| Source DB | fr |
|---|---|
| Institution | ULiège |
| Code | 26_12196 |
| Unit | ULiège_u001 |
| Begin | 10/1/2018 |
| End | 12/31/2020 |
| title fr | Identification mécanique non-linéaire dans l'espace d'état grâce à des techniques non-conventionnelles |
| title nl | |
| title en | Nonlinear state-space identification in mechanics using unconventional techniques |
| Description fr | Ce projet de recherche a pour objectif la construction de modèles nonlinéaires dans l'espace d'état utiles à l'ingénieur en mécanique, et ce de manière systématique et en se basant exclusivement sur des données expérimentales. Plus spécifiquement, le sujet de doctorat proposé se consacrera à structurer ces modèles de manière à (1) exprimer leur signification physique et (2) limiter leur taille. Nous proposons d'atteindre cet objectif en ayant recours à des techniques non-conventionnelles, empruntées à l'ingénierie du contrôle et au champ du « machine learning ». Notre méthodologie s'articule autour de 3 étapes mises en oeuvre avant, pendant et après l'estimation de paramètres. Avant, nous localiserons les non-linéarités physiquement grâce des outils de détection de topologie, et nous en déduirons les fonctions de base non-linéaires les plus pertinentes à considérer. Pendant, nous utiliserons des polynômes à noyaux dont la complexité peut être contrôlée de manière continue. Après, l'interprétation physique du modèle obtenu sera révélée grâce à des méthodes de découplage de polynômes. |
| Description nl | |
| Description en | This research project is an attempt towards constructing, in a systematic manner and based on experimental data, nonlinear state-space models that are useful to the mechanical engineer. The specific focus of the proposed PhD work will be put on structuring these models, in order (1) to reveal their physical meaning and (2) to limit their size. This will be achieved using unconventional techniques, borrowed from the control and machine learning literatures. Our methodology proceeds in 3 steps applied before, during and after the data-driven estimation of parameters. Before, topology detection will be utilised to physically locate nonlinearities and accordingly reduce the nonlinear basis functions set. During, we will employ kernelbased regressions to tune the nonlinear model complexity in a continuous fashion. After, physical interpretation will be revealed by applying tensor decomposition, a tool from applied mathematics. |
| Qualifiers | |
| Personal | |
| Collaborations |
