conclusion + results guidance

This commit is contained in:
Laureηt 2023-08-23 14:07:48 +02:00
parent 86c91d4b4c
commit 71b29e6642
Signed by: Laurent
SSH key fingerprint: SHA256:kZEpW8cMJ54PDeCvOhzreNr4FSh6R13CMGH/POoO8DI
2 changed files with 28 additions and 14 deletions

BIN
assets/ldm-pca-guidance.png (Stored with Git LFS) Normal file

Binary file not shown.

View file

@ -148,6 +148,8 @@
\newacronym{pvconv}{PVConv}{Point Voxel Convolutions} \newacronym{pvconv}{PVConv}{Point Voxel Convolutions}
\newacronym{spvconv}{SPVConv}{Sparse Point Voxel Convolutions} \newacronym{spvconv}{SPVConv}{Sparse Point Voxel Convolutions}
\newacronym{cao}{CAO}{Conception Assistée par Ordinateur}
% \newglossary{symbols}{sym}{sbl}{Notations mathématiques et symboles} % \newglossary{symbols}{sym}{sbl}{Notations mathématiques et symboles}
% \newglossaryentry{fn}{ % \newglossaryentry{fn}{
@ -851,8 +853,8 @@ Nous avons ensuite étendu ces expérimentations à des architectures spécifiqu
\begin{figure}[h!] \begin{figure}[h!]
\centering \centering
{\Huge \calligra Fuck Rosetta} {\Huge \calligra Fuck Rosetta}
\caption{Résultats d'un \gls{ldm} \gls{pca} sur rotor37\_1200.} \caption{Résultats d'un GraphVAE sur rotor37\_1200.}
\label{fig:pca_ldm_results} \label{fig:graphvar_results}
\end{figure} \end{figure}
En effet, dans le contexte des graphes, les opérations de "upsampling" n'existent pas de manière directe. Par conséquent, nous avons rencontré des difficultés lors du passage du vecteur latent (représentant une distribution gaussienne) à une représentation sous forme de graphe (noeuds + connectivité) dans le décodeur du \gls{vae}. En effet, dans le contexte des graphes, les opérations de "upsampling" n'existent pas de manière directe. Par conséquent, nous avons rencontré des difficultés lors du passage du vecteur latent (représentant une distribution gaussienne) à une représentation sous forme de graphe (noeuds + connectivité) dans le décodeur du \gls{vae}.
@ -1023,21 +1025,28 @@ Le réseau résultant contient à peine plus de 10000 paramètres, ce qui est co
Par conséquent, ce réseau est très facile à manipuler et à entraîner, mais il présente l'inconvénient d'être spécialisé sur le jeu de données utilisé pour construire la \gls{pca}. Par conséquent, ce réseau est très facile à manipuler et à entraîner, mais il présente l'inconvénient d'être spécialisé sur le jeu de données utilisé pour construire la \gls{pca}.
Cependant, dans le contexte industriel, cet inconvénient est moins préoccupant car la nécessité de modèles génériques n'est pas primordiale. Cependant, dans le contexte industriel, cet inconvénient est moins préoccupant car la nécessité de modèles génériques n'est pas primordiale.
Après quelques entrainements, on obtient des résultats très satisfasant, comme le montre la figure \ref{fig:pca_ldm_results}. \FloatBarrier
\glsunset{cfg}
\subsection{Conditionnement par \acrfull{cfg}}
Pour conditionner notre processus de diffusion, nous avons opté pour l'utilisation de la \gls{cfg}, avec une probabilité de $p_\text{uncond}$ pour le dropout des embeddings. Pour intégrer les embeddings de conditionnement dans notre réseau, nous avons suivi une approche similaire à celle utilisée pour les embeddings de pas de temps. Les modifications apportées modifient très peu la surface de coût du réseau, et nous sommes désormais en mesure de générer des aubes tant non conditionnées que conditionnées, en fonction d'un vecteur scalaire de performances. Les résultats visuels des générations demeurent satisfaisants. Toutefois, il est difficile de déterminer visuellement si les aubes conditionnées générées respectent effectivement les critères de conditionnement qui leur sont assignés.
La figure \ref{fig:pca_ldm_results} montre les résultats d'un \gls{ldm} \gls{pca} sur rotor37\_1200:
\begin{itemize}
\item Blanc: génération non conditionnée
\item Rouge: génération conditionnée, isentropic\_effiency=1, $\gamma=7$
\item Jaune: génération conditionnée, isentropic\_effiency=1, $\gamma=14$
\item Bleu: génération conditionnée, isentropic\_effiency=1, $\gamma=25$
\end{itemize}
On observe qu'à mesure que le facteur de guidage $\gamma$ augmente, certaines parties de l'aube subissent une déformation plus prononcée. À des fins d'illustration, il est important de noter que les valeurs de $\gamma$ utilisées ici sont considérablement élevées. En pratique, toutefois, $\gamma$ ne dépasse pas généralement la valeur de 5, et demeure en moyenne autour de 2.
\begin{figure}[h!] \begin{figure}[h!]
\centering \centering
{\Huge \calligra Fuck Rosetta} \includegraphics[width=0.8\textwidth]{ldm-pca-guidance.png}
\caption{Résultats d'un \gls{ldm} \gls{pca} sur rotor37\_1200.} \caption{Résultats d'un \gls{ldm} \gls{pca} sur rotor37\_1200, pour plusieurs valeurs de $\gamma$.}
\label{fig:pca_ldm_results} \label{fig:pca_ldm_results}
\end{figure} \end{figure}
\FloatBarrier
\glsunset{cfg}
\subsection{Condtionnement par \acrfull{cfg}}
Pour conditionner notre processus de diffusion, nous avons opté pour l'utilisation de la \gls{cfg}, avec une probabilité de $p_\text{uncond}$ pour le dropout des embeddings. Pour intégrer les embeddings de conditionnement dans notre réseau, nous avons suivi une approche similaire à celle utilisée pour les embeddings de pas de temps. Les modifications apportées modifient très peu la surface de coût du réseau, et nous sommes désormais en mesure de générer des aubes tant non conditionnées que conditionnées, en fonction d'un vecteur scalaire de performances. Les résultats visuels des générations demeurent satisfaisants. Toutefois, il est difficile de déterminer visuellement si les aubes conditionnées générées respectent effectivement les critères de conditionnement qui leur sont assignés.
\FloatBarrier \FloatBarrier
\glsunset{gp} \glsunset{gp}
\subsection{Vérification par \acrfull{gp}} \subsection{Vérification par \acrfull{gp}}
@ -1091,11 +1100,13 @@ Comme illustré dans les figures \ref{fig:gp_massflow_1_pca} et \ref{fig:gp_effi
\FloatBarrier \FloatBarrier
\chapter{Conclusion} \chapter{Conclusion}
% conclusion, présenter résultats, adéquation objectifs, enirchessiement personnel, connaissance techniques et rapport humain. En conclusion, l'étude de ce stage a démontré avec succès la faisabilité de la génération conditionnée d'aubes de turbines en utilisant une approche basée sur des modèles de diffusion. Les résultats obtenus ont dépassé nos attentes initiales en matière de précision et de capacité à générer des aubes conditionnées tout en préservant les propriétés physiques essentielles.
% "Et éventuellement de proposer des améliorations spécifiques aux maillages utilisés en simulations numériques." en intro -> réduire la taille des maillages, ça serait bien. même si j'imagine que pas trop possible car les ingé des aubes veullent une très grande résolution dans leurs simu, même sur des surfaces plutôt planes, qui pourraient être représentées par moins de points. Sur le plan personnel, cette recherche m'a offert une occasion précieuse d'approfondir mes compétences en matière de modélisation générative, en explorant l'application des \glspl{ddpm} à un problème concret de l'ingénierie. Du point de vue des connaissances techniques, j'ai pu consolider mes connaissances en matière de réseaux de neurones, d'utilisation de bibliotèques de deep learning, ainsi que dans le domaine des techniques classiques de machine learning telles que la \gls{pca} ou les \glspl{gp}.
it works \texttrademark Enfin, ce travail de recherche a également mis en lumière l'importance de la collaboration entre les domaines techniques et académiques. Mes échanges et discussions avec les ingénieurs, les experts du domaine industriel et certains auteurs de papiers ont joué un rôle essentiel dans l'orientation de ma recherche et dans la validation des résultats.
En perspective d'amélioration, il serait pertinent d'explorer des méthodes visant à réduire la taille des maillages utilisés dans les simulations numériques, tout en maintenant leur précision. Cette approche pourrait éventuellement conduire à l'obtention de modèles plus compacts et plus rapides à entraîner, tout en préservant une représentation précise des propriétés physiques des aubes. Par ailleurs, il serait également intéressant d'explorer la possibilité d'appliquer ces techniques de génération directement aux \glspl{cao}, sans passer par les étapes intermédiaires des maillages ou des nuages de points. Cette démarche pourrait simplifier le processus de conception en générant directement des modèles \gls{cao} conditionnés selon les spécifications requises.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%