Séance de cours

Estimation des champs de débit : en ligne basée sur l'optimisation

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours présente une approche fondée sur l'optimisation pour l'estimation des champs de débit dans la navigation autonome des véhicules sous-marins (AUV). La méthode consiste à résoudre le problème dans un cadre d'optimisation, intégrant des contraintes basées sur la connaissance physique des champs de flux. Les résultats montrent l'efficacité de l'ajout progressif de contraintes dans l'estimation du champ de flux, ce qui entraîne une erreur carrée moyenne de racine plus faible et des taux de convergence plus rapides.

Source officielle

Concepts associés (25)

Fluide incompressible

Un fluide incompressible est un fluide dont le volume est considéré comme constant quelle que soit la pression qu'il subit, tout fluide étant en réalité sensible à la pression. Par nature, tous les fluides sont compressibles, certains plus que d'autres, et en phase gazeuse considérablement plus qu'en phase liquide. La compressibilité d'un fluide mesure la variation de volume d'une certaine quantité de ce fluide lorsqu'il est soumis à une pression extérieure.

Optimisation convexe

vignette|320x320px|Optimisation convexe dans un espace en deux dimensions dans un espace contraint L'optimisation convexe est une sous-discipline de l'optimisation mathématique, dans laquelle le critère à minimiser est convexe et l'ensemble admissible est convexe. Ces problèmes sont plus simples à analyser et à résoudre que les problèmes d'optimisation non convexes, bien qu'ils puissent être NP-difficile (c'est le cas de l'optimisation copositive). La théorie permettant d'analyser ces problèmes ne requiert pas la différentiabilité des fonctions.

Optimisation (mathématiques)

L'optimisation est une branche des mathématiques cherchant à modéliser, à analyser et à résoudre analytiquement ou numériquement les problèmes qui consistent à minimiser ou maximiser une fonction sur un ensemble. L’optimisation joue un rôle important en recherche opérationnelle (domaine à la frontière entre l'informatique, les mathématiques et l'économie), dans les mathématiques appliquées (fondamentales pour l'industrie et l'ingénierie), en analyse et en analyse numérique, en statistique pour l’estimation du maximum de vraisemblance d’une distribution, pour la recherche de stratégies dans le cadre de la théorie des jeux, ou encore en théorie du contrôle et de la commande.

Simulation des grandes structures de la turbulence

La simulation des grandes structures de la turbulence (SGS ou en anglais LES pour Large Eddy Simulation) est une méthode utilisée en modélisation de la turbulence. Elle consiste à filtrer les petites échelles qui sont modélisées et en calculant directement les grandes échelles de la cascade turbulente. Cette méthode a été introduite par Joseph Smagorinsky en 1963 et utilisée pour la première fois par James W. Deardoff en 1970. Elle permet de calculer un écoulement turbulent en capturant les grandes échelles pour un coût raisonnable.

Théorie des écoulements à potentiel de vitesse

vignette|Diagrammes plan d'écoulement des fluides autour d'un cylindre et d'un profil d'aile En mécanique des fluides, la théorie des écoulements à potentiel de vitesse est une théorie des écoulements de fluide où la viscosité est négligée. Elle est très employée en hydrodynamique. La théorie se propose de résoudre les équations de Navier-Stokes dans les conditions suivantes : l'écoulement est stationnaire le fluide n'est pas visqueux il n'y a pas d'action externe (flux de chaleur, électromagnétisme, gravité .

Afficher plus

Séances de cours associées (64)

Optimisation avec contraintes : conditions KKT

Couvre les conditions KKT pour l'optimisation avec des contraintes, essentielles pour résoudre efficacement les problèmes d'optimisation.

Techniques d'optimisation : Convexity in Machine Learning

Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.

Programmation linéaire : correspondance bipartite pondérée

Couvre la programmation linéaire, la correspondance bipartite pondérée et les problèmes de couverture de sommet en optimisation.

Inviscid Flows : Comprendre la dynamique des fluides

Explore les flux d'invisides, l'importance du nombre de Reynolds, les déformations linéaires et les changements de volume dans la dynamique des fluides.

Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds

Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.

Afficher plus

Concepts associés (25)

Fluide incompressible

Optimisation convexe

Optimisation (mathématiques)

Simulation des grandes structures de la turbulence

Théorie des écoulements à potentiel de vitesse

Afficher plus