L'objectif du projet CaMPaS est de réaliser, en première mondiale, des Simulations aux Grandes Echelles (SGE) de l'écoulement réactif dans un moteur à combustion interne complet multi-cylindre. Ces simulations visent à :
ouvrir la voie vers une prédiction de phénomènes influençant directement le rendement et les émissions des moteurs à piston, inaccessibles aux méthodes de simulation actuelles: variations cycliques, interactions complexes et instationnaires entre les cylindres ;
démontrer la possibilité de réaliser des simulations SGE multi-cycles sur une application moteur complet avec un temps de retour d'une journée par cycle.
Le maillage d'un moteur complet comprenant de l'ordre de 15 millions de noeuds, le projet s'orientera vers l'utilisation de machines massivement parallèles, afin d'atteindre l'objectif en terme de temps de retour.
Partenaires : IFP – DTAE (partenaire coordinateur), CERFACS, CNRS - Laboratoire d'Énergétique Moléculaire et Macroscopique, Combustion, CINES
Coordinateur : Adlène BENKENIDA -
haut de page
La puissance de calcul des ordinateurs actuels rend possible la réalisation de simulations visant à prédire le vieillissement de matériaux sous diverses sollicitations et basés sur une hiérarchie de modèles décrivant les phénomènes à des échelles de temps et d’espace allant de l’atomique au macroscopique. La problématique considérée ici concerne l’évolution des propriétés mécaniques de matériaux irradiés mais les concepts et les outils utilisés ont une grande généricité.
D’un point de vue pratique, il s’agit d’enchaîner des calculs simulant différentes échelles, de la plus fine à la plus grossière. Pour parvenir à des prédictions quantitatives sur des matériaux réels, il est indispensable de gagner plusieurs ordres de grandeur, tant du point de vue de la taille des systèmes simulés que de celui de la rapidité d’exécution.
L’objectif global de ce projet “Parallélisation pour la simulation des Matériaux ” (ParMat) est d’augmenter significativement les capacités des codes de trois échelles consécutives (calculs ab initio à l’échelle atomique, calculs basés sur un algorithme de Monte Carlo cinétique et sur un modèle de champ moyen pour aller jusqu’aux échelles microscopiques).
Partenaires : EDF/R&D - Département Sinetics (partenaire coordinateur), ENPC - Centre d'Enseignement et de Recherche en Mathématiques et Calcul Scientifique, CEA/DEN - Service de Recherches de Métallurgie Physique , CNRS - Laboratoire de métallurgie physique et génie des matériaux, CAPS entreprise
Coordinateur : Guy BENCTEUX -
haut de page
Un nombre croissant des études industrielles de management des risques inclut des formes variées de traitement des nombreuses sources d’incertitudes afin de garantir des résultats fiables et d’explorer de façon robuste l’espace de conception des systèmes complexes. Le management approprié des incertitudes permet d’optimiser la conception des systèmes complexes, en réduisant les risques industriels et en améliorant la performance ou la qualité des prévisions. Dans un grand nombre de contextes, la prise en compte des incertitudes permet aux décideurs d’utiliser au mieux des modèles et informations disponibles.
Tandis que de nombreuses approches, typiquement spécifiques à une application, ont été développées depuis des années 90 dans des domaines allant de la Défense à l’Energie, le spectre croissant des applications possibles rend désormais indispensable une consolidation des savoirs. En même temps, depuis plusieurs années, l’usage de la simulation multi-physique et multi-échelle pour la conception et la validation des systèmes complexes devient de plus en plus important. En effet, la simulation permet de réduire le besoin d’essais, souvent très coûteux, mais la condition en est une maîtrise accrue des incertitudes, imprécisions, et variabilités physiques ou numériques de toute nature.
Plusieurs collaborations importantes (ESREDA, MUCM, SAMSI, IMdR, SYSTEMATIC/EPHOC) de niveau français ou international ont été lancées récemment avec pour ambition de développer des guides génériques de traitement des incertitudes couvrant une grande variété d’applications. Elles s’appuient sur une formalisation mathématique graduellement partagée, associant la modélisation statistique et l’analyse probabiliste au calcul scientifique des modèles numériques déterministes. L’objectif étant d’orienter l’utilisateur vers la méthodologie la plus appropriée suivant le contexte mathématique et industriel du problème formalisé : coût CPU d’un calcul unitaire du modèle déterministe, richesse des données ou du retour d’expérience disponible, régularité du modèle sous-jacent, nature du critère décisionnel incertain (variance, quantile, etc.)…
Afin d’offrir à une communauté vaste, ingénieurs, chercheurs ou décideurs, une véritable capacité de traiter des incertitudes, une étape essentiel – l’objectif du projet OPUS – est de créer une plate-forme logicielle générique, ergonomique et globale : celle-ci couvrira notamment les volets statistiques, probabilistes ou stochastiques en lien avec la supervision avancée du calcul des modèles déterministes industriels. OPUS capitalise les développements conceptuels et méthodologiques les plus avancés dans une plate-forme libre, alliant également un objectif de qualité industrielle, et de pérennité.
Partenaires : Ecole Centrale de Paris, SupElec, INRIA (coordinateur du consortium Scilab), Université Joseph Fourier, Université Paris VII, CEA, EDF, EADS et Dassault Aviation, SOFTIA.
Ainsi, OPUS présente un bras de levier nettement supérieur à l’investissement proposé dans la présente offre. La synergie des expériences de ses partenaires donne à OPUS une masse critique pour lancer une Plate-forme Générique Libre de Traitement des Incertitudes et créer une dynamique durable assurant sa pérennité.
OPUS promeut la transparence des approches de traitement des incertitudes qu’il adopte, à la fois via le collège ouvert d’experts qui sera constitué, et le principe même du logiciel libre : les partenaires sont en effet convaincus d’expérience que dans le domaine des incertitudes, le plus important est d’arriver à une conviction partagée, et de bâtir un consensus technique sur les limites, inconnues et imprécisions de manière à ce que les hypothèses sous-jacentes à la décision technique soient partagées. OPUS contribue de fait à la communauté du logiciel libre autour de la Conception des Systèmes Complexes car sa plate-forme respecte les standards actuels et assure l’interopérabilité avec les logiciels de la Simulation Haute Performance existants et émergents. En effet, projet OPUS assure une coopération étroite avec d’autres projets majeurs dans le domaine des Systèmes Complexes (EHPOC, SCILAB, SCOS, TER@TEC) car il est constitué des acteurs actifs de ces projets.
Objectifs d’OPUS en bref
Faire émerger une plate-forme Intégrée de Traitement des Incertitudes pour la Simulation et la Conception des Systèmes Complexes.
Ceci permet :
l’intégration de modèles d’incertitudes avec les approches les plus modernes dans la simulation traditionnelle
une dynamique durable à l’interface recherche académique-industrie dans le domaine de Traitement des Incertitudes
Ancrer le savoir-faire Français parmi les meilleurs mondiaux dans la recherche industrielle dans les Incertitudes
Ceci favorise la promotion du logiciel libre pour la Simulation Haute Performance et la Conception des Systèmes Complexes.
Ceci établit la France comme un pôle international de développement des logiciels libres pour l’industrie.
Coordinateur: Alberto PASANISI, alberto.pasanisi@edf.fr
haut de page
Regroupant 28 partenaires, dont 11 internationaux, le projet Collaviz développe une plate-forme open source modulaire pour la visualisation 3D collaborative et distante de données scientifiques de grande taille. Orientée service et reposant sur des standards ouverts, Collaviz a pour objectif d’être déclinée vers nombreuses applications métiers.
Au travers de différentes applications clientes, Collaviz permettra le pré- et post-traitement simultané de données scientifiques par plusieurs experts géographiquement distribués. Cherchant à intégrer au mieux l’existant au sein de la communauté, Collaviz offrira par exemple aux moteurs de traitements existants et faisant référence (Paraview, Ensight, Cassandra, etc.) des capacités collaboratives, facilitant l’analyse en multi-expertise.
Lire la suite
haut de page
