Dans cette thèse, nous nous intéressons aux problèmes d’optimisation de design qui font intervenir des simulateurs numériques (éléments finis, volumes finis, …) coûteux à évaluer, et un grand nombre de variables de design. Ce type de problème est rencontré pour la conception de systèmes dans de nombreuses disciplines, dont le domaine automobile. Les méthodes d’optimisation Bayésienne, basée sur des métamodèles (Krigeage par exemple), sont particulièrement efficaces pour des problèmes d’optimisation de fonctions coûteuses, telles que les simulateurs numériques, mais s’adaptent mal quand le nombre de variables (aussi appelé dimension du problème) est élevé. En particulier, deux aspects de l’optimisation Bayésienne posent des difficultés en grande dimension : construire un modèle de Krigeage précis, et correctement identifier de nouveaux points pour enrichir le métamodèle lors de la boucle d’optimisation. Cette thèse est consacrée au développement d’une méthode de métamodélisation mieux adaptée que les modèles de Krigeage classiques à l'optimisation Bayésienne pour des problèmes en grande dimension. L’algorithme ainsi obtenu permet de contrer le fléau de la dimension rencontré par le Krigeage classique, et de résoudre des problèmes d’optimisation de design, comportant beaucoup de variables, de manière efficace, c’est-à-dire en utilisant peu d’appels au simulateur numérique coûteux.

Jury :

• Sébastien DA VEIGA, Maître de conférences, ENSAI (Rapporteur)
• Céline HELBERT, Maîtresse de conférences, École Centrale de Lyon (Rapporteure)
• François BACHOC, Maître de conférences, Université Paul Sabatier ( Examinateur)
• Nathalie BARTOLI, Professeure, ISAE-SUPAERO (Examinatrice)
• Jean-Marc BOURINET, Professeur, SIGMA Clermont (Examinateur)
• Didier RULLIÈRE, Professeur, Mines Saint-Etienne (Directeur de thèse) 
• David GAUDRIE, Ingénieur, STELLANTIS, (Co-encadrant de thèse).