1.06k likes | 1.25k Views
OPTIMISATION et SIMULATION des PROCESSUS. Prof. Belkacem OULD BOUAMAMA Responsable de l’équipe MOCIS Méthodes et Outils pour la conception Intégrée des Systèmes http://www.mocis-lagis.fr/membres/belkacem-ould-bouamama/ Laboratoire d'Automatique, Génie Informatique et Signal
E N D
OPTIMISATION et SIMULATION des PROCESSUS Prof. Belkacem OULD BOUAMAMA Responsable de l’équipe MOCIS Méthodes et Outils pour la conception Intégrée des Systèmes http://www.mocis-lagis.fr/membres/belkacem-ould-bouamama/ Laboratoire d'Automatique, Génie Informatique et Signal (LAGIS - UMR CNRS 8219 et Directeur de la recherche à École Polytechnique de Lille (Poltech’ lille) ---------------------------------------------------------- mèl : Belkacem.ouldbouamama@polytech-lille.fr, Tel: (33) (0) 3 28 76 73 87 , mobile : (33) (0) 6 67 12 30 20 • Ce cours est dispensé aux élèves de niveau Master 2 HSQE (Hygiène Sécurité et Qualité de l’Environnement • Toutes vos remarques pour l’amélioration de ce cours sont les bienvenues.
Chapitre 1: INTRODUCTION • Définitions & but de la simulation et de l'optimisation de processus • Importance et rôle de l'optimisation dans la protection de l'environnement • Etapes de résolution d'un problème d'optimisation d'un processus
Chap 2 • TRAITEMENT DE DONNEES EXPERIMENTALES D'UN PROCESSUS • Méthodes statistiques de modélisation : Définitions & but • Modèles de régression • Principe des méthodes des moindres carrés (MMC) • Régression linéaire multiple • Adéquation des modèles et signification des coefficients • Vérification des hypothèses de régression • Méthodes de corrélation • Exemple d'application • Estimation récursive • MMC avec facteur de pondération • Méthode des MC avec fenêtre glissante • Exemple d'application
Chap3: OPTIMISATION DES PROCESSUS TECHNOLOGIQUES • Problématique de l'optimisation des processus technologiques • Méthodes analytiques d'optimisation • Programmation linéaire • APPLICTION : • TD de 4h : utilisation du logiciel Matlab pour la simulation d'un problème d'optimisation d'un processus chimique en vue de minimiser le taux de pollution
CHAP1 INTRODUCTION
Chap1 : Introduction • Définitions & but de la simulation et de l'optimisation de processus • Importance et rôle de l'optimisation dans la protection de l'environnement • Etapes de résolution d'un problème d'optimisation d'un processus
Importance & objectifs des modèles statistiques • Caractère stochastique de la majorité des phénomènes; • " L'intelligence des statistiques sera un jour une compétence aussi indispensable à l'exercice de la citoyenneté que la lecture ou l'écriture". (H.G.Wells). • Objectifs • Fournir des lois, de nature "statistique", là où il n'est pas possible d'en fournir qui soient de nature certaine ou déterministe. • Applications • Sondage, prévision, contrôle des processus indust. Lois empiriques
Modélisation ? • Définitions • Modélisation ? : Ensemble des procédures permettant d’obtenir un modèle • Modéliser un système = capable de prédire le comportement du système • Subjectivisme de la modélisation : modèle = intersection du système et du modélisateur • Modèle jamais "exact"? • Importance • Outil d'aide à la décision., Support de la simulation, • Représente 50 % d’un projet de commande • Perspectives grâce à l'informatisation • Un modèle pourquoi faire ? • Concevoir, Comprendre, Prévoir, Commander (décider).
Un modèle comment faire ? • 1. MODELE DE CONNAISSANCE • Obtenu sur la base des lois physiques, économiques etc.. • Difficultés de décrire fidèlement les phénomènes complexes; • Hypothèses simplificatrices; • Dilemme- précision-simplicité • Un modèle simple est faux, un modèle compliqué est inutilisable. • Les paramètres ont un sens physique donc modèle commode pour l'analyse. • 2. MODELE DE REPRESENTATION • Système "boite noire"; • Expérience active (système dérangé) ou passive (aléatoire); • Etape qualitative (connaissances a priori) et quantitative; • Paramètres du modèle n'ont aucun sens physique; • Modèle de conduite (modèle E/S) utile pour la commande; • Complément du modèle de représentation.
Classification des modèles • selon le caractère des régimes de fonctionnement • statique et dynamique • selon la description mathématique • linéaire, non linéaire • selon les propriétés dynamiques • à paramètres localisés, à paramètres distribués • selon l’évolution des paramètres : • stochastique , déterministe • selon le nombre de variables : • monovariable (SISO) , multivariable (MIMO)
Chapitre 2 METHODES STATISTIQUES
Méthodes des MMC • Principe de la MMC LST • La MMC est introduite par Karl Gauss en 1809 en cherchant à prévoir le Mvt. des planètes à partir des observations par télescopique Ys(i) SYSTEME + (i) D((i)) Entrées Critère d’identification x(i) - MODELE Ym(i)
x1 PROCEDE TECHNOLOGIQUE y1 XK EXEMPLE : REGRESSION LINEAIRE • Expérimentation • N : Nbre. d'observations (d'échantillons de mesures); J = 1,2..K : Paramètre du modèle; i = 1,2...N : Numéro d'expériences; • Modèle statique : Ym = F(X1,X2,.....Xk) Modèle • Structure du modèle
Problématique générale • Soit donné : • Que veut on ? : Trouver : • Tel que :
1. cas monovariable • K=1, Ym=a0+a1x • Combien d’expériences à réaliser ? • 1. N=2 : Par deux points ne passent qu’une droite : E1=Y-Ym1=Y-Ym2=E2=0.? • Le modèle reflète parfaitement le système ? • Cas idéal irréalisable en pratique : Présence d'erreurs de mesure (Systématique, instrumentale, humaine etc.) Champ de corrélation yex ym Yex(i) E(i) ym(i) X(i) X
1. cas monovariable • 2. N > 2 : trouver la meilleure droite au sens des MMC • Déterminer les paramètres a0 et a1 tel que : • Ceci revient à résoudre le système d’équations:
1. cas multivariable • K>1, Structure du modèle • Calcul des paramètres • Processus aléatoire : la sortie est affectée d'un bruit V(t) : • Réalisation de N expériences
1. Système non bruité V=0 • Cas déterministe, si H est inversible, alors : • Cas non réaliste • 2. Système bruité V#0
Estimation des paramètres • 2 types d’erreurs : • Erreurs d'observation : • Erreurs d’estimation : • Estimateur optimal • Critère d’optimalité • Conditions d'optimalité • Conditions d'observabilité : HT non singuliére et N > K
Biais de l'estimateur • Biais de l’estimateur b • b=0 : Estimateur non biaisé ( pas d'erreur d'estimation); Densité de probabilité centrée sur la valeur cherchée • b # 0 : Estimateur non biaisé ( pas d'erreur d'estimation); Densité de probabilité centrée sur la valeur cherchée • V et H séquences corrélées ( hypothèses de régression); • V est de moyenne non nulle
Simulation sur Matlab • 1. Cas monovariable home disp('EXEMPLE DE CALCUL D UN MODELE DE REGRESSION') % VALEURS EXPERIMENTALES pause,home x=[1 2 3]; y_exp=[2 4 6]; pause;home disp('CHOISIR L ORDRE n DU MODELE') pause,home input n= n=ans; poly_model=polyfit(x,y_exp,n)%c'est pour trouver l'ordre du polyn^ome disp('VERIFICATION DU MODELE : ERREUR DE MODELISATION') pause,home Y_model=polyval(poly_model,x);%calcul les valeurs du modèle E=abs([y_exp' Y_model' (y_exp'-Y_model')]); ERREUR_MAX=max(E(:,3)) pause home disp('GRAPHE') pause,home plot(x,y_exp,'*',x,Y_model,'--');grid;title('VERIFICATION DU MODELE');legend('--:model, *:exp') pause;home;close disp('SI L ERREUR N EST PAS BONNE CHANGER L ORDRE n')
Simulation sur Matlab 2. Cas multivariable disp('INTRODUCTION DES DONNES EXPERIMENTALES:') pause, home disp(' 1. MATRICE D EXPERIENCES H:') disp(' NOUS AVONS 7 EXPERIENCES ET DEUX VARIABLES X1 et X2') H= [1 3;4 2;1 5;2 1;3 4;4 5;6 8] pause,home disp('2. VARIABLE DE SORTIE Y:') y=[5 13 9 4 11 12 23]' pause,home disp('SOLUTION : PARAMETRES ESTIMES:') teta=inv(H'*H)*H'*y; a1=teta(1) a2=teta(2) pause,home disp(' LE MODELE EST DONC; Ym=a1*X1+a2*X2') pause,home disp('VERIFICATION DU MODELE') pause,home disp('VALEURS DU MODELE') ym=polyval([a1 0],H(:,1))+polyval([a2 0],H(:,2)) %ym=a1*X1+a2*X2 pause,home disp('CALCUL DE L ERREUR DE MODELISATION') pause R=[ym,y,abs((ym-y)./y)*100] disp('ERREUR MAXIMALE') Emax=max(R(:,3)) pause,home disp('GRAPHE 3D') plot3(y,H(:,1),H(:,2),ym,H(:,1),H(:,2));grid;Xlabel('X1,X2'); Ylabel ('Modéle, Expérimentale');
Limites de la MMC simple • Principe de la RLST • Alors l'estimateur, tenant compte des (N+1) observations sera :
L’estimateur de la nouvelle mesure • Le gain d’adaptation ou facteur de pondération de la mise à jour apportée par la nouvelle mesure
INITIALISATION DE L'ALGORITHME • P(0) = diag(1000); 0)=0. • PROBLEME DE DECROISSANCE DU GAIN • Inconvénient de la RLST
MMC AVEC FENETRE GLISSANTE • PRINCIPE : • Tronquer les observations à travers une FENETRE de largeur N constante que l'on "glisse" au fur et à mesure que les échantillons arrivent
Estimateur optimal • La formule met en évidence la contribution dans la nouvelle estimée de l'enrichissement dû à l'observation à l'instant K+1 d'une part et de la contribution de la K-N iéme observation qui doit être retranchée d'autre part de l'estimation précédente. • Limite de la méthode
MMC AVEC FACTEUR DE PONDERATION • Princiope • CRITERE CLASSIQUE PONDERATION HOMOGENES DES Ei • Pondération des erreurs
Choix de la pondération • On recommande progression géométrique • < 1 : Favorise les premières mesures (Facteur d'oubli); • > 1 : Favorise les dernières mesures par rapport aux premières • Critère d’optimalité
MODELES LINEARISABLES • Modèle exponentiel • Utilisé lorsque le taux les données sont telles que le taux de croissance ou de décroissance d'une variable Z est constante en f-n de X. • Exemple • Les données suivantes représentent la croissance du biologiste, mois par mois, d'une grandeur caractéristique d'un certain type de plante
Données • Connaissances à priori on postule un modéle exponentiel entre l'age et taille • Par la MMC on trouve : a1= 0.1735 a0= -0.2860
Modèle puissance • Modèle polynomial • 1. modèle parabolique
2. Modèle polynomial général • Calcul des paramètres du modèle
ADEQUATION DU MODELE • Définition • Procédé de vérification sur la base des échantillons, la validité d'une hypothèse et décider soit de rejeter, soit d'accepter hypothèse envisagé
CARACTERISTIQUES STATISTIQUES DU MODELE • Somme des carrés totale (dispersion des données exp Ye(i) autour de la valeur moyenne ) • Dispersion des données expérimentales autour de la ligne de régression (Somme des carrés résiduels)
Dispersion des valeurs du modèle autour de la valeur moyenne expérimentale • Degré de liberté : = N-K • Caractérise l'excès du nbre d'expériences • Exemple
1. VÉRIFICATION DE L’HOMOGÉNÉITÉ • Principe : critère de Cochrane (Test de 2 ) • La moyenne d'un échantillon est susceptible de varier de façon substantielle d'un échantillon à un autre : • Ce test permet d'expliquer la signification à donner à cette différence : • La vérification en deux étapes : • 1.Variance de sondage ou de reproductibilité (Test de 2 ) : • Pour chaque expérience on calcule : • 2. Somme des dispersions M : Nbre d'essais parallèles, N : Nbre d'expériences M-1 : degré de liberté =
3. Critère calculé de Khi2 • 4. On vérifie l’homogénéité • Variances homogènes avec une probabilité P ssi : • Sinon (variances non homogènes) alors on refait les expériences
2. VERIFICATION DE L’ADEQUATION • But : • vérifier que le modèle obtenu est adéquat (décrit avec précision le procédé) • Quel critère ? • Critère de Fischer F • Comme le rapport de la variance résiduelle à celle des essais parallèles • Sens ? : comparer erreurs dues au modèle et celles dues au système 1 = N-K 2 = M-1 M : Nbre d'essais parallèles, N : Nbre d'expériences K : nbre de paramètres du modèle
Adéquation en absence d'essais parallèles • Conditions d’adéquations par le critère F • Modèle adéquat ssi • Influence de N (nbre d’exp.) et d’essais // sur l’adéquation du modèle : Pour 2 fixé , 1 = N-K . Si N alors FT (cf. Tableau) donc plus de chance que (F>FT) Pour 1 fixé , 2 = M-1 . Si M alors FT (cf. Tableau) donc plus de chance que (F>FT)
Que faire en absence d’essais parallèles ? Modèle adéquat ssi
T (°K) K (mole/s) Réaction chimique Exemple d'application • Equation D’arhenius • Déterminer la relation liant la constante de vitesse K (mole/s) et la température de la réaction T (°K) • Structure du modèle : formule empirique • Question : déterminez les valeurs numériques des paramétres E/R et K0 ? E : Energie d’activation, R : cste des gaz T (°K) = t (°c) +273