Il s'agit d’essayer de compenser nos nombreuses incertitudes actuelles sur les modélisations des matériaux ou le dimensionnement des structures dans les domaines non-linéaires avec plasticité‚ fluage, fatigue, endommagement, rupture, sur les analyses numériques des structures, sur les états initiaux des structures, sur les chargements réels sur la structure
Cependant, si dans ces domaines, il n'y a pas de solution précise, complète car les experts ne comprennent pas tout, de nombreux progrès ont été réalisés.
Un couplage particulier de leurs connaissances et le traitement des retours d'expériences peut être effectué grâce aux techniques d'apprentissage automatique
Le choix d'une bonne description est primordial pour toute tentative d'apprentissage automatique. La description d'un problème quelconque peut être vue à deux niveaux :
o on retient d'abord les caractéristiques globales du problème : les DESCRIPTEURS PRIMITIFS, x où chaque cas peut avoir un nombre différent et des natures différentes de descripteurs
o on cherche ensuite à représenter ces caractéristiques par des DESCRIPTEURS EVOLUES, XX, où toute la connaissance des experts est exprimée mais où surtout, tous les cas sont décrits par le même nombre et avec le même type de descripteurs (fusion des données).
Chaque problème doit être pris séparément et être analysé par les meilleurs experts. Il ne s’agit donc pas de Data Mining.
Plusieurs outils ont été mis au point pour arriver à transformer les descriptions globales primitives des problèmes en des descriptions évoluées, intelligentes, physiquement/mathématiquement correctes susceptibles de s'adapter aux méthodes actuelles d'apprentissage automatique et d'optimisation : tout le savoir des experts doit être récupéré‚ dans cette étape fondamentale.
Cette approche peut permettre aux experts eux-mêmes de mieux comprendre leur problème. Mais surtout cette approche conduit à une solution pratique du problème et avec en plus un accès instantané à une solution optimale pour chaque nouveau cahier de charges sans avoir à refaire d’essais ou d’études.
Comme les descripteurs intelligents XX ne sont pas indépendants entre eux en général, il est possible de prévoir deux types de stratégie d’optimisation :
o ces descripteurs sont considérés comme indépendants, cela permet de découvrir éventuellement une solution qui n'a pas jamais été vue mais pour laquelle, une difficile étape doit être franchie, il faut comprendre comment réaliser réellement cette solution
o ces descripteurs proviennent de calculs ou d'essais d'un nombre de variables de conception, elles indépendantes, qui assurent que la réalisation de la solution est alors immédiate.
~