Outils numériques avancés en Mécanique

par Marc BUFFAT, dpt Mécanique, Université Lyon 1[1]

Fig. 1 démarche illustré du calcul scientifique

Partie I Python pour les scientifiques

• 1. Introduction
• 2. Méthodes numériques avancées et programmation
• 3. Information et Documentation
• 4. Python pour les scientifiques
• 5. Bonnes pratiques en informatique scientifique
• 6. Optimisation en Python
• 7. Programmation objet en Python
• 8. TP d’applications
  • 8.1. Calcul géométrique en 2D/3D

Partie II Traitements de données

• 1. Traitement de données
• 2. Traitement de données avec PANDAS
• 3. TP d’applications

Partie III Machine learning

• 1. Introduction au machine learning en Mécanique
• 2. Introduction à l’IA (machine learning)
• 3. Méthodes de minimisation en IA
• 4. Algorithmes d’IA
• 5. Mise en oeuvre du machine learning
• 6. Analyse de séries temporelles avec IA
• 7. TP d’applications
  • 7.1. TP célérité d’un choc par machine learning
  • 7.2. TP OUTPUT célérité d’un choc par machine learning
  • 7.3. Modélisation d’un pendule double par IA

Partie IV Problèmes sous contrainte (ODE/DAE)

• 1. Équations différentielles ordinaires
• 2. Simulation d’EDO en Python
• 3. Simulation de mouvement en mécanique
• 4. Simulation d’ODE/DAE en Python
• 5. TP d’applications
  • 5.1. TP DAE : pendule sur une courbe
  • 5.2. TP OUTPUT DAE : pendule sur une courbe
  • 5.3. TP Modélisation d’un looping

Partie V Problèmes de planification et contrôle

• 1. Planification de trajectoire
• 2. Calcul symbolique avec Python/Sympy
• 3. Planification en Mécanique
• 4. Modélisation de la charge d’une grue
• 5. Planification: mouvement d’une grue
• 6. Contrôle de trajectoires
• 7. TP d’applications
  • 7.1. TP Planification: étude d’un pont roulant
  • 7.2. TP OUTPUT Planification: étude d’un pont roulant

Annexe

• 1. References

Mise à disposition selon les termes de la License Creative Commons

---

[1]

cours de master M2 mécanique MAM