Code_Aster fait de la génétique et recale la dynamique !

Recalage des modèles dynamiques avec Code_Aster et ajout d’un algorithme génétique d’optimisation

par I. Nistor et C. Bodel, EDF R&D / AMA

De nouvelles fonctionnalités viennent d’être implémentées dans Code_Aster pour réaliser le recalage des modèles numériques à partir des résultats expérimentaux. Ainsi, la commande MACR_RECAL est disponible maintenant (à partir de la version 10.1.2) aussi pour le recalage des paramètres d’un modèle dynamique en utilisant des données expérimentales issues de l’analyse modale. Ce développement permet de mettre en commun les efforts des équipes d’essais sur site et celles des ingénieurs d’études afin d’améliorer la qualité des modèles numériques en dynamique pour une meilleure prédiction de leurs simulations.

Le processus de recalage d’un modèle dynamique est basé sur la comparaison des modes propres identifiés expérimentalement avec ceux calculés par le modèle numérique. Une fonction objectif composée par les différences des fréquences propres et les termes diagonaux de la matrice de MAC (Modal Assurance Criterion) est minimisée à l’aide des algorithmes d’optimisation. Sur la figure ci-dessus on montre, à la fin du processus de recalage, la bonne concordance obtenue, entre l’expérience à gauche et le numérique à droite, pour le 9-ème mode propre d’une plaque ayant une masse discrète placée dessus.

Une fenêtre graphique (voir la figure ci-dessous) aide l’utilisateur pour piloter manuellement l’appariement des modes propres au cours du processus s’il le souhaite.

Une autre nouveauté concernant le recalage avec Code_Aster concerne l’enrichissement de la gamme des algorithmes d’optimisation déjà disponible avec un algorithme génétique. Fruit du partenariat avec Politecnico du Milano, ce nouvel algorithme, basé sur le mécanisme de la sélection naturelle et le replacement des individus d’une population en fonction de leurs « performances » permet une exploration efficace de l’espace topologique des paramètres à recaler en évitant ainsi les minima locaux. Il peut être utilisé seul (METHODE = ‘GENETIQUE’) ou dans le cadre d’une technique hybride (METHODE = ‘HYBRIDE’) qui met en œuvre une recherche initiale grossière avec l’algorithme génétique suivie par un affinement réalisé par l’algorithme de Levenberg-Marquardt.