Evolutionary and quantum-inspired algorithms for the optimization of magnetic cooling systems - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Evolutionary and quantum-inspired algorithms for the optimization of magnetic cooling systems

Algorithmes évolutionnaires et inspirés du quantique pour l'optimisation de systèmes de réfrigération magnétique

Résumé

This thesis is carried out within the frame of the CoolMagEvo ANR project, which aims at developing of magneto cooling systems. In this context, we consider the two following simulation models as time-consuming optimization problems: a model of Magneto Caloric Materials (MCMs) and a model of an Active Magnetic Regenerator (AMR). According to the defined requirements of the problems, we develop three special optimization algorithms. Then, we develop the software tool based on the proposed algorithms for easily solving different problems of these simulation models. Next, using this tool, we present the new method based on optimization, for reproducing physical properties of different MCMs. Finally, we study the impact of the control and design parameters of the AMR model on its performance in two application modes.
Cette thèse est réalisée dans le cadre du projet ANR CoolMagEvo, qui se donne comme objectif le développement de systèmes de réfrigération magnétique. Nous disposons de deux modèles de simulation dont on a assigné une fonction de problèmes d'optimisation: un modèle de Matériaux Magnetocaloriques (MMCs) et un modèle d'un Régénérateur Magnétique Actif (AMR). Selon les exigences des modèles, nous avons développé trois algorithmes d'optimisation. Par la suite, nous avons développé un outil basé sur les algorithmes proposés pour résoudre facilement et efficacement différents problèmes de ces modèles de simulation. Ensuite, à l'aide de cet outil, nous avons eu la possibilité d'ériger la nouvelle méthode basée sur l'optimisation, qui permet de reproduire les propriétés physiques de différents MMCs. Enfin, nous avons étudié l'impact des paramètres de contrôle et de désign du modèle de l'AMR sur ses performances pour deux modes d'application.
Fichier principal
Vignette du fichier
OUSKOVA_Anna_2022_ED269.pdf (5.03 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03891449 , version 1 (09-12-2022)

Identifiants

  • HAL Id : tel-03891449 , version 1

Citer

Anna Ouskova Leonteva. Evolutionary and quantum-inspired algorithms for the optimization of magnetic cooling systems. Data Structures and Algorithms [cs.DS]. Université de Strasbourg, 2022. English. ⟨NNT : 2022STRAD006⟩. ⟨tel-03891449⟩
48 Consultations
71 Téléchargements

Partager

Gmail Facebook X LinkedIn More