Chapitre 2

2. Méthodes et outils de conception.

2.1 Aspect méthode

Les méthodes servent à résoudre 2 typologies de problèmes : les problèmes inverses et les
problèmes directs. Nous allons définir la nature de ces deux types de problèmes et donner un aperçu
des méthodes qui utilisées pour les résoudre.

2.1.1 Problème direct

Définition du problème direct
Pour des caractéristiques données d'une machine (structure, dimensions et conditions d'utilisation),
déterminer les performances. Autrement dit, un dispositif est spécifié, et résoudre le problème
direct consiste à être en mesure de simuler et de calculer le comportement du dispositif.
On qualifie un modèle de direct, s’il fournit les performances du dispositif à partir de la
connaissance de sa structure, de ses dimensions et de ses matériaux constitutifs (fig. II.1).

Figure II.1. Modèle direct

Ainsi, un modèle direct est un outil de simulation qui permet de travailler sur un prototype virtuel,
ce qui réduit le temps nécessaire à l’obtention des caractéristiques.
D’un point de vue mathématique, le modèle direct est caractérisé par sa capacité à fournir un
résultat unique. Pour cela, le nombre d’équations et le nombre d’inconnues (variables) intervenant
dans le modèle doivent être identiques.
En général, le nombre de variables décrivant la structure, les matériaux et les dimensions d’une
machine électrique est bien supérieur au nombre de variables décrivant les performances. Ainsi,
pour un modèle direct, un grand nombre d’équations est ajouté et la construction du modèle est
complétée par autant d’équations qu’il reste de variables indéterminées.

Méthodes pour résoudre le problème direct

Pour résoudre ce problème direct, tout un ensemble de méthodes existent dont on peut rapidement
donner quelques exemples :
- Il peut s’agir de méthodes par calcul algébrique,
- Il peut s’agir de méthodes numériques, pour résoudre les problèmes aux dérivées partielles,
issues par exemple des équations de Maxwell. Les méthodes de type éléments finis,
intégrales de frontières, méthodes des moments magnétiques, …, ont connu un succès
considérable en conception de machines électriques.

2.1.2 Problème inverse

Définition du problème inverse
Pour des performances exigées (Cahier des charges), trouver les caractéristiques d'une machine
(structure, dimensions et conditions d'utilisation). On utilise quelquefois le terme de synthèse pour
désigner le problème inverse. Le problème inverse est souvent vu comme étant le problème de
conception de façon générale. On caractérise ainsi classiquement la conception en disant qu’elle

1
consiste à partir du cahier des charges pour en déduire une structure, des dimensions et des
paramètres de fonctionnement.
Un modèle est dit inverse s’il est donc capable de fournir la structure, les dimensions et les
matériaux constitutifs du dispositif à partir de la seule connaissance du cahier des charges constitué
des caractéristiques ou performances souhaitées (fig. II.2).

Figure II.2. Modèle inverse

On remarque donc apriori que le modèle inverse présente un nombre de variables généralement
supérieur aux nombre d’équations, il alors sous déterminé. Sa résolution est donc impossible dans
cet état.

Méthodes pour résoudre le problème inverse

On peut distinguer 2 étapes dans la résolution du problème inverse, la première consiste au choix de
structure, la seconde c’est le dimensionnement de la structure.

La première étape consiste à définir la structure de la machine qui est apte à satisfaire les exigences
dans le cahier des charges. Il faut faire une collecte de données liées aux solutions possibles,
existantes ou nouvelles et ensuite choisir la plus adaptée au cahier des charges. Le choix définitif de
la structure ne se confirme qu’à la fin de la deuxième étape. Les méthodes sur lesquelles on peut
s’appuyer sont:
- Des méthodes par abaques et des outils s’appuyant sur des règles mathématiques simples.
Ils existent des recueils donnant un certain nombre d’équations et d’abaques heuristiques,
permettant de faire le bon choix de machines électriques classiques (Liptchitz, P. Alger, …).
- Des méthodes utilisant des règles heuristiques, basées sur l’intelligence artificielle. Des
bases de données qui regroupent l’ensemble des solutions qui existent pour des problèmes
typiques et leurs caractéristiques respectives existent. Une comparaison des performances et
des caractéristiques requises par le cahier des charges avec celles de la base de données
permet de choisir systématiquement la structure la plus adaptée de la machine à concevoir.
-…

La deuxième étape (dimensionnement) :

Dans cette deuxième étape il s’agit de déterminer les paramètres géométriques et éventuellement
physiques de la structure choisie, satisfaisant les performances et respectant les contraintes définies
dans le cahier des charges.
On utilise des modèles mathématiques, permettant de relier quantitativement les paramètres de la
machine (paramètres géométriques, physiques et de fonctionnement) aux performances (facteur de
puissance, rendement, force de démarrage,… etc) qui apparaissent dans le cahier des charges.
Donc pour dimensionner un dispositif, il est question de le modéliser et de disposer d’une
méthodologie pour réaliser l’inversion lorsqu’il s’agit d’un modèle direct.

Les méthodes sur lesquels on va s’appuyer sont :

- des méthodes de calcul développées au coup par coup pour chaque type de machines ;
- des méthodes d’optimisation, qui peuvent être de différents types (déterministes,
stochastiques, hybrides,…).
-…
2
2.2 Aspect outils
Toutes les méthodes précédemment recensées peuvent être implantées sous forme d’outils, au sens
outil logiciel. Lorsqu’il s’agit des méthodes pour la résolution du problème direct, ces outils vont
être des logiciels de simulation, comme des suites de simulation par éléments finis.
Lorsqu’il s’agit du problème inverse, ces outils vont être des logiciels de calcul, des programmes
d’optimisation ou encore des systèmes experts.

2.2.1 L’approche « Objets – Savoirs – Méthodes – Outils » :

L’approche « Objets – Savoirs – Méthodes – Outils » est rappelée sur la figure II.3. : une approche
avec un certain nombre de phases clefs et bien identifiées. Chaque phase appelle ses propres
méthodes, et savoirs, implantables dans des outils logiciels en vue de concevoir des machines
électriques.

Fig. II.3: La vision de la conception avec l’approche « objets – savoir -méthodes – outils »

2.2.2 Démarche et outils de la conception des machines électriques

La démarche de conception des machines électriques semble simple et séquentielle comme illustrée
en figure II.4. À partir d’un cahier des charges clairement exprimé, le concepteur a la tâche de le
traduire dans l’un des formalismes mathématiques que nous verrons par la suite. Ensuite vient sa
résolution au moyen d’un algorithme ou méthode d’optimisation. Pour chaque formulation, il existe
une multitude d’algorithmes adaptés. Enfin, l’exploitation et l’analyse des résultats par le
concepteur expert permettent de valider la solution optimale obtenue.

Figure II.4. Méthodologie de conception séquentielle

En pratique, les choses ne sont pas aussi simples. Lors de l’analyse des résultats, il apparaît bien
souvent que la solution obtenue ne peut être retenue en raison de causes multiples. La figure II.5
montre les itérations nécessaires pour obtenir une solution satisfaisante.
3
 Fig. II.5. Itérations possibles lors de la conception

La boucle la plus courte consiste en un retour sur la résolution du problème. Elle peut être motivée
par un problème de convergence de l’algorithme signalé par le fait que les conditions d’optimalités
ne sont pas remplies pour la solution trouvée ou par un arrêt de la procédure suite à un temps de
calcul excessif. Il est alors possible de modifier les paramètres de réglage de l’algorithme lorsqu’il
s’agit de méthodes stochastiques ou le point initial pour les méthodes déterministes qui en font
usage. Des connaissances dans les champs disciplinaires des mathématiques appliquées, de la
recherche opérationnelle et de l’informatique sont indispensables pour mener à bien cette étape.

La boucle intermédiaire est un retour sur la formulation du problème d’optimisation. Ce retour est
nécessaire lorsque la résolution du problème conduit à une solution remplissant le critère
(mathématique) d’optimalité. Dans ce cas, la démarche permet au concepteur d’affiner son
expérience par une série d’essais/erreurs au cours de laquelle il en apprend davantage sur les limites
des modèles utilisés et sur la façon de formuler le problème d’optimisation pour obtenir des
solutions pertinentes.

La boucle la plus longue consiste à revenir sur l’analyse du cahier des charges ou sur le cahier des
charges lui-même. Il peut se produire que la démarche de conception aboutisse à la conclusion qu’il
n’existe pas de solution (faisable) au cahier des charges exprimé. Dans ce cas, la démarche
proposée peut être utilisée de façon itérative : Le concepteur relaxe des contraintes pour aboutir à
une solution faisable en dialoguant avec le client.

2.2.3 Complexité de conception des machines électriques

La conception d’un convertisseur électromécanique (machine électrique) devient de plus en plus

complexe, en raison de la présence de plusieurs éléments (machine, son alimentation, sa
commande,.. .) de nature et de mode de fonctionnement différents en interaction.
Le fonctionnement de cet ensemble engendre une cohabitation de plusieurs phénomènes de la
physique [électromagnétique, mécaniques (couples, vibrations, efforts électrodynamiques,
thermiques (échauffements dus aux pertes), acoustique (bruit), …etc.] qui doivent être abordés
simultanément lors de la conception de la machine.

4
On est donc confronté, au cours de la conception d’une machine électrique, à une synthèse
pluridisciplinaire des fonctions principales de la machine et des contraintes liées aux aspects
constructifs ou dimensionnels relatifs aux effets induit par la partie électromagnétique.

La mise en place d’outils de conception assistée par ordinateur dans un milieu industriel doit tenir
compte de cet aspect tout à fait particulier à la technologie du matériel et de l’appareillage
électrique. On fait, appel à des notions de mécanique, de thermique, de schématique et d’outils
spécifiques aux machines électriques et à l’électronique de puissance.

2.3 Conception par optimisation des machines électriques

Un cahier des charges qui n’est pas trop contraignant, admet souvent plusieurs solutions. Dans la
démarche de conception par optimisation, on ne cherche pas une simple solution du problème de
dimensionnement mais, il s’agit de déterminer les meilleures solutions au regard d’un ou de
plusieurs critères.

Pendant la phase de modélisation, les critères en question sont exprimés en fonction des paramètres
géométriques, énergétiques et /ou structurels du système. L’objectif est, désormais, de trouver les
jeux de paramètres qui vérifient ces critères. L’idée, dans ce genre d’approche, est de poser le
problème de dimensionnement comme un problème d’optimisation sous contraintes.
Dans l’ensemble des solutions, on recherche alors les solutions (les paramètres de conception)
optimales qui minimisent ou maximisent les fonctions critères ou objectifs.

2.3.1 Méthodologie de conception par optimisation :

La méthodologie de conception par optimisation, comporte quatre phases (Figure II.6) :

Fig. II.6 : Méthodologie de conception par optimisation

 Elaboration d’un cahier des charges (Phase 1)

La première donnée d’entrée d’un processus de conception par optimisation est le cahier des
charges. L’élaboration de celui-ci doit spécifier les objectifs à réaliser par la machine concevoir et
les contraintes attachées à son fonctionnement, aux matériaux qui la constitue et à l’environnement
dans lequel elle va évoluer.

5
Par exemple, pour un système éolien, l’objectif visé sera un fonctionnement à puissance maximale
avec un coût de revient minimal. Les contraintes seront essentiellement des contraintes
d’encombrement de la génératrice (diamètre externe et longueur de la génératrice) et des contraintes
liées aux matériaux (induction de démagnétisation, température du bobinage,…).

Un cahier des charges peut aussi comprendre des contraintes liées à l’interaction du système avec
son environnement (rayonnement thermique ou magnétique du système), ou encore des contraintes
écologiques (utilisation de matériaux recyclables)…

Plus le cahier des charges est riche en informations, plus l’espace des solutions est réduit. Ainsi, un
cahier des charges bien élaboré facilite la recherche en réduisant l’espace de solutions admissibles.
Par contre, il peut être un frein à la créativité du concepteur en limitant ses choix.

 Mise en équations mathématiques (Phase2)

Une fois le cahier des charges défini, l’étape suivante consiste à traduire le problème physique en
un problème mathématique équivalent, afin d’évaluer les fonctions objectives à optimiser ainsi que
les contraintes liées à ce problème. Dans cette phase, on se trouve au cœur de la modélisation, qui
est l’étape la plus délicate dans le processus de conception par optimisation. Le concepteur doit
manipuler des équations afin d’établir un modèle de dimensionnement, qui permet d’évaluer les
expressions qui caractérisent le fonctionnement de chaque élément de la machine en fonction des
grandeurs géométriques et physiques ((rayon d’alésage de la génératrice, longueur utile, nombre de
spires….) et (flux, tension, puissance, couple, rendement, …etc.).

Il est très difficile de prendre en compte tous les phénomènes physiques (électromagnétique,
thermique, mécanique, …etc.) intervenant dans le fonctionnement de la machine. Il est donc
impératif de fixer un certain niveau d’hypothèses pour limiter la complexité.

De point de vue modélisation, la démarche de conception par optimisation, utilise:

 Un modèle inverse pour dimensionner les différents éléments du système à partir des
paramètres géométriques, structurels et physiques.
 Un modèle de comportement pour déterminer l’efficacité du système au cours de son
fonctionnement ainsi que les contraintes associées.

Les modèles de dimensionnement et de comportement permettent d’évaluer les objectifs de

conception à optimiser ainsi que les contraintes de faisabilité. Lorsque le modèle inverse de
dimensionnement ne peut être établi, la combinaison d’un modèle de comportement ou «direct»
avec une méthode d’optimisation permet de disposer "indirectement" d’une méthode d’inversion.
Ce type d’approche itérative par optimisation s’impose car il est généralement difficile voire
impossible de disposer d’un modèle « inverse » de la machine permettant de déduire
rigoureusement ou directement ces caractéristiques en fonction de spécifications désirées.
Ainsi, l’algorithme d’optimisation manipule les entrées (dimensions, matériaux, structure…) du
modèle direct afin de faire converger les performances (sorties) du modèle direct à celles
souhaitées. L’ensemble constituera un problème inverse (Figure II.8).

6
 Figure II.8 Problème inverse par optimisation

 Résolution du problème d’optimisation (Phase3)

Cette phase consiste à résoudre le problème de conception à l’aide d’une technique
d’optimisation. Il n’existe pas de méthode « universelle » qui répond parfaitement à tout type de
problème d’optimisation. Il faut choisir la méthode en fonction des caractéristiques du problème
d’optimisation à résoudre (avec ou sans contraintes, monocritère ou multicritère, à variable
continues ou discrètes…).

 Analyse des solutions (Phase4)

Il s’agit de vérifier les performances des solutions obtenues par rapport aux exigences du cahier
des charges et de discriminer éventuellement plusieurs solutions. En cas d’échec, il sera
nécessaire, de revenir aux étapes précédentes. Dans notre optique, un retour en arrière mettrait
en doute toutes les phases précédentes, et nécessiterait la révision de l’ensemble de la démarche
de conception adoptée. En effet, un échec de l’optimisation peut être dû soit :
o au cahier des charges dans le cas où celui-ci est mal élaboré ou trop contraignant : il
est possible dans ce cas que le problème n’admette aucune solution réalisable ;
o à une mauvaise formulation du problème (oubli d’une contrainte de faisabilité par
exemple);
o aux modèles utilisés dans le cas où ceux-ci ne sont pas bien adaptés à la variation
paramétrique ;
o à l’imprécision des modèles intégrés dans le processus d’optimisation ;
o à la méthode de résolution qui peut échouer dans la détermination des solutions
optimales.

2.3.2 Méthodes et techniques d’optimisation

Il n’existe pas un type unique de problème de conception des machines électriques. Ainsi, on
remarque que les problèmes comprennent environ une dizaine de paramètres à optimiser, une ou
plusieurs dizaines de contraintes non linéaires, une ou plusieurs fonctions objectif non linéaires. Il
est fréquent que les fonctions soient continues et que chaque paramètre de conception soit réel et
borné.
Les modèles employés dans les algorithmes d’optimisation pour l’évaluation des fonctions
objectives sont de trois types :
 modèles analytiques comportant quelques dizaines à quelques centaines d’équations non
linéaires dont certaines sont implicites ;
 modèles à constantes localisées tels que les réseaux de perméances, les modèles thermiques
nodaux, et les modèles circuits ou réseaux de Kirchhoff ;
 les modèles éléments finis avec les différentes formulations possibles (statique, dynamique,
transitoire, couplages électrique, thermique, cinématique, mécanique…).

7
Généralement le temps nécessaire au calcul des fonctions objectives et contraintes avec les modèles
cités précédemment est très supérieur à celui pris par les algorithmes d’optimisation eux-mêmes.
Ceci conditionne le choix des algorithmes d’optimisation et des formulations mathématiques
associées. Ainsi, l’ensemble des formulations mathématiques qui conviennent aux problèmes de
conception des machines électriques peut être décrit exhaustivement dans la partie suivante.

2.3.3 Processus d’optimisation

L’optimisation est le fait de déterminer par une démarche algorithmique les « meilleures » solutions
faisables, parmi un ensemble de solutions possibles.

1. les solutions possibles : décrites par des variables d’optimisation et des paramètres de conception
2. les meilleures solutions : définies au sens d’une fonction objectif, ou critère
3. les solutions faisables (admissibles) : définies par les contraintes du problème

L’optimisation peut être vue comme une démarche d'aide à la décision pour améliorer le produit et
explorer les meilleures alternatives. C’est un outil interactif à disposition du concepteur. Les outils
d’optimisation ne sont pas destinés à remplacer le concepteur, mais ce sont des outils
supplémentaires à sa disposition afin de lui permettre de :
1. Générer de nombreuses variantes du produit.
2. Fournir un ensemble de solutions pertinentes.
3. Acquérir une compréhension précise du comportement et des performances du produit grâce à
une masse d'information lui permettant de prendre une décision.
4. Prendre des décisions objectives en termes de compromis.

D’autres outils complémentaires à l'optimisation existent et servent à faire une analyse a priori ou a
posteriori tels que : la méthode des plans d'expériences, les surfaces de réponses, les outils d'analyse
statistique, les outils de robustesse, les outils d'analyse graphique ou de représentation de solutions.

2.3 Formulations mathématiques de l’optimisation

L’objectif est de retrouver dans l'espace des variables de conception délimité par les fonctions
contraintes, les valeurs des variables qui conduisent aux meilleures performances (techniques et/ou
économiques). L'étape de formalisation du problème sous forme d'optimisation est aussi importante
que la solution obtenue, Il s'agit de définir les variables de conception, les paramètres constants, les
critères d’optimisation et les contraintes.

a- Les variables de conception

Appelées aussi variables de décision, ce sont des grandeurs physiques (géométriques, thermiques,
électriques, mécaniques, magnétiques) choisies à priori pour leur effets importants sur les sorties
(réponses) fixées par le concepteur.
Elles sont transformées en variables mathématiques sur lesquelles le concepteur peut agir pour
améliorer le produit ou le système.
𝑋 = {𝑥 , 𝑥 , … , 𝑥 }

Ces variables peuvent être de plusieurs types : continues ou discrètes. La nature d’une variable
influe sur la formulation du problème d’optimisation et le choix de la méthode de résolution du
problème.

 Variables continues
L’espace de recherche est souvent défini par :

8
L’espace de recherche a ainsi la propriété d’être convexe : Pour tout couple de point appartenant à
l’espace de recherche, tout point choisi dans l’intervalle défini par ces deux points appartient
également à l’espace de recherche.

 Variables discrètes

Il est possible que les variables ne soient pas continues mais ne prennent que des valeurs discrètes,
ainsi l’espace de recherche est défini par :

où Si est l’ensemble des valeurs possibles pour la variable xi.

Parfois certaines variables discrètes sont liées et leurs valeurs ne peuvent être prises
indépendamment :

On remarque que cet espace de recherche est équivalent au précédent avec n − k +1 variables
d’optimisation.

 Variables mixtes
Le cas général correspond à des variables mixtes, c’est-à-dire dont la nature est continue pour
certaines et discrètes pour les autres. Il est possible que des algorithmes d’optimisation exploitent le
fait que des variables discrètes soient classables dans leur processus de recherche. Ainsi, cette
distinction est mise en évidence dans la formulation suivante :

La définition d’un espace de recherche par l’une des formulations précédentes est rarement
suffisante pour obtenir une solution satisfaisante. Parfois, il est possible de s’y ramener en
effectuant un changement de variable.

b- Les paramètres constants

Ce sont des données non modifiables pour un problème donné, ces paramètres résultent d'une
décision préalable provenant d'une autre discipline ou d'une étape de dimensionnement précédente.
Elles peuvent correspondre aussi à des variables non pertinentes, par exemple le choix du matériau,
choix de certaines dimensions.
𝑃 = {𝑝 , 𝑝 , … , 𝑝 }

c- Les critères d’optimisation

Le critère appelé encore fonction coût ou objective, est évalué en fonction des variables de décision
et des paramètres de conception et permet de différencier entre les différentes alternatives. Chaque
alternative est associée à un point x de l'espace de conception.

𝑓(𝑋, 𝑃) = 𝑓(𝑥 , 𝑥 , … , 𝑥 , 𝑝 , 𝑝 , … , 𝑝 )

9
Dans le cas de plusieurs objectifs, on écrit :

𝑓 (𝑋, 𝑃)
𝑓 (𝑋, 𝑃)
𝐹(𝑋, 𝑃) =
⋮
𝑓 (𝑋, 𝑃)

Le critère ou la fonction objective peut être d’ordre : économique tels que le coût matière, coût
fabrication; technique tels que performance, robustesse; énergétique telles que les pertes
énergétiques (fer, joule, aimants, rendement) sur un cycle de fonctionnement dans le cas du
dimensionnement des machines électriques pour la traction.

Les formulations utilisées pour l’optimisation des machines électriques sont décrits par ordre
croissant de complexité.

d- Les contraintes d’optimisation

Les contraintes sont définies comme étant l'ensemble de relations qui permettent de délimiter
l'espace de conception. Ce sont les conditions que la solution doit respecter pour répondre au cahier
des charges. Il existe des contraintes d’inégalités et des contraintes d’égalités. Les limites des
variables de décision font parties des contraintes d’inégalités.
Les formulations communément utilisées sont :

2.3.1 Classifications des problèmes d’optimisation

En tenant compte des définitions présentées ci-dessous, il est possible de trouver plusieurs
classifications des problèmes d'optimisation. Elles sont ainsi répertoriées selon:
1. Le nombre de variables : mono-variable ou multi-variable
2. La nature des variables : réelles, entières, binaires, continues ou discrètes, combinatoire.
3. Le nombre de critères : mono-objectif ou multi-objectif.
4. L'existence ou non des contraintes.
5. Le type d'équations du critère et des contraintes : linéaires ou non-linéaires, continues ou non,
quadratique.

- Problème sans contraintes

La première formulation comprend une fonction critère ou objectif f à minimiser et des variables x i
dont les valeurs optimales sont à trouver dans un espace de recherche ou espace des solutions S :

Dans le cas d’une fonction à maximiser, la fonction à minimiser correspondante est l’opposé de la
fonction à maximiser.

10
 - Problème avec contraintes

L’ensemble des solutions de l’espace de recherche pour lesquelles ces relations sont vérifiées est
appelé domaine de faisabilité. La présence des contraintes égalités peut être évitée par l’emploi d’un
modèle dit inverse pour lequel les variables d’optimisation intervenant explicitement dans les
contraintes égalités sont des grandeurs d’entrée du modèle.
Dans ce cas, la dimension du problème d’optimisation, i.e. le nombre de variables, est réduit du
nombre de contraintes égalités qui sont alors retirées de la formulation.
Ainsi, un problème d’optimisation à objectif unique est formulé par :

 Problème multi-objectif
Cependant, de nombreux problèmes de conception comportent plusieurs objectifs antagonistes qui
ne peuvent pas être réduits à un objectif unique par différentes techniques comme par exemple une
pondération des objectifs. Un tel problème d’optimisation est dit multi-objectif et s’exprime sous la
forme suivante :

où F(X) désigne le vecteur des p objectifs à minimiser.

2.3.2 Les méthodes d’optimisation

Les méthodes d'optimisation peuvent être scindées en deux grandes familles selon le mode de
recherche de l'optimum.

2.3.2.1 Les méthodes déterministes

Comme leur nom l’indique, pour un problème donné et pour un point de départ donné, ces
méthodes convergent toujours vers le même optimum en parcourant de la même manière l’espace
des solutions. Cette famille peut être, à son tour, scindée en deux sous-familles :

11
 1. Les méthodes gradient
La recherche de l’optimum est orientée à l’aide du calcul des dérivées partielles de la fonction
objectif, permettant de « plonger » rapidement dans la direction de l’optimum le plus proche. Parmi
ces méthodes nous citons notamment la technique de la plus grande pente (steepest descent), les
méthodes de Newton ou quasi-Newton (BFGS ou DFP), la méthode de Levenberg-Marquardt (Rao,
1996).
Ces méthodes présentent principalement trois inconvénients :
 Elles nécessitent le calcul des dérivées partielles qui ne sont pas toujours évidentes à obtenir
notamment dans les cas de modèles numériques où leur évaluation par différences finis n’est
pas aisée.
 Elles ne garantissent réellement qu’une convergence « locale » et se laissent aisément «
piégées » par des optima locaux dans le cas de problèmes multimodaux. Cette
caractéristique oblige généralement le concepteur à réaliser plusieurs optimisations avec des
configurations initiales distinctes pour s’assurer de la convergence.
 Elles sont applicables à des problèmes continus ; elles ne permettent donc pas de tenir
compte directement d’éventuels paramètres discrets tels que le nombre de paires de pôles ou
le nombre d’encoches dans une machine électrique.

Les méthodes gradient présentent toutefois deux avantages très intéressants. Le premier est qu’elles
convergent rapidement surtout quand on dispose d’une expression symbolique exacte des dérivées
partielles (Wurtz, 1996). Le second est qu’elles possèdent des critères de convergence exacts. Il est
donc possible de dire avec quelle précision un optimum est atteint. Ceci permet d’obtenir de bonnes
solutions en ajustant la précision de convergence.

2. Les méthodes géométriques ou heuristiques

Ces méthodes utilisent uniquement les valeurs de la fonction objective. Elles explorent l’espace des
solutions par essais successifs en recherchant les directions les plus favorables. Comme pour les
méthodes gradient, la convergence des méthodes géométriques reste « locale » mais la robustesse
est meilleure, en particulier si la fonction à optimiser est faiblement bruitée ou discontinue. Le
principal inconvénient de ces méthodes réside dans l’augmentation du coût de calcul lorsque le
nombre de variables de conception augmente. Parmi les heuristiques les plus couramment
employées, nous trouvons les méthodes de Hooke and Jeeves (Bianchi et al, 1995), de Nelder et
Mead, de Rosenbrock et de Powell (Kone, 1993).

2.3.2.2 Les méthodes stochastiques

Les méthodes stochastiques sont basées sur une prospection aléatoire de l’espace des solutions à
l’aide de règles de transition probabilistes. Ainsi, pour des optimisations distinctes avec les mêmes
configurations de départ, le trajet vers l’optimum peut être différent ! Parmi les algorithmes
stochastiques couramment utilisés pour la conception de systèmes de conversion d’énergie, le recuit
simulé (Theodore Manikas, 1996) et les algorithmes génétiques (Deb, 2001) sont sans doute les plus
populaires.

a- Les algorithmes génétiques

L’algorithme génétique est une technique d’optimisation inspirée de la sélection naturelle et de la
génétique. L’algorithme part d’un ensemble de solutions possibles initialisé aléatoirement dans
l’espace de recherche. Les individus sont représentés par leurs variables de conception ou par un
codage de celles-ci (chromosome). Certaines solutions de la première population sont utilisées pour
former, à partir d’opérateurs génétiques (croisement, mutation, etc.), une nouvelle population. Ceci
est motivé par l’espoir que la nouvelle population soit meilleure que la précédente. Les solutions qui

12
serviront à former de nouvelles solutions sont sélectionnées aléatoirement d’après leur mérite
(représenté par une « fonction objectif» spécifique au problème posé, qui devra être minimisée ou
maximisée) : meilleur est l’individu, plus grandes seront ses chances de survivre et se reproduire,
jusqu’à ce qu’un critère de convergence soit satisfait (typiquement un nombre de générations fixé
ou une valeur cible atteinte par la fonction objectif).
Parmi les avantages des algorithmes génétiques, nous pouvons mentionner :
 La généricité de la méthode applicable aussi bien aux problèmes continus qu’aux problèmes
discrets ou mixtes ;
 Ils n’utilisent que la valeur de la fonction objectif (et non pas sa dérivée ou un calcul
intermédiaire);
 Les éventuelles discontinuités de la fonction objectif ont peu d’effet sur la convergence de
ces algorithmes ;
 Ils se laissent difficilement piéger par des optima locaux ;
 Ils peuvent traiter un grand nombre de paramètres, et sont très bien adaptés au calcul
parallèle ;
 Ils peuvent générer une liste de solutions sub-optimales et non une seule solution lorsqu’ils
sont associés à une méthode de nichage (Mahfoud, 1995). Cette propriété prend toute son
importance dans le contexte de l’optimisation multiobjectif.
Toutes ces caractéristiques contribuent à ce que les algorithmes génétiques soient efficaces pour une
grande variété de problèmes d’optimisation.

2.4 Elaborations des modèles

L’efficacité du dimensionnement à l’aide de méthodes d’optimisation est tributaire de l’algorithme
utilisé en regard des caractéristiques du problème abordé. Néanmoins, l’algorithme n’est qu’un outil
de résolution de problèmes mathématiques.
En se référant à la description des différentes phases du processus de conception par optimisation,
énoncée précédemment, l’algorithme en tant qu’outil de résolution intervient dans la troisième
phase : la résolution. Les limites du dimensionnement par optimisation, liées à la méthode de
résolution, sont donc de nature mathématique portant sur la stratégie de parcours de l’espace de
solutions ou sur la précision de l’évaluation des variables du problème… etc.
Palier les anomalies d’une méthode donnée ne relève pas nécessairement de la spécialité du
concepteur identifié, dans le cas général, comme physicien. L’apport de ce dernier arrive à une
phase en amont dans le processus de conception : le positionnement du problème (mise en équation
mathématique). Trois grandes classes de modèles sont communément utilisées pour le
dimensionnement des machines électriques.

 modèles analytiques comportant quelques dizaines à quelques centaines d’équations non

linéaires dont certaines sont implicites,
 modèles à constantes localisées tels que les réseaux de perméances, les modèles thermiques
nodaux, et les réseaux de Kirchhoff, et
 les modèles éléments finis avec les différentes formulations possibles (statique, dynamique,
transitoire, couplages électrique, thermique, cinématique, mécanique…)

2.5.2.1 Les modèles analytiques

On définit par "modèle analytique" de dimensionnement un modèle constitué d’équations
mathématiques qui relient les paramètres caractérisant le fonctionnement de la machine à concevoir
aux paramètres géométriques et aux paramètres caractéristiques des matériaux utilisés.

13
Les modèles analytiques doivent être inversés pour exprimer les grandeurs géométriques et
physiques (dimensionnelles ou autres) en fonction de grandeurs fonctionnelles du système. On parle
ici de l’orientation du modèle. Quand certains paramètres sont clairement exprimés en fonction des
autres, l’ensemble des paramètres du modèle est partagé en deux familles : les paramètres de sortie
et les paramètres d’entrée. Dans ce cas, évaluer le modèle revient à fixer des valeurs pour les
paramètres d’entrée pour calculer les autres.
Les modèles analytiques présentent les avantages suivants :

 Ils ont été largement développés en génie électrique avant l’apparition des ordinateurs
présentant une puissance de calcul suffisante pour utiliser les modèles numériques en un
temps raisonnable. Ils sont par conséquent disponibles et couvrent une large gamme de
systèmes électriques.
 Comparés aux modèles numériques, ils sont rapides et permettent d’explorer au maximum
l’espace des solutions. Cela présente un grand intérêt lors de l’utilisation des procédures
itératives pour le dimensionnement.
 Ils permettent une grande variation de tous les paramètres du modèle dans les limites de
validité des équations ; cela permet par exemple de dimensionner des gammes de systèmes
électriques de puissances différentes sans avoir à modifier le modèle.
 Leurs équations contiennent des liens explicites entre tous les paramètres et les phénomènes
physiques considérés. Cela aide le concepteur à mieux interpréter, à travers son modèle, le
comportement des éléments du système, notamment les interactions entre les différents
paramètres. En effet, la modélisation de certains phénomènes couplés (magnétiques,
thermiques …) est assez aisée dans un modèle analytique se limitant aux grandeurs globales
ou moyennes.
 Ils permettent de calculer rigoureusement les expressions symboliques de tous les
paramètres fonctionnels en fonction des paramètres dimensionnels du modèle et de leurs
dérivées. Cela permet de connaître facilement la sensibilité d’un paramètre fonctionnel à une
variation d’un paramètre descriptif.
En revanche, ils présentent les inconvénients suivants :
 S’ils sont bien adaptés à l’évaluation des performances moyennes en manipulant des
grandeurs globales, ils ne permettent généralement pas de modéliser des phénomènes locaux
comme la saturation d’une zone du circuit magnétique d’une machine électrique ou le point
chaud dans un système thermodynamique. Ainsi, ces modèles ne sont pas très fins et
manquent généralement de précision dans l'évaluation des phénomènes locaux.
 Par souci de simplicité de mise en œuvre, de fortes hypothèses sont généralement
considérées lors du développement de ces modèles.
 Ils ne sont pas génériques : pour chaque nouvelle structure, un modèle correspondant doit
être développé.

2.5.2.2 Les modèles numériques

Ces modèles sont fondés sur la résolution directe des équations décrivant, avec un faible niveau
d’hypothèses, le comportement physique du système à concevoir. En utilisant des méthodes
numériques, ils fournissent des valeurs des potentiels (magnétique, électrique, …) en tout point de
la structure. Les valeurs des grandeurs macroscopiques sont ensuite calculées à partir de celles des
potentiels. Par exemple, à partir des valeurs du potentiel vecteur magnétique, on peut calculer la
valeur de l’induction dans un circuit magnétique ou encore celle du flux embrassé par une bobine.
La méthode des différences finies et la méthode des éléments finis sont des exemples de méthodes
numériques très utilisées pour la modélisation de phénomènes électriques, magnétiques, thermiques
et mécaniques. Ces méthodes reposent en général sur une discrétisation spatiale de la structure en
14
mailles (rectangulaires ou triangulaires dans un espace à deux dimensions ; et tétraédriques ou
hexaédrique dans un espace à trois dimensions) dont les sommets sont conventionnellement appelés
les nœuds.
En utilisant les conditions aux limites du problème et un ensemble de fonctions liées aux nœuds et
formant une famille génératrice de l’espace des solutions (fonctions tests), on peut calculer assez
précisément les valeurs du potentiel aux nœuds et partout ailleurs dans la structure en utilisant des
fonctions d’interpolation (les fonctions barycentriques par exemple).
Ces modèles présentent les avantages suivants :
 Ils sont précis, car ils tiennent compte des phénomènes locaux et ce d’autant plus que le
maillage de la structure est fin.
 Ils peuvent être établis à l’aide des logiciels génériques qui nécessitent une description de la
géométrie de la structure et une description des caractéristiques des matériaux utilisés.
Cependant, ils présentent les inconvénients suivants :
 Comparés aux modèles analytiques, leur temps de réponse est lent du fait qu’ils traitent des
matrices relativement grandes obtenue par l'assemblage de matrices élémentaires relatives
aux mailles (les dimensions de la matrice globale sont liées au nombre de nœuds dans la
structure).
 Ils nécessitent un point de départ ; une structure dimensionnée doit être définie au préalable.
 Ils ne permettent pas une mise en œuvre facile d’une modélisation couplée des différents
phénomènes physiques. En effet, suivant le type de couplage, un modèle numérique couplé
repose sur des calculs itératifs (simultanés ou successifs) des grandeurs couplées. Avec les
moyens de calcul actuels, c’est une démarche plus coûteuse en temps de calcul que pour des
modèles purement analytiques.

II.5.2.3 Les modèles semi-numériques

Les modèles semi-numériques sont analytiques et non linéaires. Ils sont qualifiés de cette manière
car leur résolution se fait numériquement en raison de la non-linéarité.
Ils ont une position intermédiaire entre les modèles analytiques et les modèles éléments finis pour :
- le temps de résolution,
- la précision de la modélisation, et
- la capacité à fournir les dérivées.
Parmi ces modèles, on peut citer :
- les réseaux de perméances3,
- le calcul du champ magnétique dans une machine synchrone à aimants permanents en surface,
- les modèles thermiques nodaux,
- les schémas électriques équivalents, etc.
Du fait de leur représentation, ils sont très populaires et permettent de coupler de nombreux
phénomènes physiques.
A la différence des modèles analytiques vus précédemment, ils ne peuvent pas être inversés pour
fournir les dimensions du dispositif directement à partir des performances exprimées dans le cahier
des charges. Ce sont des modèles directs en raison du grand nombre d’équations qui les compose.

Exemples de modèles :
Quelques types de modèle sont représentés en fig. III.9 pour une bobine à noyau de fer. Tous ces
modèles sont des modèles directs fournissant les performances ou caractéristiques du dispositif à
partir de ses dimensions et matériaux constitutifs.

15
 a- Bobine à noyau de fer
Modèle circuit :
Dans le modèle circuit la bobine à noyau de fer est représentée par une résistance R et une
inductance L. L’équation de ce modèle est déduite des lois de Kirchhoff.

di
v  Ri  L
dt

Les paramètres R et L peuvent être exprimés en fonction des paramètres géométriques et

caractéristiques des matériaux.

b- Modèle électrique
Réseaux de réluctances :
En utilisant le théorème d’Ampère on peut représenter le circuit magnétique par un réseau de
réluctances; Chaque partie du circuit magnétique est équivalente à une reluctance R traversée par le
flux . Ainsi on peut écrire :
ni  R
Avec :
l
R 
S
La réluctance R est exprimée en fonction des paramètres géométriques et caractéristiques des
matériaux.
Ce modèle peut être couplé au circuit électrique en écrivant :
d
v  Ri  n
dt

16
 c- Réseaux de réluctances
Modèles éléments finis :
En utilisant la méthode des éléments finis, on doit résoudre:

 1
rot ( rot A)  J
 
A  0
 
La MEF permet de transformer ce problème en un système d’équations algébriques de la forme:

K A  B
La connaissance des valeurs du potentiel A aux nœuds du maillage permet de remonter au calcul des
performances de la bobine à noyau de fer.

d- Modèle 2D éléments finis

Figure II.9 Quelques modèles de conception

La figure II.10 illustre les différents modèles utilisés pour la conception des machines électriques en
fonction du compromis entre l’erreur de modélisation (axe horizontal) et le temps de calcul (axe
vertical). Les modèles éléments finis se situent alors en haut à gauche, les modèles analytiques en
bas à droite et les modèles semi-numériques au centre.

17
Figure II.9 modèles utilisés pour la conception des machines électriques

18