No description available.

This study focuses on creating a spectral matching algorithm that modifies the real strong ground motions in the time domain by adding wavelets adjustment to the acceleration time series. The spectral matching procedure is at its core a nonlinear problem, thus a nonlinear solving method was employed in the proposed algorithm. The Broyden updating method was selected as the nonlinear solving method because it does not require a differentiation analysis. The Broyden updating also makes use the information of spectral misfit and wavelet magnitudes vector to approximate the Jacobian matrix which expected to give an efficient calculation. A parametric study was numerically conducted to obtain a set of gain factors that reduce the computational time and minimize the spectra misfit. The study was conducted using ten different ground motions, taken from FEMA P-695 (FEMA, 2009), which represent far field, near field-pulse and near field-no pulse earthquake ground motions. A study of compatible wavelet functions was carried out to determine the appropriate wavelet function for the proposed method. The study include the baseline drift, the frequency and time resolution, and the cross correlation between wavelet adjustments during the spectra matching procedure. Based on this study, the corrected tapered cosine wavelet was selected to be used in the proposed algorithm. The proposed algorithm has been tested and compared with other methods that are commonly used in spectral matching; the RSPMatch method and the frequency domain method. The comparing parameters were the computational time, the average misfit, the maximum misfit and error, the PGA, PGV, PGD, the Arias Intensity and the frequency content for both acceleration and displacement time histories. The result showed that the proposed method is able to match the target while preserving the energy development and the frequency content of the original time histories. / Master of Science

Ces dernières années ont vu une résurgence de l’algorithme de Frank-Wolfe (FW) (également connu sous le nom de méthodes de gradient conditionnel) dans l’optimisation clairsemée et les problèmes d’apprentissage automatique à grande échelle avec des objectifs convexes lisses. Par rapport aux méthodes de gradient projeté ou proximal, une telle méthode sans projection permet d’économiser le coût de calcul des projections orthogonales sur l’ensemble de contraintes. Parallèlement, FW propose également des solutions à structure clairsemée. Malgré ces propriétés prometteuses, FW ne bénéficie pas des taux de convergence optimaux obtenus par les méthodes accélérées basées sur la projection. Nous menons une enquête dé- taillée sur les essais récents pour accélérer FW dans différents contextes et soulignons où se situe la difficulté lorsque l’on vise des taux linéaires globaux en théorie. En outre, nous fournissons une direction prometteuse pour accélérer FW sur des ensembles fortement convexes en utilisant des techniques d’intervalle de dualité et une nouvelle notion de régularité. D’autre part, l’algorithme FW est une covariante affine et bénéficie de taux de convergence accélérés lorsque l’ensemble de contraintes est fortement convexe. Cependant, ces résultats reposent sur des hypothèses dépendantes de la norme, entraînant généralement des bornes invariantes non affines, en contradiction avec la propriété de covariante affine de FW. Dans ce travail, nous introduisons de nouvelles hypothèses structurelles sur le problème (comme la régularité directionnelle) et dérivons une analyse affine invariante et indépendante de la norme de Frank-Wolfe. Sur la base de notre analyse, nous proposons une recherche par ligne affine invariante. Fait intéressant, nous montrons que les recherches en ligne classiques utilisant la régularité de la fonction objectif convergent étonnamment vers une taille de pas invariante affine, malgré l’utilisation de normes dépendantes de l’affine dans le calcul des tailles de pas. Cela indique que nous n’avons pas nécessairement besoin de connaître à l’avance la structure des ensembles pour profiter du taux accéléré affine-invariant. Dans un autre axe de recherche, nous étudions les algorithmes au-delà des méthodes du premier ordre. Les techniques Quasi-Newton approchent le pas de Newton en estimant le Hessien en utilisant les équations dites sécantes. Certaines de ces méthodes calculent le Hessien en utilisant plusieurs équations sécantes mais produisent des mises à jour non symétriques. D’autres schémas quasi-Newton, tels que BFGS, imposent la symétrie mais ne peuvent pas satisfaire plus d’une équation sécante. Nous proposons un nouveau type de mise à jour symétrique quasi-Newton utilisant plusieurs équations sécantes au sens des moindres carrés. Notre approche généralise et unifie la conception de mises à jour quasi-Newton et satisfait des garanties de robustesse prouvables. / Recent years have witnessed a resurgence of the Frank-Wolfe (FW) algorithm, also known as conditional gradient methods, in sparse optimization and large-scale machine learning problems with smooth convex objectives. Compared to projected or proximal gradient methods, such projection-free method saves the computational cost of orthogonal projections onto the constraint set. Meanwhile, FW also gives solutions with sparse structure. Despite of these promising properties, FW does not enjoy the optimal convergence rates achieved by projection-based accelerated methods. On the other hand, FW algorithm is affine-covariant, and enjoys accelerated convergence rates when the constraint set is strongly convex. However, these results rely on norm-dependent assumptions, usually incurring non-affine invariant bounds, in contradiction with FW’s affine-covariant property. In this work, we introduce new structural assumptions on the problem (such as the directional smoothness) and derive an affine in- variant, norm-independent analysis of Frank-Wolfe. Based on our analysis, we pro- pose an affine invariant backtracking line-search. Interestingly, we show that typical back-tracking line-search techniques using smoothness of the objective function surprisingly converge to an affine invariant stepsize, despite using affine-dependent norms in the computation of stepsizes. This indicates that we do not necessarily need to know the structure of sets in advance to enjoy the affine-invariant accelerated rate. Additionally, we provide a promising direction to accelerate FW over strongly convex sets using duality gap techniques and a new version of smoothness. In another line of research, we study algorithms beyond first-order methods. Quasi-Newton techniques approximate the Newton step by estimating the Hessian using the so-called secant equations. Some of these methods compute the Hessian using several secant equations but produce non-symmetric updates. Other quasi- Newton schemes, such as BFGS, enforce symmetry but cannot satisfy more than one secant equation. We propose a new type of quasi-Newton symmetric update using several secant equations in a least-squares sense. Our approach generalizes and unifies the design of quasi-Newton updates and satisfies provable robustness guarantees.

Ce projet de recherche porte sur deux problématiques différentes, cependant, elles partagent les mêmes phénomènes physiques. Il s’agit de la prédiction inverse de l’évolution temporelle du front de solidification : (1) dans les réacteurs métallurgiques à haute température et (2) dans les tissus vivants pendant la cryochirurgie. Problématique #1 : Afin de réduire l’érosion et l’agression chimique des parois internes de briques réfractaires par la matière en fusion au sein des réacteurs métallurgiques, on laisse croître par changement de phase solide/liquide une couche protectrice sur leur surface interne. Cette couche joue un rôle extrêmement important, car elle assure l’intégrité de l’installation et prolonge sa durée de vie. Toutefois, une couche protectrice trop épaisse réduit le volume utile de réacteur et diminue ainsi la production industrielle. Le défi, pour l’industriel, consiste alors à exploiter ces réacteurs tout en maintenant une couche dont l’épaisseur est optimale. L’environnement hostile qui règne au cœur du réacteur interdit toutefois les mesures directes. Les sondes qu’on y plonge sont détruites. Pour remédier à ce problème, l’industriel recourt à la simulation numérique et, plus récemment, à une approche par transfert inverse. Cette thèse présente une procédure inverse de transfert de chaleur qui permet, à partir des mesures de température non invasives provenant d’un thermocouple situé dans les parois extérieures de briques, de prédire simultanément les paramètres thermiques inconnus ainsi que l’épaisseur de la couche protectrice au sein des réacteurs métallurgiques. La technique inverse repose sur la méthode de Levenberg-Marquardt (LMM) combinée avec la méthode de Broyden (BM). La Problématique #2 aborde quant à elle la cryochirurgie. C’est une technique récente, peu invasive, qui utilise le froid extrême pour détruire les tissus indésirables tels que les tumeurs. Elle s’adresse donc à des tumeurs internes et externes. L’objectif de la cryochirurgie est de détruire les tumeurs tout en minimisant les dommages des tissus sains adjacents. La fiabilité de cette technique dépend d'un certain nombre de paramètres thermiques tels que la température de la cryosonde, les propriétés thermiques des tissus, la durée de congélation, etc. Pour y parvenir, des méthodes expérimentales et numériques ont été développées. Cependant, chaque méthode a ses propres limites. En effet, le problème majeur est associé à la méconnaissance de certains paramètres thermiques, ce qui rend l’analyse de la transmission dans les tissus biologiques difficile. Pour pallier ces limites et améliorer la technique de cryochirurgie, une approche novatrice est retenue : il s’agit du transfert de chaleur inverse. À partir de mesures thermiques de températures provenant d’un thermocouple implanté dans la tumeur, cette approche permet de prédire les paramètres inconnus tels que la perfusion sanguine et, ensuite, de déterminer l’évolution temporelle de l’interface de congélation et la distribution de la température dans le tissu.

In visually guided control of a robot, a large residual problem occurs when the robot configuration is not in the neighborhood of the target acquisition configuration. Most existing uncalibrated visual servoing algorithms use quasi-Gauss-Newton methods which are effective for small residual problems. The solution used in this study switches between a full quasi-Newton method for large residual case and the quasi-Gauss-Newton methods for the small case. Visual servoing to handle large residual problems for tracking a moving target has not previously appeared in the literature. For large residual problems various Hessian approximations are introduced including an approximation of the entire Hessian matrix, the dynamic BFGS (DBFGS) algorithm, and two distinct approximations of the residual term, the modified BFGS (MBFGS) algorithm and the dynamic full Newton method with BFGS (DFN-BFGS) algorithm. Due to the fact that the quasi-Gauss-Newton method has the advantage of fast convergence, the quasi-Gauss-Newton step is used as the iteration is sufficiently near the desired solution. A switching algorithm combines a full quasi-Newton method and a quasi-Gauss-Newton method. Switching occurs if the image error norm is less than the switching criterion, which is heuristically selected. An adaptive forgetting factor called the dynamic adaptive forgetting factor (DAFF) is presented. The DAFF method is a heuristic scheme to determine the forgetting factor value based on the image error norm. Compared to other existing adaptive forgetting factor schemes, the DAFF method yields the best performance for both convergence time and the RMS error. Simulation results verify validity of the proposed switching algorithms with the DAFF method for large residual problems. The switching MBFGS algorithm with the DAFF method significantly improves tracking performance in the presence of noise. This work is the first successfully developed model independent, vision-guided control for large residual with capability to stably track a moving target with a robot.