Advanced model order reduction and data-driven technologies enabling physics-augmented digital twins
Réduction de modèle avancée et approches basées sur les données pour la construction de jumeaux numériques augmentés par la physique
Résumé
In the 20th century, engineering made remarkable strides in various fields, while other disciplines turned to data for diagnostic and prognostic purposes. Recognizing the potential of data and AI, engineering sciences have embraced these technologies to make better predictions, enhance performance, and gain a deeper understanding of complex systems. This has given rise to the digital twin paradigm.The challenge lies in developing accurate models that can predict output based on input data. Choosing between physics-based and data-driven approaches in engineering can be difficult. Physics-based approaches offer advantages but are computationally intensive and struggle with large-scale systems and uncertainty. They often require the use of Model Order Reduction techniques to become adequate with the real-time operation constraints. Meanwhile, data-driven approaches are promising when accurate models are unavailable, yet they face issues related to data costs, extrapolation risks, and lack of explanations and certifications.Therefore, combining both approaches seems to be the optimal choice as it strikes a balance between their advantages and disadvantages. By integrating physics-based and data-driven perspectives, we can leverage the strengths of each approach to achieve better engineering outcomes.One significant advantage of this alliance is the reduction in data requirements for model building. This reduction is achieved by leveraging known laws or focusing on simplifying the approximation of the gap between model and reality. Moreover, using physics-based models allows for explanations of fundamental aspects and resulting predictions, enabling certification of results and mitigating extrapolation issues.Furthermore, the reduction in data requirements is not solely attributed to the use of physics but also to how physics can guide the selection of optimal locations and times for data collection. This is particularly evident in active learning, where incorporating existing physics-based knowledge can enhance its effectiveness.By combining physics-based understanding with data-driven techniques, engineers can harness the power of both approaches, leading to more efficient and insightful engineering practices.By combining these chapters, this thesis contributes to the development, improvement, and application of methodologies that enable the construction of hybrid twins. These methodologies bridge the gap between data science and numerical simulation, addressing current industrial challenges. They offer high-fidelity and high-dimensional parametric models, accelerate physics-based models through MOR and data-driven techniques, tackle challenges in model construction under partial observability, and create hybrid models that combine physics-based principles with data. Through these contributions, this thesis aims to advance the field of engineering by leveraging the power of data and simulation to address complex real-world problems.
Au 20e siècle, l'ingénierie a fait des progrès remarquables dans divers domaines, tandis que d'autres disciplines se sont tournées vers les données à des fins de diagnostic et de pronostic. Reconnaissant le potentiel des données et de l'IA, les sciences de l'ingénieur ont adopté ces technologies pour faire de meilleures prédictions, améliorer les performances et mieux comprendre les systèmes complexes. C'est ainsi qu'est né le paradigme du jumeau numérique.Le défi consiste à développer des modèles précis capables de prédire des résultats en fonction de données d'entrée. Dans le domaine de l'ingénierie, il peut être difficile de choisir entre les approches basées sur la physique et les approches basées sur les données. Les approches basées sur la physique offrent des avantages, mais elles sont gourmandes en calculs et ont du mal à gérer les systèmes à grande échelle et l'incertitude. Elles nécessitent souvent l'utilisation de techniques de réduction de modèle pour devenir adéquates avec les contraintes de fonctionnement en temps réel. En parallèle, les approches basées sur les données sont prometteuses lorsque des modèles précis ne sont pas disponibles, mais elles sont confrontées à des problèmes liés au coût des données, aux risques d'extrapolation, et au manque d'explicabilité et de certifications.Par conséquent, la combinaison des deux approches semble être le choix optimal, car elle permet de trouver un équilibre entre leurs avantages et leurs inconvénients. En intégrant les perspectives basées sur la physique et les données, nous pouvons tirer parti des forces de chaque approche pour obtenir de meilleurs résultats en matière d'ingénierie.Un avantage significatif de cette alliance est la réduction des besoins en données pour la construction de modèles. Cette réduction est obtenue en exploitant des lois connues ou en se concentrant sur l'approximation de l'écart entre le modèle et la réalité. En outre, l'utilisation de modèles basés sur la physique permet d'expliquer les aspects fondamentaux et les prédictions qui en résultent, ce qui permet de certifier les résultats et d'atténuer les problèmes d'extrapolation.En outre, la réduction des besoins en données n'est pas seulement une conséquence de l'utilisation des lois physiques, mais aussi de la manière dont la physique peut guider la sélection des lieux et des instants optimaux pour la collecte des données. Ceci est particulièrement évident dans l'apprentissage actif, où l'incorporation de connaissances existantes basées sur la physique peut améliorer son efficacité.En combinant la compréhension basée sur la physique avec des techniques basées sur les données, les ingénieurs peuvent exploiter la puissance des deux approches, ce qui conduit à des pratiques d'ingénierie plus efficaces et plus perspicaces.Cette thèse contribue au développement, à l'amélioration et à l'application de méthodologies qui permettent la construction de jumeaux hybrides. Ces méthodologies comblent le fossé entre la science des données et la simulation numérique, en répondant aux défis industriels actuels. Elles offrent des modèles paramétriques de haute fidélité et de haute dimension, accélèrent les modèles basés sur la physique grâce à la réduction de modèle et l'apprentissage machine, s'attaquent aux défis de la construction de modèles sous observabilité partielle, et créent des modèles hybrides qui combinent des principes basés sur la physique avec des données. Grâce à ces contributions, cette thèse vise à faire progresser le domaine de l'ingénierie en tirant parti de la puissance des données et de la simulation pour résoudre des problèmes complexes du monde réel.
Origine : Version validée par le jury (STAR)