HAL Id: jpa-00246245
https://hal.archives-ouvertes.fr/jpa-00246245
Submitted on 1 Jan 1990
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Réduction de modèle par identification de modes dominants : application à un modèle bidimensionnel de
diffusion thermique
D. Petit, R. Pasquetti
To cite this version:
D. Petit, R. Pasquetti. Réduction de modèle par identification de modes dominants : application à
un modèle bidimensionnel de diffusion thermique. Revue de Physique Appliquée, Société française de
physique / EDP, 1990, 25 (8), pp.831-842. �10.1051/rphysap:01990002508083100�. �jpa-00246245�
Réduction de modèle par identification de modes dominants : application
à
unmodèle bidimensionnel de diffusion thermique
D. Petit
(1)
et R.Pasquetti (2)
(1)
LaboratoireSystèmes Energétiques
et TransfertsThermiques,
URA CNRS 1168, Centre de St Jérôme, Avenue EscadrilleNormandie-Niemen,
13397 Marseille Cedex 13, France(2) Département
deMathématiques,
URA CNRS 168, Faculté des Sciences Valrose, 06034 Nice Cedex, France(Reçu
le 20février
1990,accepté
le 15 mai1990)
Résumé. - Dans le cadre de la modélisation des
systèmes dynamiques linéaires,
onprésente
différentes formulations deséquations
d’état et onanalyse
leur intérêt quant auproblème
de la réduction de modèle. On montre ensuite comment, àpartir
d’un modèle de connaissance, un modèle réduit peut être obtenu par uneméthode
originale
d’identification de ses modes dominants. Cette méthode estappliquée
à un modèlebidimensionnel
(d’ordre 150),
décrivant la diffusionthermique
au sein d’unplancher
chauffant, etcomparée
àd’autres
techniques
de réduction(Eitelberg,
Marshall etagrégation).
Les simulationsnumériques
montrentque le modèle identifié
(d’ordre 4)
donne des résultats très satisfaisants.Abstract. 2014 In the framework of the
dynamic
linear models, several forms of the state spacerepresentation
arepointed
out. Ananalysis
of the interest of these forms for model reduction ispresented. Then,
it is shown how to obtain a low order model from alarge
one,by using
anoriginal
method of identification ofpreponderant
modes. This
technique
isapplied
to a bidimensional model(of
order150), describing
the diffusive heat transfert across aheating
floor. Numerical simulations attest that the identified model(of
order4)
isquite satisfying.
This obtained model is alsocompared
to other reduced modelscoming
from other methods(Eitelberg,
Marshall andaggregation).
Classification
Physics
Abstracts44.10 - 02.70
Nomenclature.
Matrices :
A : matrice d’évolution
(dim.
n,n )
A : matrice d’évolution du modèle réduit
(dim.
m,m )
B : matrice de commande
(dim.
n,p )
B : matrice de commande du modèle réduit
(dim. m, p )
C : matrice d’observation
(dim. q, p )
C : matrice d’observation de l’état réduit
(dim. q, p )
Ca :
matricediagonale
descapacités thermiques (dim.
n,n )
D : matrice de
couplage
entrées - sorties(dim. q, p )
G : matrice des conductances
thermiques (dim. n, n )
M : matrice modale
(dim. n, n )
0393 : matrice de commande dans la base modale
(dim. n, p )
r : matrice de commande du modèle réduit dans la base modale
(dim.
m,p )
A : matrice
diagonale
des valeurs propres de A(dim. n, n )
A : matrice
diagonale
des valeurs propres de A(dim.
m,m )
03A9 : matrice d’observation dans la base modale
(dim. q, n )
il matrice d’observation du modèle réduit dans la base modale
(dim.
q,m )
Vecteurs :
T : vecteur des
températures (dim. n )
u : vecteur des entrées
(dim. p )
x : vecteur d’état
(dim. n )
x : vecteur d’état réduit
(dim. m )
y : vecteur des sorties
(dim. q )
:
estimation du vecteur des sorties(dim. q ) 03BE
: vecteur d’état dans la base modale(dim. n) 03BE
: vecteur d’état du modèle réduit dans la basemodale
(dim. m )
Article published online by EDP Sciences and available at http://dx.doi.org/10.1051/rphysap:01990002508083100
Scalaires :
t :
temps
c :
capacité thermique massique
k : conductivité
thermique
03BB : valeur propre de A X : valeur propre de A p : masse
volumique Sigles :
MC : Modèle
Complet
MI : Modèle Identifié
(réduit)
Remarque :
les notations enitaliques
correspon- dent aux modèlescomplets
et les notations encaractères droits aux modèles réduits.
1. Introduction.
La modélisation de
systèmes thermiques régis
par deséquations
aux dérivéespartielles
nécessite engénéral
une discrétisationspatiale
et les méthodesnumériques
habituellement utilisées(éléments finis,
différencesfinies,
méthodenodale, etc...)
condui-sent alors à une
représentation
par unsystème
den
équations
différentielles dupremier
ordre entemps t :
T(dim. n )
est le vecteur destempératures
auxn noeuds de la discrétisation et
T’
est sa dérivéetemporelle.
Dans le cas dessystèmes
linéaires inva-riants,
les matrices(dim. n, n ) Ca
et G sont constan- tes. Pour la méthodenodale, qui
sera utilisée dans la suite de cetravail, Ca
est la matricediagonale
descapacités thermiques,
G la matrice des conductancesthermiques
entre noeudsvoisins, 0
le vecteur desflux associés aux conditions limites et aux sources de chaleur.
Cette formulation se
prête
bien à la mise sousforme des
équations
d’étatclassiquement
utilisées enréduction de modèle :
où x = T est le vecteur d’état
(dim. n ), u (t)
est levecteur des entrées dont les
composantes représen-
tent les termes sources ou les conditions
limites,
y est le vecteur des sorties
(dim. q )
où sontgroupées
les
températures
ou flux dont on veut suivre l’évolu-tion
temporelle. A, B,
C de dimensionsappropriées,
sont
respectivement
les matricesd’évolution,
d’entrée et d’observation. Les relations
(1)
et(2.1)
donnent immédiatement :
La relation
(2.1) prend
une formeparticulièrement
intéressante
lorsque
la matrice d’évolution A estdiagonalisable.
Eneffet,
de nombreux travaux, tant d’automaticiens[1-5]
que de thermiciens[6-10]
ontmis en avant l’intérêt de la
représentation (2) quand
elle est
exprimée
dans la base des vecteurs propres.Si on suppose effectivement l’existence de n valeurs propres distinctes pour
A, (2) peut
alors s’écrire :où e
est le nouveau vecteurd’état,
rl la matricediagonale
des valeurs propres, T et Q les nouvelles matrices de commande et d’observation telles que :la matrice M étant la matrice des n vecteurs propres linéairement
indépendants (matrice modale).
Les
avantages
suivantsapparaissent
alors :la
représentation (3)
estparticulièrement
bienadaptée
aux résolutionsanalytique
etnumérique
dufait de
l’indépendance
dechaque composante
duvecteur
d’état,
le critère de stabilité
asymptotique
dusystème
estaisément vérifiable : les valeurs propres doivent être toutes à
partie
réellenégative,
en cas de discrétisation
temporelle,
l’examen des constantes detemps
dusystème
Ti = -1/Re (A i ) permet
unajustement
du pas detemps.
Pour les
systèmes
d’ordre élevé(n grand),
les’formulations
(1) (2)
et(3)
deviennentparticulière-
ment lourdes si on veut faire de nombreuses simula- tions ou si on désire les
incorporer
dans desalgo-
rithmes de contrôle-commande de processus. Dans de tels cas, l’intérêt de
disposer
d’un modèle defaible dimension est certain et les formulations
(2)
et(3), qui présentent l’avantage
de mettre en évidenceles
paramètres
d’entrée et de sortie dusystème,
sontalors
plus spécialement adaptées
auxtechniques
deréduction.
L’objectif
de ces méthodes est d’obtenirun modèle de faible dimension
(m « n )
avec unestructure semblable à celle du modèle
d’origine.
Dans cet
article,
relatif à la réduction de modèles décrits parl’équation (1),
nous proposons :i) d’exposer
différentes formulations deséqua-
tions d’état en commentant leur
adéquation
auproblème
de laréduction,
ii)
deprésenter
une méthodeoriginale
d’obten-tion d’un modèle modal de faible dimension par identification de ses modes
dominants,
iii)
de comparer différentestechniques
de réduc-tion à cette méthode sur un
exemple
de modélisation d’unplancher
chauffant.2.
Représentation
d’état et réduction.Nous
présentons
dans ceparagraphe
différentes formulations deséquations
d’état(2),
en introduisantles dérivées successives du vecteur d’entrée
u(t)
etnous discutons de l’intérêt de ces
représentations
pour la réduction de modèle.
Sous
l’hypothèse
u dérivable parrapport
autemps (de
classeCI),
effectuons lechangement
de variablesx( t )
=x1(t) - A -1 Bu(t)
dans leséquations (2).
Ilrésulte alors la reformulation suivante des
équations
d’état :
avec :
Un raisonnement
analogue peut
êtreappliqué
à laformulation
(4)
avec lechangement
de variables :x1(t)
=x2(t) - A-1 BI u (t).
Ensupposant
mainte-nant u dérivable i fois
(de
classeC’),
defaçon récurrente, après
ichangements
de variables sembla-bles,
on a :avec :
u(i)
étant la dérivée d’ordre i de u parrapport
autemps.
Cette formulation fait ressortir lesparamètres
de Markov
Dj
intervenant dans ledéveloppement
ensérie de la matrice de
transfert,
dans le cas d’unereprésentation
detype
externe : avec s la variable deLaplace,
àpartir
des relations(2)
la matrice de transfertH (s)
s’écrit :Cette
description
estexploitée
tant en identifica- tion[20] qu’en
réduction de modèle[1, 21],
leprincipe
étant de trouver une réalisation minimale dansl’espace
deLaplace.
En ce
qui
concerne lareprésentation interne,
lestechniques
de réduction de modèles sontappliquées
à la forme
(2) [1, 11, 12].
Elles visent alors à l’obtention d’un modèle d’état de faible dimension s’écrivant sous la forme :où x
(dim. m « n)
est le nouveau vecteurd’état, y
l’estimation dessorties, A,
B et C les matricesréduites
correspondantes.
Ces mêmes
techniques peuvent
alors êtreappli- quées
à la formulation(5)
etpermettront
d’obtenir des matricesA, B;,
C ainsiqu’une
estimationdu vecteur des sorties selon :
L’avantage théorique
de la formulation(7)
est laconservation de
régimes
forcés deplus
enplus complexes ; ainsi,
une méthode de réductionappli- quée
à :- la formulation
(4)
conserve naturellement lesrégimes
stationnaires u = constante ;- la formulation
(5)
conserve toute entrée telleque
u(k)
=0 pour k
> i.Le
principal
inconvénient estl’adjonction
de ter-mes
supplémentaires qui
alourdissent le calcul auniveau de la sortie du modèle réduit.
Remarque
1 :Quand
on choisit la réduction élémen-taire xi
=0,
on retrouve la formulation du modèle réduitproposé
en[13] :
Remarque
2 : Avec i =1,
c’est-à-dire si lareprésen-
tation
(4)
estchoisie,
on obtientl’équation
d’étatutilisée en
[9] qui s’appuie
sur la notion derégime glissant :
Ce
régime glissant correspond
à l’étatqu’aurait
lesystème
en l’absence d’inertiethermique.
La
représentation (4)
offre par ailleurs deuxavantages particulièrement
intéressants :a)
engénéral,
les méthodes de réductionappli- quées
à la formulation(2)
nécessitent l’introduction d’une matrice decouplage
entrées-sorties D dans le modèle réduit afin depréserver
les états stationnai- res,l’équation (6.2)
s’écrivant alors :Cette
propriété indispensable
pour lesproblèmes
de
réduction,
est naturellement obtenuequand
laréduction
porte
sur la formulation(4).
b)
Ellepeut
être étendue à desproblèmes
nonlinéaires visant la
prise
encompte
de l’évolution deparamètres thermophysiques
avec latempérature.
En
effet,
si un modèlestatique ys = f(u)
de cesystème
non linéaire estutilisé,
soncomportement dynamique peut
êtreapproché
par unereprésenta-
tion telle que :
conservant tout
régime
stationnaire.Ces
avantages
nous ont fait retenir lareprésenta-
tion d’état sous la formulation
(4).
Nous nousintéressons ci-dessous à l’obtention d’une telle
repré-
sentation, quand
elle estexprimée
dans la base modale. Notons en effet que lesdéveloppements
présentés
dans ceparagraphe
auraient pu être effec- tués sur la formecanonique (3).
3. Modes dominants d’un
système :
sélection et iden-tification.
De nombreuses méthodes de réduction utilisent les
« modes dominants » sélectionnés dans le
spectre
de la matrice d’évolution A. Il est alors nécessaire de définir uneméthodologie
de sélection de ces modes et de nombreux auteurss’y
sontemployés.
Demanière non
exhaustive,
nous allons succinctementévoquer quelques approchés, puis
nousprésenterons
une méthode d’obtention de modes dominants par
identification,
méthode dontl’avantage
estprécisé-
ment d’éviter le difficile
problème
de la sélection.3.1 RÉDUCTION MODALE PAR SÉLECTION DE MODES
DOMINANTS. ANALYSE SPECTRALE. - En
reprenant
leséquations
d’état dans la base modale(3),
leproblème
de la réduction est de trouver unerepré-
sentation d’état modale du
type :
où se trouvent
groupées
dans A les m valeurspropres
sélectionnées ; t
est le vecteur d’état réduit de dimension m(m « n) correspondant
en fait à unepartition
du vecteur d’étatd’origine e,
la matrice r(dim. m, p )
est issue du mêmepartitionnement
relatif à
F, n (dim.
q,m )
est la matrice d’observa- tion réduite et D est une matrice decouplage
entrées-sorties assurant la conservation des
régimes
stationnaires
(cf. (8)).
Le
problème
est donc de sélectionner les mvaleurs propres et de déterminer les matrices d’observation et de
couplage correspondantes.
Parmiles méthodes
modales,
citons lesplus classiques : a)
unecatégorie
de méthodes utilise la conserva-tion de m valeurs propres
correspondant
auxm constantes de
temps
lesplus grandes;
les(n - m ) composantes
restantes du vecteur d’étatsont
supposées
atteindre leurrégime asymptotique
de
façon
instantanée. Cetype
de réduction a notam-ment été utilisé dans les références
[2, 3, 10] ; b)
pour la méthoded’agrégation
la sélection des modes se fait en fonction de leur contributionénergétique lorsque
lesystème
est soumis à desentrées tests
(type
échelon parexemple)
sur chacunedes
composantes
du vecteur des entrées. Ces travaux ont enparticulier
étédéveloppés
dans les références[4, 14] ;
c)
si on utilise les notions de commandabilité(via
la matrice
F)
et d’observabilité(via
la matrice03A9), l’analyse systématique
de l’influence dechaque
entrée sur
chaque
sortie estégalement possible.
Enexcitant successivement
chaque composante
du vec-teur d’entrée
(classiquement
unéchelon),
la contri- bution dechaque
valeur propre au niveau de la sortiepermet
de déterminer lesplus
influentesqui
sont alors retenues. Ces méthodes ont
particulière-
ment été utilisées dans les références
[5, 8, 9, 15].
3.2 MODÈLE MODAL IDENTIFIÉ. - La diversité des
approches évoquées
ci-dessus atteste de la difficultéde sélectionner m modes propres dans le
spectre
de la matrice d’évolution. Deplus,
lapossibilité
d’unamalgame
de diverses valeurs propres estégalement envisageable [4, 14],
mais pose unproblème
encoreplus
délicat. C’est la raison pourlaquelle,
suite à des travauxdéjà entrepris
sur l’identification d’un modèle modal[16],
nous proposonsci-après
uneméthode de réduction mettant en évidence les modes
prépondérants
par identification et non pasen suivant une
méthodologie
de sélection dans lespectre.
Etant donné les
avantages précédemment
montrésde la formulation
(9),
nousadoptons
cette structure pour le modèleréduit ;
dans la base modale on a :où t
est le vecteur d’état(dim. m )
AF et d2 sontrespectivement
la matricediagonale
des m valeurs propres, les matrices de commande et d’observation àidentifier, §
est l’estimation du vecteur dessorties, f (u)
est la sortiecorrespondant
aurégime glissant.
3.2.1
Identif ication
des modes dominants. - Dansun
premier temps,
les matrices A et Il sont obtenues par identification lors d’unecomparaison
entre lessorties du modèle
complet y(t)
et du modèle réduit(t), lorsque
lesystème
évolue d’un état initial03BE(0)
à un étatasymptotique correspondant
àu = constante.
Pour u = constante, ù = 0 et
(11) s’intègre
sous laforme :
Rangeons
les mcomposantes
du vecteur03BE(0)
sur ladiagonale
d’une matrice carrée(m, m )
telle quet ,0
=diag[03BEi(0)]
et avec1
le vecteur de dimensionm et de
composantes
unitaires(12)
s’écrit :Les matrices
exp(039Bt)
etgo
sontdiagonales
et leurproduit
est donc commutatif.L’équation (13) peut
s’écrire alors sous la forme :avec K la matrice telle que K =
ilto
et la notationZt
pour le vecteur de dimension m tel que sa i-ièmecomposante
soit(Zt)i=Z¡
oùZi
=exp (Xi).
Laminimisation d’une norme de l’écart entre les sorties
du modèle
complet
et del’équation (14), permet
alors :- l’estimation de la dimension du modèle
réduit,
- l’identification des valeurs propres,
- l’identification de la matrice K.
Le traitement
numérique
de ceproblème d’optimi-
sation est décrit en annexe 1.
Remarque :
enpratique,
dans cettephase
de laprocédure,
pour obtenir une meilleureidentification,
on travaille avec un vecteur de sortie étendu
permet-
tant l’observation des variations d’un
grand nombre,
voire de toutes les
températures (q = n ).
3.2.2 Détermination de la matrice de sortie. - Pour obtenir la matrice de sortie
tl, d’après
les résultatsobtenus
ci-dessus,
on remarquequ’avec
lechange-
ment de
variables t = ëo t’, l’équation (11)
devient :Cette
représentation
d’état étant semblable à lareprésentation (11),
on en déduit le résultat essentiel suivant : la matrice Kprécédemment
identifiéepeut
être utilisée comme matrice d’observation 03A9. Engardant
lesnotations 03BE pour t’
et r pourr’,
onpeut
ainsi conserver la formulation(11).
3.2.3 Détermination de la matrice d’entrée. - Pour déterminer la matrice d’entrée
r,
il est naturel de chercher à minimiser l’écart entre les sorties des modèlescomplet
et identifié sur des entréesspécifi-
ques
u (t).
Considérant une norme de l’écart entre(t)
ety(t),
leproblème
se pose sous la forme de la minimisation d’un critère dutype :
Classiquement,
des considérationsstatistiques
conduisent à retenir une norme
quadratique [17] :
où
P(t)
est une matrice depondération (dim. q, q )
définie
positive
pour tout t.Comme entrées
spécifiques,
nous avons choisi des échelons unitairesappliqués indépendamment
surchaque composante
du vecteur u. Les solutionsanalytiques
de(9)
et(11) permettent
alorsd’expri-
mer les écarts entre les sorties sous la forme :
où e est la matrice des écarts entre
(t)
ety(t)
telle que03B5ij
=Yi(t) - Yi(t) quand
on considèreun échelon sur la
composante uj.
Commeprévu,
si tREVUE DE PHYSIQUE APPLIQUÉE. 2013 T. 25, N 8, AOÛT 1990
est
infini,
alors03B5(t)
= 0(conservation
desrégimes asymptotiques).
Dans le cadre de ce
travail,
pour la matrice depondération,
nous avons choisiP(t) = 03B4(t)1,
où03B4(t)
est la distribution de Dirac et 1 la matrice identité(dim.
q,q) ;
ce choixsignifie
que l’onexige
un écart minimum entre les modèles
complet
etidentifié à l’instant de l’échelon. La minimisation du critère J défini par
(15)
se traduit alorssimplement
par la résolution de :
La matrice inconnue r est en fait constituée de mp éléments alors que la matrice
CA-1
B enpossède
qp.
Si q
m,l’équation (18)
estinexploitable
car lesystème
est sous-déterminé etsi q
= m, elle constitueun
système
de qpéquations
à qp inconnues. Dans lecas
plus fréquent où q
> m, lesystème
est surdéter-miné et la résolution de
(18) peut
s’obtenir au sens des moindres carrés. On trouve alors :Dans le
paragraphe suivant,
nousprésentons l’application
de cette méthode en traitant d’un cas concret : la modélisation d’unplancher
chauffant etnous comparons nos résultats à ceux
provenant
d’autrestechniques
de réduction.4. Le
système thermique
étudié : unplancher
chauf-fant.
DESCRIPTION ET MODÉLISATION. - Le
dispositif
étudié est un
plancher
chauffant sur videsanitaire,
dont on a
représenté
une coupe enfigure
1. Cesystème
multicouche est constitué :- d’un
carrelage d’épaisseur
1 cm(k
=1,04
Wm-1 K-1,
pc =1,05 10+6 J m -3 K -1),
- d’une
chappe
en cimentd’épaisseur
7 cm(k = 1,15 W m-1 K-1, 03C1c = 1,64 10+6 J m-3 K-1
dans
laquelle
se trouvenoyé
un tube(0
= 16mm)
dans
lequel
circule le fluidecalorporteur,
- d’une couche d’isolant
d’épaisseur
4 cm(k = 0,04 W m-1 K-1,
pc = 5 x10+4 J m-3 K-1),
- d’une dalle
porteuse
en bétond’épaisseur
10 cm
Les
hypothèses
retenues et les conditions aux limites duproblème
sont les suivantes :- les flux sont nuls sur les axes de
symétrie (conditions
de Neumannhomogènes),
- aux interfaces
carrelage-air, ciment-fluide,
etbéton-air,
les transfertsthermiques
sont décrits par des coefficients de transfert constants(conditions
deFourier), respectivement : hi
=5,9
Wm-2 K- l,
Fig.
1. - Schéma duplancher : maillage,
conditionslimites et les 3
températures TI, TIO
etTlso.
[Floor
draft : the mesh, theboundary
conditions and the 3 temperaturesT1, TIO
andT150.]
hf = 5000Wm-2K-I, he
=5,9 W m-2 K-1,
relati-vement aux
températures
d’air intérieurTi,
de fluideTf
et d’air extérieurT,,.
Afin de mettre le modèle sous la forme
(1),
nousavons utilisé la méthode nodale. Un
maillage
per- mettant de faire varier le nombre de noeuds horizon- talement et verticalement danschaque
couche a étémis en
place
et apermis, grâce
à diverses simulationsen
régime transitoire,
de fixer unmaillage
convena-ble
(10
x 15 = 150n0153uds).
Sous la forme
(2),
ce sont les 3températures Ti, Tf, Te qui
constituent lescomposantes
du vecteur d’entrée u, et commecomposantes
du vecteur dessorties,
nous avons retenu lestempératures
des2 noeuds extrêmes à la surface
supérieure ( Tl
etTlo) qui
matérialisent legradient thermique longitu-
dinal et une
température
à la surface inférieure(T150)
où latempérature
estquasiuniforme
étantdonné la
présence
de l’isolant. Les matrices de lareprésentation (2)
sont alors bien définies.5.
Expérimentations numériques
et résultats.5.1 LE MODÈLE COMPLET
(MC).
- Le modèlecomplet
à 150 noeuds est le modèlequi
nous sert deréférence pour les différentes simulations. Une ana-
lyse
duspectre
de la matrice d’évolution A montre que les 150 valeurs proprescorrespondent
à desconstantes de
temps
s’échelonnant entre 35 784 s et9,5
s : les 5premières
sont(en s) :
35784,
8837,
3
472, 1 655, 1 559,
les 100 dernières sontcomprises
entre 100 et 9 s. Conformément à ce
qui
a été dit enintroduction,
l’examen de ces constantes detemps
incite à choisir un pas detemps
de l’ordre dequelques
secondes(3
s enpratique).
Pourl’intégra-
tion sur le
temps,
un schéma aux différences finies du second ordre(Crank-Nicholson)
a étéadopté.
5.2 LE MODÈLE IDENTIFIÉ
(MI).
- Pour identifier les matrices A et Il du modèle réduit(cf. 3.2.1),
unesimulation de
type
relaxation a été faite sur le ModèleComplet (MC).
Unchamp thermique spatial
initial a été obtenu par une simulation avec un vecteur d’entrée de
composantes (10, 40, 0),
en °Cle
champ asymptotique
finalcorrespond
au vecteurd’entrée
(10, 5, 0).
Les 150thermogrammes
tem-porels
derelaxation,
comprenant chacun 200 tem-pératures,
ont été utilisés pour identifier les modes dominants et la matrice d’observation 03A9. Pourquantifier
laqualité
de l’identification en fonction du nombre de modes dominants identifiés m, nousprésentons
dans le tableauI,
l’écartquadratique
moyen
(en
C entre les 150thermogrammes
issusde MC et de MI pour différentes valeurs de
m.
Tableau 1.
Sur ce tableau
apparaît
très clairement la décrois-sance de Q
(03C32
=C(m)/(rq)
cf. Annexe1)
enfonction de l’accroissement de l’ordre du modèle identifié.
A titre
d’exemple,
on areprésenté
sur lesfigures
2à 5 les
thermogrammes correspondant
aux noeuds1,
10 et 150
respectivement ajustés
avec1, 2,
3 et 4exponentielles exprimées
sous forme de constantesde
temps.
L’incrémentation à m = 5 ne fournissant pas une amélioration sensible au niveau des thermo- grammescorrespondants,
le modèle réduitadopté
est arrêté à la dimension 4.
La matrice d’entrée a été
également
déterminéeavec les 150
thermogrammes
àpartir
de la relation(19). Finalement,
le modèle réduit identifié est donc d’ordre 4 et seprésente
sous la forme(en
ne faisantfigurer
que les 3températures Tl Tlo T150
dans levecteur de
sorties) :
avec :
Fig.
2. - Relaxation : modèlecomplet
et modèle identifiéavec une constante de temps : T = 9 118 s.
[Relaxation : complete
model and identified one whithone time constant : T = 9 118
s.]
Fig.
3. - Relaxation : modèlecomplet
et modèle identifiéavec deux constantes de temps :
03C41 = 10 104
s,T2 = 1225 s.
[Relaxation : complete
model and identified one whith two time constants : 03C41 = 10 104 s, T2 = 1225s.]
Fig.
4. - Relaxation : modèlecomplet
etmodèle
identifiéavec trois constantes de temps :
rl = 31852
s,T2 = 8 556 s, T3 = 989 s.
[Relaxation : complete
model and identified one whith three time constants : 03C41= 31852 s, T 2 = 8 556 s,Temps ( s )
Fig.
5. - Relaxation : modèlecomplet
et modèle identifiéavec quatre constantes de temps :
03C41 = 35 332 s, 03C42 = 8 540 s, 03C43 = 1 511 s, 03C44 = 297 s.
[Relaxation : complete
model and identified one whith four time constants : Tl = 35 332 s,T2 = 8
540 s,03C43 = 1 511 s,
03C44 =297 s.]
Si on compare ces 4 constantes de
temps
à celles issues duspectre
de la matriceA,
on constate que Ti 1 et 03C42correspondent
aux 2premières
des 150 du MC(respectivement
de 35 784 et 8 837s) :
ilapparaît
donc ici que l’identification « sélectionne » des modes
prépondérants préexistants.
Les 2 autresvaleurs T3 et 74
correspondent
alors à un « amal-game » des 148 autres constantes et c’est
précisément
dans la
possibilité
de cet «amalgame »
que se situe l’intérêt essentiel de la méthodeproposée.
5.3 SIMULATIONS ET COMPARAISON AVEC D’AUTRES MÉTHODES. - Pour tester le modèle identifié et le comparer à d’autres modèles
réduits,
nous utilisons ici 3 autres méthodes de réduction que
nous avons
déjà
mises en oeuvre lors de travauxprécédents [12] :
2 autres méthodes modales - Marshall[2] (dominances
detemps caractéristiques)
et
agrégation [4] (critères énergétiques
associés àchaque mode) - évoquées
auparagraphe
3.1 ainsique la
technique d’Eitelberg [ 11 dont
leprincipe
estde sélectionner m
composantes
du vecteur d’état et d’obtenir un modèle réduit de la forme(6)
enminimisant la norme d’une erreur
d’équation.
Souli-gnons ici que ces méthodes ont été utilisées sous leur forme
première,
c’est-à-dire sans chercher à amélio-rer les résultats par un
quelconque
affinement(cf.
par
exemple [18]
pour la méthodeEitelberg).
5.3.1 Simulation de type échelon. - Une
première
simulation est faite avec un échelon sur la
tempéra-
ture du fluide
caloporteur Tf qui
passe de 5 à 40 °C tandis que lestempératures Ti
etTe
restent inchan-gées, respectivement
10 et 0 °C. Pour toutes lesméthodes,
la dimension du modèle réduit a été fixée à 4. Pour les 3 noeuds1,
10 et150,
les résultatsEitelberg
et Marshall sontprésentés
enfigure 6,
Fig.
6. -Comparaison
du modèlecomplet
et des modèles de Marshall etd’Eitelberg
sur un échelon.[Comparison
between thecomplete
model and the reduced models of Marshall andEitelberg according
to astep.]
l’agrégation
et MI sontprésentés
enfigure
7. Onconstate sur ces
figures
la bonne concordance entre tous les modèles réduits et le modèlecomplet.
Onpeut cependant
noter que :- la ,méthode
d’Eitelberg
donne ici un résultatglobalement
moinssatisfaisant,
bien que peu per- turbé auvoisinage
de t = 0 parrapport
aux autresméthodes,
- les méthodes de Marshall et
d’agrégation approchent
très bien le modèlecomplet
pour t > 5 000 s, mais delégères perturbations apparais-
sent au
voisinage
de t = 0(notamment
T10 pourMarshall,
T10 et T150 pourl’agrégation),
- le modèle identifié
(MI)
donne des résultats trèssatisfaisants, malgré
unelégère perturbation
àt = 0 pour T10.
Fig.
7. -Comparaison
du modèlecomplet
et des modèlesagrégé
et identié sur un échelon.[Comparison
of thecomplete
model and theagregated
andidentified ones accordint to a
step.]
5.3.2 Simulation « Jour-Nuit ». - Pour tester le modèle identifié et les autres modèles réduits dans
une situation un peu
plus complexe,
nous avons fait varier toutes lescomposantes
du vecteur d’entrée :nous avons simulé un refroidissement brutal des
températures
intérieure et extérieure - simulant unpassage
jour-nuit
-puis
uneaugmentation
de latempérature
du fluide selon une rampe. Ceci est résumé dans le tableau II oùfigure
le vecteur desentrées en fonction du
temps :
Tableau II.Les résultats
correspondant
aux 3points T1, T10,
T150apparaissent
sur lafigure
8 où l’on y voit la bonne concordance entre le modèlecomplet
et lemodèle réduit
identifié,
avec toutefois unpetit
décrochement au
voisinage
de t = 0 pour latempéra-
ture T150.
Modèle Complet et Modèle Réduit par Identification
Fig.
8. -Comparaison
du modèlecomplet
et du modèleidentifié d’ordre 4 avec une entrée fonction du temps suivant le tableau II.
[Comparison
of thecomplete
model and the identified one(order 4)
with aninput varying
with the timeaccording
totable
IL]
Les méthodes de
Marshall, d’agrégation
et d’Eitel-berg
ont étéégalement
testées sur cette simulation.Les résultats obtenus
apparaissent
dans lesfigures 9,
10 et 11. Commeprécédemment,
les méthodesmodales donnent de bons
résultats,
bien que faisantModèle
Complet
et MéthodeEitelberg
Fig.
9. -Comparaison
du modèlecomplet
et du modèleréduit
d’Eitelberg
d’ordre 4 avec une entrée fonction du temps suivant le tableau II.[Comparison
of thecomplete
model and theEitelberg
reduced model
(order 4)
with aninput varying
with thetime
according
tableII.]
Modèle
Complet
et Méthode MarshallFig.
10. -Comparaison
du modèlecomplet
et du modèleréduit de Marshall d’ordre 4 avec une entrée fonction du temps suivant le tableau II.
[Comparison
of thecomplete
model and Marshall reduced model(order 4)
with aninput varying
with the timeaccording
to tableIL]
Modèle
Complet
et Méthoded’Agrégation
Fig.
11. -Comparaison
du modèlecomplet
et du modèleagrégé
d’ordre 4 avec une entrée fonction du temps suivant le tableau II.[Comparison
of thecomplete
model andaggregated
model(order 4)
with aninput varying
with the timeaccording
table
IL]
apparaître
delégers
décrochements lors des varia- tions brutales du vecteurd’entrée,
cequi
n’est pas lecas pour la méthode
d’Eitelberg.
5.4 CONSIDÉRATIONS
NUMÉRIQUES. -
Pour ce tra-vail,
les calculs ont été effectués avec une station de travail(microprocesseur
Intel80386,
25MHz,
copro-cesseur
Weitek).
Au niveau des simulations numéri- ques, lestemps
d’exécutioncorrespondant
aux diffé-rents modèles réduits sont semblables : tous infé- rieurs à 5 s pour la simulation du
paragraphe
5.3.2par
exemple
alors que celui du modèlecomplet
estde
plusieurs
minutes.En ce
qui
concerne l’élaboration des matrices desmodèles,
les méthodes deMarshall, d’agrégation
etd’Eitelberg
nécessitent essentiellement des calculs de modes propres, d’inversion de matrice(ici
d’ordre150)
et deproduit
matriciel. L’obtention des modèlesne
dépasse
alors pas 10 min.La
procédure
d’identification que nous avons miseau
point
est évidemmentplus
lourde car faisantappel
auxtechniques
de P.N.L.(cf. Annexe)
et letemps
de calculaugmente rapidement
avec l’ordredu modèle réduit :
6, 30,
50 et 230 minrespective-
ment pour identifier
1, 2, 3,
4exponentielles ;
cetteidentification
porte
deplus
ici sur un nombre élevéde
températures :
150 x 200 = 30 000. Parailleurs,
on
peut envisager
une amélioration de laprocédure
dans la mesure où les
premières
valeurs propres identifiéescorrespondent
à celles de la matrice d’évolution : initialisation de laprocédure d’optimi-
sation
d’après
lesplus grandes
constantes detemps ; néanmoins,
cettetechnique
suppose apriori
unordre minimal pour le modèle identifié.
Bien que l’obtention d’un modèle réduit nécessite la
plupart
dutemps
del’espace
mémoire et dutemps
decalcul,
cet inconvénient ne constituecependant
pas un obstacle
majeur :
ces calculspréliminaires
nedevant être fait
qu’une
seule foispeuvent
être effectués sur un ordinateuradéquat,
les modèlesréduits
pouvant
ensuite être utilisés sur un ordinateurplus
modeste.6. Conclusion.
Au cours de cette
étude,
différentes formulations de lareprésentation
d’état dessystèmes
linéaires ontété
présentées,
ainsi que leurrépercussion
au niveaudu
problème
de la réduction. Cetteapproche
nous aconduit à
adopter
une structure de modèle bienadaptée :
lareprésentation
d’état dans la base modale en faisant intervenir la dérivéetemporelle
du vecteur des entrées. Cette formulation
permet
dedissocier,
au niveau dessorties,
d’unepart
unecomposante statique
et d’autrepart
unecomposante dynamique
venant «corriger »
le termeprécédent.
La
composante statique
assure de la conservation desrégimes stationnaires,
tandis que la méthode de réduction estappliquée
sur lacomposante dynami-
que. Cette structure de modèle doit
permettre
une extension à la réduction dessystèmes
faiblement nonlinéaires.
Par
rapport
aux autres méthodesmodales, l’origi-
nalité de notre
approche
est d’identifier les modes dominants dusystème
et non pas de les sélectionner.Cette
procédure permet
essentiellement un amal- game naturel des modes et ainsi d’éviter la difficile sélection des modes dominants. Elle metégalement
en évidence une matrice d’observation et la matrice
d’entrée est ensuite déterminée par minimisation d’un écart entre les sorties des modèles
complet
etréduit. Nos recherches concernent actuellement la mise au
point
de méthodes d’affinement de cesmatrices d’entrée et
d’observation,
enparticulier
enutilisant la notion de modes correcteurs introduite
en
[16].
Nous avons
montré,
sur unexemple
de modélisa-tion de
plancher chauffant,
comment onpouvait
sesatisfaire d’un modèle
dynamique
d’ordre 4 au lieude 150. Dans le cadre de cette
application,
les 2premières
constantes detemps
identifiées correspon- dent à celles duspectre
de la matrice d’évolution :une
méthodologie
mettant en oeuvre simultanément les méthodes modalesclassiques
et notreprocédure
d’identification devrait être
possible
et fournir ainsiun outil de réduction
particulièrement
efficace. Ces résultats sont doncencourageants
pour la réduction de modèle dont lesapplications
devraient être nombreuses en diffusionthermique, compte
tenu des facteurs de réduction très élevéspouvant
être obtenus.Annexe 1.
Notons :
Kiy
les termes de la matriceK,
k l’indice de discrétisation
temporelle, t(k)
letemps correspondant,
m la dimension du modèle réduit à
identifier,
Zi
= exp(Àj) où 03BBj
est laj-ième
valeur propre àidentifier,
fi(u)
la i-ièmecomposante
def (u ),
r le nombre de mesures par
thermogramme,
q la dimension du vecteur de sortie.
A
l’équation
matricielle(14) correspond
unensemble
de q *
régalités
de la forme :En notant
0394yi(k)
l’écart entre lescomposantes
numéro i des vecteurs de sortie des modèlescomplet
et réduit à l’instant
k,
introduisons le critèrequadra- tique
C :Ce critère C est fonction de la dimension m du modèle à identifier
(via
le vecteurZ).
On se propose d’estimer leparamètre m
en incrémentant la valeur de mjusqu’à
ce que :Pour une valeur déterminée de m, la minimisation du critère
C (m ) permet
le calcul du vecteur Z(donc
des modes
dominants)
et de la matrice K :Les équations (A3)
et(A4) signifient
que pourchaque
valeur de m il faudra résoudre unproblème d’optimisation (non convexe)
dont[Z,
K] sont
solu-tions. On doit a
priori
remarquer que :a)
connaissant Z de dimension m,chaque ligne
dela matrice K
peut
être déterminée defaçon indépen-
dante par la minimisation du critère
Ci ;
b)
le domaine de résolution de Z est tel que : 0Zi
1 car la fonctionexponentielle
estpositive
et les valeurs propres sont réelles et
négatives ; c)
si en(A1), t’(k)
=t(k)/03B1
etZ’j
=27,
alors :Pour
chaque
valeur de m, nous avons mis en oeuvre une méthode de descenteopérant
alternative- ment dans le sous-espace desZi, puis
dans ceux deslignes
de la matriceK ;
maisd’après a),
tout se passecomme si la fonctionnelle à minimiser n’était fonc- tion que du vecteur Z.
Les q
minimisations desCi
reviennent alors à résoudreindépendamment q systèmes
linéaires que l’onpeut
regrouper sous la relation matricielle :avec :
Soit
(m-1)
la solution de(A4)
pour une dimension m - 1 de Z. Partant de cettevaleur,
onadjoint
unecomposante supplémentaire Zm
et l’onminimise le critère
C (m )
tout d’abord par la méthode des dichotomies successives suivant cette nouvellecomposante (entre
0 et 1compte
tenu deb))