of S l ), then
- A111: purity test, for the subset S l thus increased.
Si l’étape A111 montre que le sous-ensemble Sl, ainsi augmenté d’un autre champ de température de base, est encore pur, on exécute à nouveau l’étape A110, puis l’étape A111, et ainsi de suite jusqu’à ce que l’étape A111 montre que le sous-ensemble Sln’est plus pur. On cesse alors les itérations des étapes A110 et A111, et le dernier champ de température de base à avoir été ajouté au sous-ensemble est retiré de ce sous-ensemble Sl, ce qui permet de rendre à nouveau pur.If step A111 shows that the subset S l , thus increased by another basic temperature field, is still pure, step A110 is executed again, then step A111, and so on until until step A111 shows that the subset S1 is no longer pure. The iterations of steps A110 and A111 are then stopped, and the last base temperature field to have been added to the subset is removed from this subset S1 , which makes it possible to make it pure again.
La croissance du sous-ensemble Slest donc réalisée de proche en proche. Plus précisément, lors de l’étape d’ajout A110, on ajoute au sous-ensemble Slle champ de température de base Tiqui est le plus proche de la graine SDl(au sens des distances δij), parmi les champs de température de base du cluster Ckqui n’ont pas encore pas été sélectionnés (i.e.: qui ne font pas déjà partie du sous-ensemble Sl).The growth of the subset S l is therefore carried out step by step. More precisely, during the addition step A110, one adds to the subset S l the basic temperature field T i which is closest to the seed SD l (in the sense of the distances δ ij ), among the basic temperature fields of the cluster C k which have not yet been selected (ie: which are not already part of the subset S l ).
On notera que l’on fait croitre ainsi les sous-ensembles Slde proche en proche, sur la base d’une métrique particulière δijqui représente la dissimilarité entre les réponses mécaniques associées aux champs de température, et non sur la base d’une distance usuelle (par exemple euclidienne) entre les champs de température eux-mêmes. Cela permet de faire croitre chaque sous-ensemble avec une bonne probabilité qu’il reste pur (puisque le critère de pureté en question concerne les réponses mécaniques associées aux champs de température). Autrement formulé, faire croitre les sous-ensembles Slsur la base de la même métrique δijque celle employée initialement pour identifier les différents clusters C1, C2, … CP(i.e. : les différentes classes) de champs de température permet d’optimiser la probabilité que le sous-ensemble reste pur, lors de sa croissance. Cela permet donc d’obtenir des sous-ensembles purs de taille plus importante. Cette précaution est bienvenue en pratique, car même en faisant croitre ainsi les sous-ensembles purs, leur taille maximale reste généralement petite (ils contiennent typiquement quelques champs de température seulement, de l’ordre de 5 à 10, en moyenne, pour les exemples présentés ici).It will be noted that the subsets S l are thus made to grow step by step, on the basis of a particular metric δ ij which represents the dissimilarity between the mechanical responses associated with the temperature fields, and not on the basis of 'a usual distance (eg Euclidean) between the temperature fields themselves. This makes it possible to grow each subset with a good probability that it remains pure (since the purity criterion in question concerns the mechanical responses associated with the temperature fields). Otherwise formulated, growing the subsets S l on the basis of the same metric δ ij as that initially used to identify the different clusters C 1 , C 2 , … C P (ie: the different classes) of temperature fields allows to optimize the probability that the subset remains pure, during its growth. This therefore makes it possible to obtain pure subsets of larger size. This precaution is welcome in practice, because even by making the pure subsets grow in this way, their maximum size remains generally small (they typically contain only a few temperature fields, of the order of 5 to 10, on average, for the examples presented here).
De même, le fait de sélectionner préalablement les graines (à l’étape A10) sur la base de cette même métrique δij, employée initialement pour identifier les différents clusters C1, C2, … CP, fait de ces graines de bons candidats pour la croissance ultérieure de sous-ensembles purs.Similarly, the fact of selecting the seeds beforehand (at step A10) on the basis of this same metric δ ij , initially used to identify the different clusters C 1 , C 2 , … C P , makes these seeds good candidates for further growth of pure subsets.
Test de puretéPurity test
Lors de l’étape A111 de test de pureté, on vérifie, pour le sous-ensemble Slà tester, qu’aucun champ de température de base Ti’, associé à une réponse-type Mk ’différente de la réponse-type Mkcommune aux champs de température de base Tidu sous-ensemble Slconsidéré, n’est situé à l’intérieur de l’enveloppe convexe Elde ce sous-ensemble Sl.During the purity test step A111, it is checked, for the subset S l to be tested, that no base temperature field T i ' , associated with a standard response M k ' different from the response- type M k common to the basic temperature fields T i of the subset S l considered, is located inside the convex hull E l of this subset S l .
En d’autres termes, on vérifie qu’aucun champ de température de base, appartenant à un autre cluster Ck ’que le cluster Ckdu sous-ensemble à tester, n’est situé à l’intérieur de l’enveloppe convexe Eldu sous-ensemble Sl. Lorsque cette condition est vérifiée, le sous-ensemble en question est considéré pur.In other words, it is verified that no base temperature field, belonging to another cluster C k ' than the cluster C k of the subset to be tested, is located inside the convex hull E l of the subset S l . When this condition is verified, the subset in question is considered pure.
Ce test revient à vérifier, pour chaque champ de température de base Ti’appartenant à un autre cluster Ck ’ ,que ce champ de température Ti’ne peut pas s’exprimer sous la forme d’une combinaison linéaire des champs de température de base Ti appartenant au sous-ensemble Slen question, cette combinaison linéaire étant à coefficients positifs et normés à 1.This test amounts to checking, for each basic temperature field T i' belonging to another cluster C k ' , that this temperature field T i' cannot be expressed in the form of a linear combination of the fields of base temperature Ti belonging to the subset S l in question, this linear combination having positive coefficients and normalized to 1.
Le critère à tester est donc relativement consommateur, en termes de temps de calcul, et cela même si le nombre de degrés de liberté des champs de température de base Tiest relativement réduit, par rapport aux champs de température de haute résolution TH,iinitiaux (grâce à l’étape préalable de sélection de variables S0).The criterion to be tested is therefore relatively consuming, in terms of computation time, and this even if the number of degrees of freedom of the basic temperature fields T i is relatively small, compared to the high resolution temperature fields T H, initial i (thanks to the prior step of selecting variables S0).
Aussi, pour réduire le temps de calcul nécessaire pour réaliser le test de pureté A111, la pureté de chaque sous-ensemble Slest testée par projection, c’est-à-dire sur la base de sous-champs de température
Comme indiqué lors de la description de l’étape de sélection de variables S0, chaque champ de température base Tiregroupe un ensemble de Q valeurs de température Ti 1,….,Ti Q, qui sont les valeurs de température de ce champ aux différents nœuds du maillage en question (qui, en l’occurrence, est un maillage déjà simplifié, par rapport au maillage de haute résolution initial qui comporte QHnœuds).As indicated during the description of the variable selection step S0, each base temperature field T i groups together a set of Q temperature values T i 1 ,….,T i Q , which are the temperature values of this field at the various nodes of the mesh in question (which, in this case, is an already simplified mesh, compared to the initial high-resolution mesh which comprises Q H nodes).
Le sous-espace, sur lequel sont projetés les champs de température de base Ti, est un espace de dimension QR, c’est-à-dire comportant un nombre de degrés de liberté scalaires QR, inférieur à Q (en pratique, il peut s’agit d’un sous-espace de dimensions très réduites, par exemple à 5 dimensions seulement au lieu de 87 ou 42445 dimensions). Ce sous-espace correspond ici à l’ensemble des champs de température qui donnent des valeurs de température en un nombre QRde nœuds du maillage seulement, au lieu de donner ces valeurs en tous les nœuds du maillage sur lequel sont définis les champs de température de base Ti.The subspace, on which the basic temperature fields T i are projected, is a space of dimension Q R , that is to say comprising a number of scalar degrees of freedom Q R , lower than Q (in practice , it can be a subspace of very reduced dimensions, for example with only 5 dimensions instead of 87 or 42445 dimensions). This subspace corresponds here to the whole of the fields of temperature which give values of temperature in a number Q R of nodes of the mesh only, instead of giving these values in all the nodes of the mesh on which are defined the fields of base temperature T i .
Ici, chaque sous-champ de température
Chaque sous-champ de température
On notera toutefois que d’autres manières de projeter les champs de température Tisont envisageables. N’importe quelle projection sur un sous-espace deR Qest envisageable. Ce sous-espace peut par exemple correspondre aux QRpremières composantes de la base canonique deR Q, ou aux QRpremiers vecteurs singuliers gauches dans la décomposition en valeurs singulières (SVD) de la collection des vecteurs de température Ti 1,….,Ti Q aux nœuds du maillage réduit..Note, however, that other ways of projecting the temperature fields TIare conceivable. Any projection on a subspace ofR Qis conceivable. This subspace can for example correspond to the QRfirst components of the canonical basis ofR Q, or to the QRfirst left singular vectors in the singular value decomposition (SVD) of the collection of temperature vectors TI 1,….,TI Q at the nodes of the reduced mesh.
Quoiqu’il en soit, réaliser le test de pureté A111 mentionné plus haut, non pas sur la base des champs de température de base Ti, mais sur la base des sous-champs
De plus, de manière surprenante, lorsque le résultat de ce test de pureté par projection est positif, cela valide la pureté du sous-ensemble Slà tester de manière aussi fiable (pour ce qui est de la validation de pureté) que si le test avait été réalisé sur la base des champs de température de base complets.In addition, surprisingly, when the result of this purity test by projection is positive, this validates the purity of the subset S l to be tested as reliably (as regards the validation of purity) as if the test had been carried out on the basis of the complete base temperature fields.
En effet, une démonstration mathématique permet de montrer que :
- si l’enveloppe convexe
- alors, l’enveloppe convexe Eldu sous-ensemble Slne contient aucun champs de température de base Ti ’d’un autre cluster que celui du sous-ensemble Sl.
- if the convex hull
- then, the convex hull E l of the subset S l does not contain any basic temperature field T i ' of another cluster than that of the subset S l .
C’est-à dire, en résumé : si le projeté du sous-ensemble Slest pur, alors, le sous-ensemble Sllui-même est pur lui aussi.That is to say, in summary: if the projection of the subset S l is pure, then the subset S l itself is also pure.
La démonstration de cette propriété n’est pas incluse ici par soucis de concision, et parce qu’elle ne présente pas d’intérêt direct pour la mise en œuvre de l’invention.The demonstration of this property is not included here for the sake of brevity, and because it is not of direct interest for the implementation of the invention.
On notera toutefois que la réciproque de cette proposition n’est généralement pas vraie. En effet, si le projeté du sous-ensemble Sln’est pas pur, on ne peut généralement rien en déduire concernant la pureté ou non du sous-ensemble Sllui-même.Note, however, that the converse of this proposition is generally not true. Indeed, if the projection of the subset S l is not pure, nothing can generally be deduced therefrom concerning the purity or not of the subset S l itself.
Ainsi, le projeté du sous-ensemble Slpeut très bien ne pas être pur, alors que le sous-ensemble lui-même est pur. En effet, on comprend bien qu’une projection, qui constitue en quelque sorte un écrasement selon certaines directions, peut très bien faire entrer à l’intérieur d’un sous-ensemble des éléments appartenant à un autre cluster, et qui, avant projection, étaient extérieurs à ce sous-ensemble. En d’autres termes, une projection peut très bien faire perdre la pureté.Thus, the project of the subset S l may very well not be pure, whereas the subset itself is pure. Indeed, it is well understood that a projection, which constitutes in a way a crushing according to certain directions, can very well bring inside a subset of the elements belonging to another cluster, and which, before projection , were outside this subset. In other words, a projection can very well cause the purity to be lost.
Pour tenir compte de ces deux aspects (à savoir : la pureté du projeté implique la pureté du sous-ensemble Sllui-même ; et la non-pureté du projeté implique une incertitude quant à la pureté du sous-ensemble Sl), l’étape de test de pureté A111 est réalisée comme suit (
- on exécute une étape de test par projection A112 ;
- lorsque le résultat du test par projection A112 est positif (c’est-à-dire, lorsque le projeté sous-ensemble Slest pur), on détermine que le sous-ensemble Slest pur ;
- en revanche, lorsque le résultat du test par projection A112 est négatif, on exécute à ce test par projection, mais en réalisant la projection sur la base d’un autre sous-espace (d’un autre groupe restreint de nœuds, sélectionnés aléatoirement).
- a projection test step A112 is executed;
- when the result of the test by projection A112 is positive (that is to say, when the projected subset S1 is pure), it is determined that the subset S1 is pure;
- on the other hand, when the result of the test by projection A112 is negative, one executes this test by projection, but by carrying out the projection on the basis of another subspace (of another restricted group of nodes, selected randomly) .
Tant que le résultat du test par projection A112 est négatif, et tant que le nombre it d’itérations de ce test est inférieur à un nombre limite d’itération, nlim, on exécute à nouveau l’étape A112.As long as the result of the projection test A112 is negative, and as long as the number it of iterations of this test is less than an iteration limit number, n lim , step A112 is executed again.
Si le résultat du test par projection A112 devient finalement positif, au cours de ces itérations, on détermine que le sous-ensemble Slest pur.If the result of the test by projection A112 finally becomes positive, during these iterations, it is determined that the subset S l is pure.
En revanche, si au bout du nombre nlimd’itérations du test par projection (avec à chaque fois une projection sur un sous-ensemble différent), ce test n’a toujours pas donné un résultat positif, on détermine que le sous-ensemble Slà tester n’est pas pur. En réalité, on ignore s’il est pur ou non. Mais, n’ayant pas pu s’assurer qu’il est pur, ce sous-ensemble est éliminé par précaution, et aucun champ de température supplémentaire ne sera déterminé en son sein.On the other hand, if at the end of the number n lim of iterations of the test by projection (each time with a projection on a different subset), this test has still not given a positive result, it is determined that the sub- set S l to be tested is not pure. In reality, we do not know if it is pure or not. But, not having been able to ensure that it is pure, this subset is eliminated as a precaution, and no additional temperature field will be determined within it.
En pratique, le test par projection A112 peut être réalisé comme cela est expliqué maintenant.In practice, the A112 projection test can be performed as explained now.
Au cours du test par projection A112, on détermine, pour le sous-ensemble Sldont on veut tester la pureté, si l’enveloppe convexe
Cela revient à tester qu’aucun sous-champ de température
Pour chaque sous-champ de température
On forme alors une matrice A, de dimension (QR+1)×n, en regroupant sous forme de matrice les n vecteurs-colonne πicorrespondant aux n sous-champs de température
Pour chaque sous-champ de température
Pour tester si le sous-champ de température
D’un point de vue numérique, pour tester cette condition, on réalise, pour le terme de gauche, une minimisation de type moindres-carrés (à coefficients positifs). Les coefficients regroupés dans le vecteur w ne sont pas normés à un (lever cette contrainte facilite la procédure de minimisation en question). Mais la composante égale à 1, ajoutée à la fin de chaque vecteur π permet de réaliser ce test comme si on testait une combinaison linéaire à coefficients positifs et normés à 1.From a numerical point of view, to test this condition, we carry out, for the term on the left, a minimization of the least-squares type (with positive coefficients). The coefficients grouped in the vector w are not normalized to one (removing this constraint facilitates the minimization procedure in question). But the component equal to 1, added at the end of each vector π, makes it possible to carry out this test as if we were testing a linear combination with positive coefficients and normalized to 1.
ExempleExample numériquedigital
Des résultats obtenus grâce à cette méthode de détermination de données d’apprentissage sont présentés succinctement ci-dessous pour un exemple de mise en œuvre.The results obtained using this method of determining learning data are briefly presented below for an example of implementation.
Cet exemple correspond à la pièce représentée sur la
Comme déjà indiqué, dans cet exemple, l’étape de sélection de variable S0 permet, dans le maillage de haute résolution, de sélectionner Q=87 nœuds pertinents, ce qui permet de simplifier les champs de température de haute résolution, sous la forme des champs de température de base T1 ,…, TN, toujours au nombre de 600.As already indicated, in this example, the variable selection step S0 makes it possible, in the high resolution mesh, to select Q=87 relevant nodes, which makes it possible to simplify the high resolution temperature fields, in the form of basic temperature fields T1 ,…, TNOT, still numbering 600.
Ensuite, lors de l’étape d’augmentation de données A0, environ 60 sous-ensembles purs ont été identifiés (en moyenne) dans chaque cluster C1,…CPde champs de température. Chaque sous-ensemble pur ainsi identifié comprend en moyenne 5 éléments (5 champs de températures de base). Lors du test de pureté, par projection (étape A112), les sous-espaces sur lesquels sont projetés les champs de température sont des sous-espaces à 5 dimensions (en d’autres termes, 5 nœuds, au lieu de 87, pour le test de pureté par projection).Then, during the A0 data augmentation step, about 60 pure subsets were identified (on average) in each cluster C 1 ,…C P of temperature fields. Each pure subset thus identified comprises on average 5 elements (5 basic temperature fields). During the purity test, by projection (step A112), the subspaces on which the temperature fields are projected are 5-dimensional subspaces (in other words, 5 nodes, instead of 87, for the projection purity test).
Dans cet exemple, 5400 champs de température supplémentaires T’i, assortis chacun de leur étiquette, ont alors été obtenus par combinaison linéaire convexe au sein de ces sous-ensembles purs.In this example, 5400 additional temperature fields T' i , each matched with their label, were then obtained by convex linear combination within these pure subsets.
L’ensemble des données d’apprentissage obtenues (de base + supplémentaires) regroupe alors 6000 champs de température étiquetés, employés pour l’entrainement d’un classificateur de température.The set of training data obtained (basic + additional) then includes 6000 labeled temperature fields, used for training a temperature classifier.
La précision de classification obtenue après entrainement a alors été testée pour plusieurs types de classificateurs :
- avec et sans augmentation de données (avec/sans DA), et
- avec une sélection de variables :
- soit par la technique de sélection décrite plus haut, par maximisation de la pertinence avec minimisation de la redondance (FS),
- soit par analyse en composantes principales (PCA).
- with and without data augmentation (with/without DA), and
- with a selection of variables:
- either by the selection technique described above, by maximizing relevance with minimizing redundancy (FS),
- or by principal component analysis (PCA).
Ces résultats sont rassemblés dans le tableau ci-dessous.
Avec DA
Sans DA
With AD
Without AD
Ces résultats montrent que les données d’apprentissage supplémentaires, telles que déterminées ici, permettent effectivement d’améliorer la précision de classification, et qu’elles sont donc pertinentes sur le plan physique.These results show that the additional training data, as determined here, does indeed improve classification accuracy, and is therefore physically relevant.
Ces résultats montrent aussi que la méthode de sélection de variables (FS) présentée plus haut est fiable (en plus d’être rapide à exécuter), en ce sens qu’elle permet effectivement d’extraire l’information la plus pertinente des champs de température de haute résolution.These results also show that the method of selection of variables (FS) presented above is reliable (in addition to being fast to execute), in the sense that it effectively makes it possible to extract the most relevant information from the fields of high resolution temperature.
Dispositifs électroniquesElectronic devices
La présente technologie concerne aussi un dispositif électronique comprenant au moins un processeur et une mémoire, programmé pour exécuter la méthode de sélection de variables et/ou la méthode d’augmentation de données décrites plus haut. Plus généralement, ce dispositif électronique peut être programmé pour exécuter l’ensemble de la méthode de détermination de données d’apprentissage, et d’entrainement du classificateur de la
Le dispositif en question peut être réalisé sous la forme d’un ordinateur, ou d’un calculateur dont les constituants sont situés en un même lieu, par exemple dans une même pièce ou dans un même boitier d’ordinateur. Il peut aussi être réalisé sous la forme d’un système informatique délocalisé faisant appel, par l’intermédiaire d’un réseau informatique, à des ressources informatiques distantes, distribuées (par exemple des ressources de calcul distantes, fournies par un « cloud »).The device in question can be made in the form of a computer, or a computer whose components are located in the same place, for example in the same room or in the same computer case. It can also be implemented in the form of a delocalized computer system using, via a computer network, remote, distributed computer resources (for example remote computing resources, provided by a “cloud”). .
La présente technologie concerne aussi un dispositif électronique, comprenant au moins un processeur et une mémoire, comprenant un classificateur, c’est-à-dire programmé pour réaliser une fonction de classification telle que décrite plus haut, et dans lequel le classificateur a été entrainé sur la base des données d’apprentissage de base et/ou supplémentaires présentées plus haut. Ce classificateur est spécifique (et, comme vu plus haut, particulièrement précis) du fait de l’entrainement particulier qu’il a subi. D’un point de vue concret, les spécificités de ce classificateur se traduisent par les valeurs particulières des coefficients (coefficients synaptiques, par exemple) qui paramétrisent le classificateur, telles qu’obtenues après entrainement sur la base des données d’apprentissage de base et/ou supplémentaires.The present technology also relates to an electronic device, comprising at least a processor and a memory, comprising a classifier, that is to say programmed to perform a classification function as described above, and in which the classifier has been trained based on the basic and/or additional training data presented above. This classifier is specific (and, as seen above, particularly precise) because of the particular training it has undergone. From a concrete point of view, the specificities of this classifier translate into the particular values of the coefficients (synaptic coefficients, for example) which parameterize the classifier, as obtained after training on the basis of the basic learning data and /or additional.
La présente technologie concerne aussi un dispositif électronique, comprenant au moins un processeur et une mémoire, programmé pour mettre en œuvre une méthode de simulation numérique de la réponse mécanique d’un élément d’aube de turbine, soumis à un champ de température TRdonné, la méthode de simulation comprenant :
- une phase préalable d’entrainement comportant :
- une détermination de données d’apprentissage de base et de données d’apprentissage supplémentaires, comme expliqué plus haut,
- l’entrainement d’un classificateur de champs de température sur la base desdites données d’apprentissage de base et desdites données d’apprentissage supplémentaires, et
- une phase d’utilisation comprenant les étapes suivantes :
- identification de l’une des réponses-types M1, …, MPdudit élément d’aube par le classificateur de champs de température recevant en entrée ledit champ de température TR, et
- simulation numérique de la réponse mécanique dudit élément d’aube, soumis audit champ de température TR, conformément au modèle de comportement mécanique simplifié défini par la réponse-type précédemment identifiée par le classificateur.
- a preliminary training phase comprising:
- a determination of basic training data and additional training data, as explained above,
- training a temperature field classifier based on said basic training data and said additional training data, and
- a use phase comprising the following steps:
- identification of one of the standard responses M 1 , …, M P of said blade element by the temperature field classifier receiving said temperature field T R as input, and
- numerical simulation of the mechanical response of said blade element, subjected to said temperature field T R , in accordance with the simplified mechanical behavior model defined by the standard response previously identified by the classifier.
Claims (12)
- dans laquelle des données d’apprentissage de haute résolution rassemblent des champs de contrainte de haute résolution (TH,1, TH,i , TH,N) exercés sur un élément (1’ ; 1) d’aube de turbine et, pour chacun de ces champs, une étiquette (k) associée au champ de contrainte considéré, chaque champ de contrainte de haute résolution (TH,i) donnant des valeurs de ladite contrainte (T1 H,i, Tj H,i, Tj’ H,i) en différents nœuds d’un maillage de haute résolution dudit élément d’aube,
- la méthode comprenant une étape de sélection (S0) d’un nombre (Q) restreint de nœuds du maillage de haute résolution, les nœuds sélectionnés formant un groupe de nœuds pertinents (S),
- les données d’apprentissage de base rassemblant des champs de contrainte de base (T1, Ti, TN) qui sont obtenus en restreignant les champs de contrainte de haute résolution (TH,1, TH,i , TH,N) audit groupe de nœuds pertinents,
- et dans laquelle une partie au moins desdits nœuds pertinents sont sélectionnés chacun sur la base d’une valeur approchée (
- in which high-resolution training data gathers high-resolution stress fields (TH,1, TH,i , TH,N) exerted on a turbine blade element (1'; 1) and, for each of these fields, a label (k) associated with the stress field considered, each high-resolution stress field (TH,i) giving values of said constraint (T1 H,i, TI H,i, Ti H,i) at different nodes of a high resolution mesh of said blade element,
- the method comprising a step of selecting (S0) a restricted number (Q) of nodes of the high-resolution mesh, the selected nodes forming a group of relevant nodes ( S ),
- the basic training data gathering basic stress fields (T1, TI, TNOT) which are obtained by restricting the high resolution stress fields (TH,1, TH,i , TH,N) said group of relevant nodes,
- and wherein at least a portion of said relevant nodes are each selected based on an approximate value (
- les valeurs de ladite contrainte (Tj H, 1, Tj H,i, Tj H, N) au premier (j) des deux nœuds, telles que données par l’ensemble des champs de contrainte de haute résolution (TH,1, TH,i , TH,N), et
- les valeurs de ladite contrainte (Tj’ H, 1, Tj ’ H,i, Tj ’ H, N) au deuxième (j’) des deux nœuds, telles que données par l’ensemble des champs de contrainte de haute résolution (TH,1, TH,i , TH,N).
- the values of said constraint (TI H, 1, TI H,i, TI H, NOT) at the first (j) of the two nodes, as given by the set of high-resolution stress fields (TH,1, TH,i , TH,N), And
- the values of said constraint (Ti H, 1, TI ' H,i, TI ' H, NOT) at the second (j’) of the two nodes, as given by the set of high resolution stress fields (TH,1, TH,i , TH,N).
- (S12) pour chaque couple de nœuds (j, j’) d’un sous-ensemble regroupant une partie des nœuds du maillage de haute résolution :
- détermination d’une valeur de référence (
- calcul de la distance (dj,j ’) spatiale séparant les deux nœuds (j, j’) considérés
- détermination d’une valeur de référence (
- (S13) ajustement d’une courbe (
- et dans laquelle la valeur approchée (
- (S12) for each pair of nodes (j, j') of a subset grouping part of the nodes of the high resolution mesh:
- determination of a reference value (
- calculation of the spatial distance (d j,j ' ) separating the two nodes (j, j') considered
- determination of a reference value (
- (S13) fitting a curve (
- and in which the approximate value (
- le groupe de nœuds pertinents (S) contient initialement un premier nœud, qui est le nœud (j) du maillage de haute résolution ayant le plus grand degré de pertinence (
- on exécute ensuite une étape d’ajout, au cours de laquelle on ajoute un nœud supplémentaire au groupe de nœuds pertinents (S), le nœud supplémentaire étant sélectionné, parmi les nœuds dudit maillage qui ne font pas encore partie dudit groupe, de manière à maximiser une quantité égale : au degré de pertinence (
- l’étape d’ajout étant ensuite exécutée à nouveau plusieurs fois.
- the group of relevant nodes (S) initially contains a first node, which is the node (j) of the high-resolution mesh with the highest degree of relevance (
- we then execute an addition step, during which we add an additional node to the group of relevant nodes (S), the additional node being selected, among the nodes of said mesh which are not yet part of said group, so as to maximize a quantity equal: to the degree of relevance (
- the addition step then being executed again several times.
- (A1) former au moins un sous-ensemble pur (Sl), qui regroupe des champs de contrainte de base (Ti) associés à une même réponse-type (Mk) de l’élément d’aube de turbine, et qui a une enveloppe convexe (El) ne contenant aucun champ de contrainte de base (Ti ’) qui soit associé à une autre réponse-type (Mk ’) dudit élément,
- (A2) pour l’un au moins desdits sous-ensembles purs (Sl), détermination d’une ou plusieurs données d’apprentissage supplémentaires, chaque donnée d’apprentissage supplémentaire comprenant un champ de contrainte supplémentaire (T’i), obtenu par combinaison linéaire de champs de contraintes de base (Ti) du sous-ensemble pur (Sl) considéré, affectés de coefficients de pondérations positifs et normalisés à 1, le champ de contrainte supplémentaire (T’i) étant assorti d’une étiquette (k) qui est la même que pour les champs de contraintes de base (Ti) de ladite combinaison.
- (A1) form at least one pure subset (S l ), which groups together basic stress fields (T i ) associated with the same standard response (M k ) of the turbine blade element, and which has a convex hull (E l ) containing no basic stress field (T i ' ) which is associated with another standard response (M k ' ) of said element,
- (A2) for at least one of said pure subsets (S l ), determination of one or more additional training data, each additional training data comprising an additional stress field (T' i ), obtained by linear combination of basic stress fields (T i ) of the pure subset (S l ) considered, assigned positive weighting coefficients and normalized to 1, the additional stress field (T' i ) being accompanied by a label (k) which is the same as for the basic stress fields (T i ) of said combination.
- une phase préalable d’entrainement comportant :
- une détermination de données d’apprentissage de base conformément à l’une des revendication 1 à 8, ou une détermination de données d’apprentissage de base et de données d’apprentissage supplémentaires conformément à la revendication 9,
- l’entrainement (20) d’un classificateur de champs de contrainte sur la base desdites données d’apprentissage de base, ou sur la base desdites données d’apprentissage de base et desdites données d’apprentissage supplémentaires,
- une phase d’utilisation comprenant les étapes suivantes :
- identification de l’une des réponses-types (M1, Mk, MP) dudit élément d’aube par le classificateur de champs de contrainte recevant en entrée ledit champ de contrainte (TR),
- simulation numérique de la réponse mécanique dudit élément d’aube, soumis audit champ de contrainte (TR), conformément au modèle de comportement mécanique simplifié défini par la réponse-type précédemment identifiée par le classificateur.
- a preliminary training phase comprising:
- a determination of basic training data according to one of claims 1 to 8, or a determination of basic training data and additional training data according to claim 9,
- training (20) a stress field classifier based on said basic training data, or on the basis of said basic training data and said additional training data,
- a use phase comprising the following steps:
- identification of one of the typical responses (M 1 , M k , M P ) of said blade element by the stress field classifier receiving said stress field (T R ) as input,
- digital simulation of the mechanical response of said blade element, subjected to said stress field (T R ), in accordance with the simplified mechanical behavior model defined by the standard response previously identified by the classifier.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2013320A FR3117637A1 (en) | 2020-12-16 | 2020-12-16 | Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2013320A FR3117637A1 (en) | 2020-12-16 | 2020-12-16 | Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices |
FR2013320 | 2020-12-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3117637A1 true FR3117637A1 (en) | 2022-06-17 |
Family
ID=75438895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2013320A Pending FR3117637A1 (en) | 2020-12-16 | 2020-12-16 | Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3117637A1 (en) |
-
2020
- 2020-12-16 FR FR2013320A patent/FR3117637A1/en active Pending
Non-Patent Citations (7)
Title |
---|
A. KRASKOVH. STÔGBAUERP. GRASSBERGER: "Estimating mutual information", PHYS. REV., vol. E 69, 23 June 2004 (2004-06-23), pages 066138 |
B. PEHERSTORFER ET AL.: "Localized Discrète Empirical Interpolation Method", SIAM J. SCI. COMPUT., 2014 |
CHAWLA N V ET AL: "SMOTE: Synthetic Minority Over-sampling Technique", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 9 June 2011 (2011-06-09), XP080508331, DOI: 10.1613/JAIR.953 * |
CHRIS DING ET AL: "Feature Selection Based on Mutual Information: Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE COMPUTER SOCIETY, USA, vol. 27, no. 8, 1 August 2005 (2005-08-01), pages 1226 - 1238, XP011135147, ISSN: 0162-8828, DOI: 10.1109/TPAMI.2005.159 * |
ERRATUM: PHYS. REV., vol. E 83, 2011, pages 019903 |
T. DANIEL ET AL.: "Model order réduction assisted by deep neural networks (ROM-net", ADV.MODEL. AND SIMUL. IN ENG. SCI., vol. 7, 2020, pages 16 |
THOMAS DANIEL ET AL: "Model order reduction assisted by deep neural networks (ROM-net)", ADVANCED MODELING AND SIMULATION IN ENGINEERING SCIENCES, BIOMED CENTRAL LTD, LONDON, UK, vol. 7, no. 1, 6 April 2020 (2020-04-06), pages 1 - 27, XP021275205, DOI: 10.1186/S40323-020-00153-6 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3088463A1 (en) | METHOD OF CONSTRUCTING A NEURON ARRAY FOR THE SIMULATION OF REAL SYSTEMS | |
EP2446370B1 (en) | Detection of defects in an electrochemical device | |
EP2368161A1 (en) | Detection of anomalies in an aircraft engine | |
US20240127124A1 (en) | Systems and methods for an accelerated and enhanced tuning of a model based on prior model tuning data | |
EP3559767B1 (en) | Method for characterizing one or more faults in a system | |
EP3588301B1 (en) | Automatic and auto-optimised determination of parameters for executing a software application on an information processing platform | |
EP1766538A1 (en) | Automatic search for similarities between images, including a human intervention | |
FR3117637A1 (en) | Method for reducing the volume of training data intended for training a stress field classifier, and associated electronic devices | |
FR3117636A1 (en) | Method for determining additional training data for training a stress field classifier, and associated electronic devices | |
EP0681270A1 (en) | Object trajectory determination process and device for carrying out this process | |
CN117785522A (en) | Method and system for performing root cause analysis using a trained machine learning model | |
FR3120722A1 (en) | Method for determining one or more mechanical behavior models of a turbine blade, and associated device | |
CN107886126A (en) | Aerial engine air passage parameter prediction method and system based on dynamic integrity algorithm | |
WO2015121068A1 (en) | Encoding of fault scenarios of a manycore processor | |
FR3039677A1 (en) | METHOD FOR DESIGNING MECHANICAL PARTS, IN PARTICULAR TURBOMACHINE BLADES | |
EP3502904B1 (en) | Method for improving the execution time of a computer application | |
EP3265915B1 (en) | Simulation device | |
FR3133683A1 (en) | Method for predicting the remaining life time of at least one mechanical system and associated device | |
FR3080932A1 (en) | AUTOMATIC GENERATION METHOD OF ARTIFICIAL NEURON NETWORKS | |
EP4330846A1 (en) | Digital simulation of a multi-scale complex physical phenomenon by machine learning | |
WO2022096354A1 (en) | Method for determining an efficiency fault of an aircraft turboshaft engine module | |
Xie | A Sequential Cross-Product Knowledge Accumulation, Extraction and Transfer Framework | |
FR3131790A1 (en) | Method and device for calculating a counterfactual explanation of a prediction of a decision tree ensemble model | |
FR3133472A1 (en) | METHOD FOR ANOMALY DETECTION USING A GLOBAL-LOCAL MODEL | |
FR3112635A1 (en) | Method for modeling the power consumption of a system on chip with simulation/emulation trace reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20220617 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |