These E ROUX C

Assemblage mécanique : stratégies d’optimisation des
procédés et d’identification des comportements

mécaniques des matériaux
Émile Roux
To cite this version:

Émile Roux. Assemblage mécanique : stratégies d’optimisation des procédés et d’identification des
comportements mécaniques des matériaux. Matériaux. École Nationale Supérieure des Mines de
Paris, 2011. Français. �NNT : 2011ENMP0025�. �pastel-00628034�
HAL Id: pastel-00628034

https://pastel.archives-ouvertes.fr/pastel-00628034
Submitted on 30 Sep 2011
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N°: 2009 ENAM XXXX
École doctorale n° 364 : Sciences fondamentales et appliquées
Doctorat ParisTech
THÈSE
pour obtenir le grade de docteur délivré par
l’École nationale supérieure des mines de Paris

Spécialité “ Mécanique Numérique”
présentée et soutenue publiquement par
Emile ROUX
le 07 juillet 2011
Assemblage Mécanique :
Stratégies d’optimisation des procédés et d’identification des
comportements mécaniques des matériaux
Directeur de thèse : François BAY

Co-encadrement de la thèse : Pierre-Olivier BOUCHARD
Jury
M. Jacques BLUM, Professeur, Laboratoire J.A. Dieudonné, Université de Nice Sophia Antipolis Président T
M. Michel BRUNET, Professeur, LamCoS, INSA Lyon Rapporteur
M. Fabrice SCHMIDT, Professeur, ICA-Albi, Ecoles des Mines d'Albi Rapporteur
H
M. Mohamed RACHIK, Maître de Conférences - HDR, Laboratoire Roberval, UTC Compiègne Examinateur
È
M. Julien MALRIEU, Ingénieur, CETIM Invité
M. François BAY, Professeur, CEMEF, Mines ParisTech Directeur de thèse S
M. Pierre-Olivier BOUCHARD, Maître de Conférences - HDR, CEMEF, Mines ParisTech Co-directeur de thèse
E
MINES ParisTech
Centre de Mise en Forme des Matériaux
Rue Claude Daunesse B.P. 207, 06904 Sophia Antipolis Cedex, France
2
Remerciements
Je tiens dans un premier temps à exprimer toute ma reconnaissance et mon amitié à

Pierre-Olivier Bouchard (P.-O. ;)), mon directeur de thèse. Sa disponibilité, son ouverture
d'esprit, son écoute, ses smileys :p, nos discussions ainsi que la liberté qu'il m'a laissée, m'ont
permis de mener ce travail avec succès. Je tiens aussi à remercier François Bay, qui m'a suivi
tout au long de ces trois années, et notamment pour ses remarques et analyses toujours
pertinentes qui nous ont permis de rebondir dans la bonne direction.
Je remercie le CEMEF et le CETIM d'avoir construit ce projet ambitieux et de m'avoir

permis de m'y associer.
Je tiens ensuite à remercier Fabrice Schmidt et Michel Brunet qui m'ont fait l'honneur de
rapporter mon travail de thèse. J'adresse également mes remerciements à Jacques Blum,
Mohamed Rachik et Julien Malrieu qui ont examiné mon travail.
Mes remerciements vont ensuite vers toutes les personnes que j'ai pu rencontrer au
laboratoire et au Cetim, personnes qui ont rendu ces trois années très enrichissantes grâce
aux collaborations et discussions que nous avons pu avoir. Notamment, mes collègues de
projet Rachid El Kahoulani, Mathieu Gaurin et Julien Malrieu. Merci aussi à toutes celles et
ceux qui m'ont permis d’égayer les soirées, les Week End et les pauses café durant ces
années. Je remercie plus particulièrement Sabine, Franck, Thomas, Nicolas, Lionel, Aurélien,
Benoit, Hicham, Nadine, Benjamin, Sylvie, Ziad, ...
Je souhaite aussi exprimer toute mon amitié à des personnes que j'ai rencontré au Cemef
et qui sont devenues des Amis: Raph, Pam, Greg, Larbiao et Tof. Je les remercie aussi bien
pour nos séances de travail que de délire, sans quoi ces années auraient été bien ternes,
Merci à vous!
Je profite aussi de ces quelques lignes pour remercier une personne que j'estime
beaucoup, qui se reconnaitra sûrement, qui m'a donné l'envie et la confiance en moi
nécessaire pour me lancer dans cette aventure, Merci!
Enfin je remercie ma famille de m'avoir soutenu et toujours encouragé durant toutes ces
années d'études.
Encore Merci à tous.

Bonne lecture !
3
Sommaire
Table des abréviations et des sigles......................................................................................9
Introduction................................................................................................................................. 11
Chapitre 1 Optimisation dans le cadre de la modélisation par éléments finis

des procédés d'assemblage.......................................................................................................... 15
1 Assemblages par déformation plastique : contexte d'optimisation....................... 16
1.1 Définition..........................................................................................................................................................16
1.2 Contexte industriel.......................................................................................................................................16
1.3 Vers l'optimisation des assemblages ...................................................................................................17
2 Bibliographie.................................................................................................................................. 18
2.1 Généralités sur l’optimisation.................................................................................................................18
2.2 Analyse de sensibilité par plans d’expériences...............................................................................28
2.3 Méthodes d’optimisation pour fonctions objectif coûteuses ...................................................34
2.4 Bilan....................................................................................................................................................................39
3 Optimiser avec un métamodèle par krigeage .................................................................. 39

3.1 Le krigeage ordinaire..................................................................................................................................39
3.2 Exploration et exploitation de surfaces de réponse par Krigeage..........................................44
3.3 Algorithme EGO.............................................................................................................................................47
4 Proposition d’extension parallèle de l’algorithme EGO............................................... 48

4.1 Enjeux et intérêts d’une telle extension .............................................................................................48
4.2 Différentes approches ................................................................................................................................49
4.3 Exploitation des propriétés du krigeage pour la parallélisation.............................................51
5 Conclusion ....................................................................................................................................... 55
Chapitre 2 MOOPI un outil d’optimisation dédié aux calculs éléments finis....

.............................................................................................................................. 57
1 Conception - Développement de la plateforme MOOPI ............................................... 58
1.1 Objectifs généraux de la plateforme MOOPI.....................................................................................58
1.2 Analyse des objectifs...................................................................................................................................58
1.3 L'environnement CimLib® ......................................................................................................................61
5
1.4 Architecture logicielle retenue – environnement objet...............................................................61
1.5 Gestion des calculs – exploitation des ressources de calcul ......................................................62
1.6 Evolutivité de la plateforme.....................................................................................................................63
2 Implémentation de l’algorithme EGO .................................................................................. 66

2.1 Implémentation du krigeage ...................................................................................................................67
2.2 Implémentation de l'algorithme de minimisation par stratégie d'évolution.....................68
2.3 Construction de l'algorithme EGO parallèle (EGO-p) ...................................................................69
2.4 Critère d'arrêt et robustesse de l'algorithme...................................................................................71
3 Validations et analyse des performances de la plateforme MOOPI........................ 73

3.1 Définition de fonctions coût de référence .........................................................................................73
3.2 Test de la plateforme MOOPI...................................................................................................................76
3.3 Apport du krigeage anisotrope...............................................................................................................78
3.4 Apport de l’extension parallèle de l'algorithme EGO....................................................................79
3.5 Comparaison des performances avec l'algorithme SE-Meta.....................................................82
3.6 Bilan des tests de la plateforme MOOPI .............................................................................................88
4 Conclusion ....................................................................................................................................... 89
Chapitre 3 Optimisation numérique d’un point d’assemblage : application

au procédé de clinchage ................................................................................................................ 91
1 Préambule à la modélisation des procédés d'assemblage mécanique.................. 93
1.1 Comportement élasto-plastique ............................................................................................................93
1.2 Le modèle d'endommagement de Lemaitre .....................................................................................94
1.3 Précisions sur le couplage comportement-endommagement..................................................97
2 Définition d’un cas de référence ......................................................................................... 100

2.1 Modélisation du clinchage par éléments finis............................................................................... 101
2.2 Vers l'optimisation d'un assemblage par clinchage ................................................................... 114
3 Analyse de sensibilité .............................................................................................................. 118

4 Optimisation de la tenue mécanique ................................................................................ 119
4.1 Définition du problème d’optimisation - fonction coût............................................................ 119
4.2 Résultats ........................................................................................................................................................ 120
4.3 Impact sur la tenue en cisaillement (Axe X) .................................................................................. 123
5 Conclusion .................................................................................................................................... 123
Chapitre 4 Identification de paramètres matériaux par analyse inverse ..125

1 Identification de paramètres matériaux par analyse inverse................................ 126
1.1 Définition de l'analyse inverse............................................................................................................. 126
1.2 Intégration dans la plateforme MOOPI ............................................................................................ 128
2 Le modèle direct ........................................................................................................................ 129

2.1 Définition du modèle direct .................................................................................................................. 129
2.2 Hypothèses relatives aux aspects numériques de la résolution du modèle.................... 130
3 Identification à partir d’observables globales .............................................................. 130

3.1 Essai de traction – Mesure de l’observable force/déplacement........................................... 130
3.2 Construction d’une fonction coût adaptée au problème d’adoucissement/rupture... 131
3.3 Etude de sensibilité par rapport aux paramètres du modèle ................................................ 139
3.4 Vers l’exploitation de mesures plus riches : mesure de striction ........................................ 155
3.5 Application : identification des paramètres matériaux des tôles d'aluminium pour le
clinchage ............................................................................................................................................................................ 164
6
4 Conclusion .................................................................................................................................... 170
Chapitre 5 Identification : apport des mesures de champs .............................173

1 Exploitation des mesures de champs pour l’identification..................................... 174
1.1 Recalage par éléments finis (REF) ..................................................................................................... 174
1.2 L'erreur en relation de comportement ............................................................................................ 176
1.3 L'écart à l'équilibre ................................................................................................................................... 176
1.4 L'écart à la réciprocité............................................................................................................................. 176
1.5 La méthode des champs virtuels ........................................................................................................ 177
1.6 Choix d’une méthode ............................................................................................................................... 178
2 Exploitation des mesures de champs ............................................................................... 178

2.1 Données disponibles ................................................................................................................................ 178
2.2 Pilotage de simulations éléments finis avec des mesures de champs................................ 180
2.3 Construction d’une fonction coût adaptée aux mesures de champs en grandes
déformations ............................................................................................................................................................................ 183
3 Etude de sensibilité par surface de réponse.................................................................. 186

3.1 Cas de référence - essai virtuel............................................................................................................ 186
3.2 Sensibilité par rapport aux paramètres de la loi d'écrouissage............................................ 187
3.3 Sensibilité par rapport aux paramètres de la loi d'évolution de l'endommagement
ductile de Lemaitre ................................................................................................................................................................ 190
4 Identification des paramètres matériaux d'un acier DC04 ..................................... 194

4.1 Données expérimentales : prétraitement – filtrage ................................................................... 194
4.2 Identification des paramètres d’écrouissage ................................................................................ 197
4.3 Identification des paramètres de la loi d'évolution de l'endommagement ..................... 201
4.4 Bilan de l'identification des paramètres de l'acier DC04......................................................... 203
5 Conclusion .................................................................................................................................... 203
Conclusion générale et perspectives ...............................................................................205
Références ..................................................................................................................................209
Annexe : MOOPI au laboratoire .........................................................................................217
7
Table des abréviations et des sigles
AE Algorithmes évolutionnaires
AG Algorithmes génétiques
BFGS Méthode de minimisation Broyden-Fletcher-Goldfarb-Shanno
CL Constant Liar
CV Cross Validation
EF Eléments finis
EGO Efficient Global Optimisation
EGO-p Algorithme EGO parallèle
EI Expected Improvement
KB Kriging believer
LB Lower confidence Bound
MDC Mesures de champs
MLE Maximum Likelihood Estimation
MOOPI MOdular software dedicated to Optimisation and Parameters Identification
PE Plans d'expériences
SE Stratégies d’évolution
SE-Meta Stratégies d’évolution assistées par Métamodèle
9
Introduction
Introduction
Contexte Général : Projet MONA LISA
L'un des grands défis de l'industrie est d'optimiser l'ensemble du cycle de vie d'un produit,
depuis la conception jusqu’à la tenue mécanique en service. L'objectif est de réduire les coûts
au sens large du terme, c'est-à-dire aussi bien le coût financier que le coût environnemental.
La phase de conception est l'une des étapes clés pour atteindre ces objectifs. L'utilisation
d'outils de conception assistés par ordinateur est une réponse très efficace à ces
problématiques.
Pour répondre à ces exigences de plus en plus élevées dans l'industrie (aéronautique,
automobile, de l'électroménager, du transport ferroviaire…), les concepteurs ont recours à
l'utilisation de matériaux de natures différentes et sont confrontés aux problématiques
d'assemblage de ces matériaux. Les techniques d’assemblage par soudage ou par collage sont
souvent retenues, mais ne permettent pas de répondre à toutes les problématiques rencontrées
dans l’industrie. Différentes techniques d’assemblage par déformations plastiques peuvent
alors être envisagées. Ces procédés d'assemblage par déformations plastiques regroupent des
procédés très anciens tels que le rivetage mais aussi des procédés plus innovants tels que le
clinchage, le sertissage, ou encore le rivetage auto-poinçonneur… Ces procédés présentent
l’avantage de pouvoir créer un assemblage entre des matériaux ayant de mauvaises propriétés
de soudabilité ou de collage. La plupart de ces procédés présentent de bonnes propriétés de
tenue mécanique, principalement en cisaillement, et sont fiables dans le temps. Certains
d’entre eux, tel que le clinchage, sont également intéressants d’un point de vue financier,
puisqu’ils ne nécessitent pas d’apport de matière supplémentaire.
La maîtrise et la bonne connaissance de ces procédés constituent donc des points
primordiaux pour pouvoir les intégrer de manière efficace et optimale dans les structures
mécaniques industrielles. Le développement d'outils numériques capables de modéliser les
assemblages par déformation plastique est par conséquent un point clé pour l'aide à la
conception et à l'innovation. Ce type d'outils vient compléter les outils et le savoir déjà
existant, basé sur des observations empiriques et l'expérience des concepteurs.
C'est dans ce contexte d'aide à la conception et à l'innovation que le projet MONA LISA
(Modélisation et Optimisation Numérique des Assemblages, Logiciel Intégré de Simulation
des Assemblages) a été construit. Il implique 3 partenaires : le CETIM (Centre technique des
industries mécaniques), le CEMEF (Centre de mise en forme des matériaux) et Transvalor.
Les objectifs du projet peuvent se décliner en deux volets. Le premier est de développer les
méthodes numériques nécessaires à la modélisation et l'optimisation des technologies
d’assemblage par déformation pastique. Le second est de proposer un ensemble de logiciels
11
d'aide à la conception et à l'optimisation des assemblages, intégrant l'ensemble de ces
développements numériques.
Problématiques de la thèse
Cette thèse est l’une des quatre thèses effectuées dans le cadre du projet MONA LISA. La
problématique traitée ici est double :
- Mise en place d’outil numériques permettant la caractérisation des propriétés mécaniques
des matériaux mis en jeu dans l'assemblage.
- Développement d’un outil d'aide à la conception et plus particulièrement à l'optimisation
des procédés d'assemblage par déformation plastique pour améliorer leur tenue en service.
L'ensemble des travaux réalisés au sein du projet MONA LISA permettra, à terme, de
mettre en place une chaîne de modélisations complète depuis la mise en place de l'assemblage
jusqu’à la tenue en service. Ces modélisations permettront donc d'analyser une configuration
d'assemblage donnée, et d’évaluer l'influence des paramètres du procédé sur la tenue
mécanique en service. Mais pour exploiter pleinement la puissance d'un tel outil il est
incontournable d'utiliser des méthodes d'analyse et d'optimisation, permettant de proposer de
nouvelles solutions d'assemblage, et d'optimiser un assemblage par rapport à une sollicitation
mécanique définie. La première problématique posée est donc de proposer une solution
d'optimisation et d'analyse des assemblages par déformation plastique exploitant les outils de
modélisation développés dans le cadre du projet. En filigrane de cette problématique apparait
une problématique connexe liée au temps de calcul. En effet les calculs permettant la
modélisation de la mise en place et de la tenue mécanique d'un assemblage par déformation
plastique sont relativement longs (plusieurs heures). Si l'on souhaite tester, de manière
automatique, plusieurs configurations d'un assemblage pour aboutir à une solution optimale
en un temps raisonnable, il est nécessaire d'utiliser des méthodes intégrant cette
problématique de temps.
Outre les méthodes numériques utilisées, la précision des résultats est liée à la bonne
connaissance du comportement des matériaux composant l'assemblage. La modélisation des
procédés d'assemblage par déformation plastique met en jeu de grandes déformations
plastiques ainsi que des processus d'endommagement ductile dans les différentes pièces
composant l'assemblage. On se posera donc comme seconde problématique l'identification de
ces paramètres matériaux et notamment l'identification des paramètres matériaux liés aux lois
d'évolution de l'endommagement ductile. La prédiction fiable de l'endommagement étant un
point primordial pour bien évaluer la tenue en service d'un assemblage.
Organisation du manuscrit - guide de lecture
Le manuscrit de thèse est divisé en 5 chapitres. Après une brève présentation de la

problématique industrielle liée aux procédés d’assemblage par déformation plastique, le
premier chapitre présente les différentes méthodes d'optimisation exploitables dans le cadre
de l'optimisation des assemblages par déformation plastique sur la base de modélisations
éléments finis. Cette recherche débouche sur le choix de l'utilisation de méthodes assistées par
métamodèle.
Le deuxième chapitre présente les développements numériques réalisés, développements
débouchant sur la mise en place de la plateforme MOOPI (MOdular software dedicated to
Optimisation and Parameters Identification), qui est un logiciel dédié à l'identification par
12
Introduction
analyse inverse et à l'optimisation. En plus de la réflexion sur la mise en place d'une structure
logicielle pérenne, ce chapitre fait une large place à la validation et à l'évaluation de
l'efficacité de la plateforme et de l'algorithme d'optimisation proposé.
Les trois chapitres suivants exploitent cette plateforme.
Le chapitre 3 propose une procédure d'optimisation des assemblages par déformation
plastique. En préambule de ce chapitre, une brève description du modèle de comportement du
matériau est faite : le modèle retenu pour la modélisation des assemblages par déformation
plastique est constitué d’une loi de comportement élasto-plastique couplée à un modèle
d’endommagement ductile de Lemaitre. La procédure mise en place est illustrée par
l'optimisation du procédé de clinchage. Cette procédure se décompose en trois phases : la
validation de la modélisation du procédé, l'identification des paramètres procédé les plus
influents, et l'optimisation du procédé.
Le chapitre 4 propose une méthodologie d'identification par analyse inverse des
paramètres matériaux, analyse inverse basée sur l'exploitation de la plateforme MOOPI. Ce
chapitre est dédié à l'identification des différents paramètres du modèle de comportement
retenu sur la base d'essais de traction classique.
Puis, dans le chapitre 5, une méthodologie pour intégrer les mesures de champs dans le
processus d'identification est mise en place. L'objectif de ce chapitre est de montrer l'intérêt
d'exploiter des observables plus riches pour identifier les paramètres matériaux de manière
plus pertinente.
En conclusion de ce manuscrit, le bilan des travaux est dressé et une discussion sur les
ouvertures et perspectives envisagées est proposée.
13
Optimisation dans le cadre de la modélisation par éléments finis des procédés d'assemblage
Chapitre 1
Optimisation dans le cadre de la modélisation par éléments
finis des procédés d'assemblage
Dans le cadre de l'optimisation des procédés d'assemblage, l'évaluation de la fonction coût

(ou fonction objectif), c'est-à-dire l'évaluation de la qualité d'un point d'assemblage, est
réalisée par la résolution d'un problème mécanique par éléments finis. Ce calcul, permettant
d'aboutir à l'évaluation de la qualité d'un assemblage (donc de la fonction coût), est long : la
fonction objectif est donc dite coûteuse. Dans ce chapitre, nous présenterons tout d’abord le
cadre général d'optimisation des assemblages par déformation plastique, puis le cadre plus
général d'un processus d'optimisation et d'analyse d'expériences numériques. Nous nous
focaliserons ensuite plus particulièrement sur les méthodes d'optimisation adaptées aux
fonctions coût dont l'évaluation nécessite un calcul éléments finis coûteux en temps de calcul.
Ces méthodes adaptées aux fonctions objectifs coûteuses ont pour contrainte
supplémentaire de limiter le nombre d'évaluations de la fonction coût. L'objectif étant
d'obtenir une solution convenable en un temps raisonnable, c'est-à-dire en limitant le nombre
d'appels à la résolution du calcul par éléments finis. Une première solution consiste à utiliser
la méthodologie issue des plans d'expériences. Nous aborderons ensuite des méthodes
d'optimisation assistées par métamodèle, et nous présenterons plus particulièrement
l'algorithme Efficient Global Optimisation (EGO) proposé par Jones [Jon98].
Dans la dernière partie de ce chapitre, nous présenterons plusieurs approches ayant pour
but de "paralléliser" l'algorithme proposé par Jones. L'algorithme EGO propose d'évaluer les
solutions potentielles les unes après les autres. L'objet de cette dernière partie est d'analyser
les différentes pistes pour rendre parallèle cet algorithme, c'est-à-dire d'évaluer plusieurs
solutions potentielles de manière simultanée et donc d'exploiter la puissance de calcul
disponible sur plusieurs processeurs travaillant en parallèle.
15
Chapitre 1
1 Assemblages par déformation plastique : contexte

d'optimisation
1.1 Définition
Les méthodes d'assemblage par déformation plastique regroupent les méthodes
d'assemblage, à froid, de produits minces dont la tenue mécanique est assurée par la
déformation et l'interpénétration des composants de l'assemblage. Ces assemblages peuvent
être créés sans apport de matière (clinchage Figure 1-1 c et d) ou avec apport d'un composant
supplémentaire (rivetage Figure 1-1 b, rivetage auto-poinçonneur Figure 1-1 b)
(a) (b)
(c) (d)
Figure 1-1 : Différentes techniques d'assemblage par déformation plastique : (a) rivetage auto-
poinçonneur (coupe), (b) rivetage, (c) clinchage à point rond, (d) clinchage à point carré
1.2 Contexte industriel

Ce type d'assemblage est largement utilisé dans l'industrie, et notamment dans le secteur
des transports. Par exemple, un capot de Peugeot 607 comporte environ 70 points clinchés,
tandis que le nombre de points d’assemblage mécanique (essentiellement rivets) d’un Airbus
A340 est de l’ordre de 1 500 000. Certains modèles de voiture Allemandes (BMW et Audi par
exemple) ont des caisses en blanc réalisées totalement en alliage d'aluminium. Les
assemblages par déformation plastique sont alors largement utilisés et peuvent se compter par
milliers.
Une meilleure connaissance de la tenue mécanique et de l’optimisation des ces points
d’assemblage aurait un impact direct sur le nombre de points nécessaires pour assurer une
tenue « optimale » de la structure assemblée. Cette réduction implique automatiquement une
réduction du coût de fabrication du produit. C'est dans cette optique de réduction des coûts
que la modélisation numérique et l'optimisation prennent tout leur sens.
16
1.3 Vers l'optimisation des assemblages

Les outils de simulation développés au laboratoire et plus particulièrement au sein du
projet permettent de prédire la tenue mécanique d'une configuration d'assemblage donnée. Ces
outils permettent de quantifier l'impact de la modification des paramètres du procédé de pose
d'assemblages sur la tenue mécanique de celui-ci.
Lors de ses travaux de thèse, S. Fayolle [Fay08] a mis en place une modélisation du
rivetage auto-poinçonneur. De manière à démontrer l’influence de la géométrie des outils sur
la tenue mécanique, il a réalisé une "optimisation manuelle" du procédé en jouant sur la forme
de la bouterolle, utilisée comme outil inférieur dans le procédé de rivetage autopoinçonneur.
La Figure 1-2 montre le gain de tenue mécanique en cisaillement obtenu en modifiant l'un des
outils.
Figure 1-2 : Résultats de l'optimisation d'un assemblage par rivet auto-poinçonneur [Fay08]
Les résultats obtenus montrent l'intérêt d'optimiser le procédé d'assemblage. Sur cet
exemple cependant, une seule variable a été considérée et l’optimisation a été réalisée de
manière manuelle. Une optimisation automatique de la chaine virtuelle de simulation (pose du
point d’assemblage et modélisation de la tenue mécanique) constituerait un apport majeur en
terme d’efficacité et d’utilisation dans un cadre industriel. L'objectif final serait donc de
réaliser une boucle d'optimisation automatique (Figure 1-3) capable de travailler sur plusieurs
paramètres du procédé afin d'améliorer au maximum la tenue mécanique.
Simulation Simulation
Pose de l’assemblage Tenue mécanique en service
Optimisation
Figure 1-3 : Optimisation de la tenue mécanique des assemblages
Dans la suite de ce chapitre une revue des différentes méthodes pour optimiser et
améliorer la tenue mécanique des assemblages sur la base d'expériences numériques est
présentée.
17
Chapitre 1
2 Bibliographie
2.1 Généralités sur l’optimisation
2.1.1 Définition du vocabulaire
a) Fonction coût -Fonction objectif

La fonction coût, ou fonction objectif, est une évaluation de la qualité d'une solution.
L'objectif de l'optimisation sera de maximiser ou de minimiser sa valeur. Dans le cas de
l'optimisation des assemblages, la fonction à maximiser est typiquement la force
d'arrachement. Il est à noter qu'un problème de maximisation peut facilement se formuler sous
la forme d'un problème de minimisation.
min ( f ) = max ( − f ) (1.1)
Où f est la fonction coût. Dans la suite on s'attachera à résoudre un problème de
minimisation.
b) Variables d'optimisation - paramètres

Dans l'objectif de minimiser la fonction coût f , il est nécessaire de définir les paramètres,
c’est-à-dire les variables d'optimisation qui permettent de faire varier la valeur de f . Ces
paramètres sont notés x .
min ( f ( x ) ) (1.2)
x
Dans la plupart des cas, les paramètres d'entrée d'un processus sont très nombreux. Pour
un point d'assemblage de deux tôles par rivetage, on peut lister : les diamètres des perçages
des deux tôles, le diamètre du rivet, la longueur du rivet, la forme de la tête du rivet, la vitesse
de la bouterolle, l'effort de pose, la forme des outils... Tous ces paramètres ont une influence
plus ou moins importante sur la tenue mécanique de l'assemblage et peuvent donc être
considérés comme des variables d'optimisation.
c) Dimension du problème d'optimisation

La dimension du problème d’optimisation, notée n, correspond au nombre de variables
d'optimisation considérées. Le vecteur des variables d'optimisation x est donc de la dimension
du problème d'optimisation n.
d) Domaine d'optimisation
La définition des variables d'optimisation pousse naturellement à définir le domaine
d'optimisation, c’est-à-dire l'espace de variation des paramètres x . On le notera X . Dans le
cadre de ce manuscrit on travaillera exclusivement sur des domaines d'optimisation continus.
x∈ X
(1.3)
X ⊂ ℜn
Il est à noter qu'il existe des méthodes adaptées aux domaines non continus, comme par
exemple les plans d'expériences (présentés au paragraphe 2.2) qui peuvent prendre en
considération ce type de variables.
Dans le cadre de l'optimisation des assemblages, la définition des bornes de variation des
paramètres d'optimisation permet de définir ce domaine d'optimisation.
18
e) Contraintes
Les contraintes peuvent être classées en deux catégories : les contraintes explicites et les
contraintes implicites.
Les contraintes explicites sont directement appliquées aux paramètres d'optimisation ; le
jeu de paramètres x peut être déclaré non conforme sans même évaluer la solution complète.
Par exemple pour un assemblage par rivetage le rivet devra avoir un diamètre inférieur ou
égal au diamètre de perçage.
Les contraintes implicites ne sont, quant à elles, appliquées qu'après évaluation complète
d'une solution.
Ces contraintes peuvent être représentées mathématiquement sous forme d'égalité ou
d'inégalité entre les variables d'optimisation.
2.1.2 Formulation mathématique du problème d'optimisation

Un problème d'optimisation se formule mathématiquement de la manière suivante :
 min ( f ( x ) )
 x∈X
 g ( x) ≤ 0
 (1.4)
 h ( x) = 0
b ≤ x ≤ b
 inf sup
La solution du problème d'optimisation vérifie ces quatre conditions. x représente les

variables d'optimisation, h et g les contraintes d'égalité et d'inégalité, et binf et bsup les bornes
inférieure et supérieure de l'espace de recherche X .
L'objectif de l'algorithme d'optimisation est de résoudre ce problème dont la complexité

dépend de la forme de la fonction coût f et des fonctions contraintes h et g. La résolution se
fait de manière itérative suivant le schéma de communication de la Figure 1-4.
Algorithme Evaluation de
d'optimisation la solution
f ( x), g ( x), h ( x)
Figure 1-4 : Problème d'optimisation
2.1.3 Les algorithmes à direction de descente

Pour ces méthodes la première chose à noter est la nécessité de pouvoir évaluer le gradient
de la fonction coût, ce qui implique que cette fonction soit au moins une fois dérivable par
rapport aux n variables d'optimisation. Ces méthodes sont dites d'ordre 1, ou plus si des
dérivées d'ordre supérieur sont nécessaires.
19
Chapitre 1
a) Principes généraux
Supposons que la fonction coût soit continue et dérivable sur l’ensemble de l’espace de
recherche, et notons ∇f ( x ) le gradient de la fonction coût en x .
La condition nécessaire d’optimalité s’écrit :
∇f ( x ) = 0 (1.5)
Si f ( x ) est deux fois différentiable il est possible d'écrire la condition suffisante
d'optimalité :
 f ( x) = 0
∇
 2 (1.6)
∇ f ( x ) définie positive
Les méthodes à direction de descente ont pour objectif de calculer le vecteur x satisfaisant
la condition nécessaire (1.5).
Pour atteindre cet objectif, définissons la notion de direction de descente.

On dit que d est une direction de descente de f ( x ) en x si :
d .∇f ( x ) < 0 (1.7)
En utilisant un développement de Taylor d’ordre 1 de (1.7), et en considérant un

λ > 0 suffisamment petit, on obtient :
f ( x + λd ) < f ( x ) (1.8)
Cette direction de descente est très intéressante puisque qu’elle indique une direction qui
permet de minimiser f ( x ) en faisant varier x dans la direction d .
On peut alors approcher la solution optimale par une récurrence :

 x ∈ ℜ
0 N
 k +1 (1.9)
 x = x + λ d , ∀k ≥ 0
k k k
Où λk > 0 est le pas de descente, d k la direction de descente de f en x k .
Cette présentation générale fait apparaître les deux paramètres de base des algorithmes à
direction de descente : la direction de descente d et le pas de descente λ .
Les différentes méthodes résident dans la manière de choisir la direction de descente et de

calculer le pas de descente optimum à chaque itération.
b) Choix de la direction de descente

Plusieurs méthodes sont présentes dans la littérature, les plus répandues sont présentées
dans le tableau suivant (Tableau 1-1), on peut par exemple citer la méthode de Newton.
c) Bilan des algorithmes à direction de descente

Ces algorithmes à direction de descente sont largement utilisés et très efficaces. Ils
permettent à chaque itération de proposer une amélioration de la solution. Cependant, ces
algorithmes présentent deux biais majeurs :
20
• La dérivabilité de la fonction coût par rapport aux variables d'optimisation doit être
vérifiée, la fonction ne doit pas être bruitée. Dans le cadre de calculs éléments
finis, cela peut poser problème lorsque le calcul de la fonction coût est sensible à la
finesse du maillage ou au remaillage.
• La solution obtenue vérifie la condition nécessaire d’optimalité (1.5), cette
condition permet uniquement de conclure que la solution proposée est un
minimum local et non global sur le domaine. Cette solution dépend fortement du
point de départ x 0 (1.9).
21
Chapitre 1
Méthode Principe Direction de descente Avantage Inconvénient

Plus forte L'opposé du gradient est une direction de descente si x n’est pas un point
dk = −
( )
∇f x k Mise en œuvre La convergence
stationnaire. Cette direction est la plus forte décroissance de f .
pente simple peut être très
∇f ( x )k
lente,
notamment au
voisinage de la
solution.
Gradient Basé sur la méthode de la plus forte pente, avec une mise en mémoire de d k = −∇f ( x ) + β k −1d k −1 Problèmes de
conjugué la direction de descente de l’itération précédente. convergence dûs
différentes valeurs de β sont à l’accumulation
présentes dans la littérature d’erreurs
([Fle64], [Pol69]). d’arrondi.
( ) f ( x)
( ) ( )
Newton −1 Méthode Difficulté de
Approximation quadratique Q x de au voisinage de xk à d k = − ∇ 2 f x k  .∇f x k efficace calculer le
l’itération k. hessien
( ) ( )(
Q ( x ) = f x k + ∇f x k . x − x k + ) 1
(
t
) ( )(
x − x k .∇ 2 f x k . x − x k ) ∇2 f ( x ) f
de
2
On choisit x k +1 qui minimise Q( x ) , on obtient alors la direction de
descente grâce à la condition d’optimalité.
Gauss- Extension de la méthode de Newton basée sur une approximation du Largement
Newton /
hessien de
f dans le cas où la fonction coût s'exprime sous forme de exploitée pour
Levenberg- l'identification
moindres carrés [Min98].
Marquardt de paramètres
( ) ( )
−1
Approximation itérative du hessien de f .
Quasi- Efficacité
Newton
d k =- Hɶ k . ∇f x k
Les méthodes les plus populaires pour construire cette approximation
Hɶ k sont DFP ([Fle63]), et BFGS [Bro70].
Tableau 1-1 : Méthodes pour le calcul de la direction de descente.
22
d) Optimum local - optimum global

En exploitant les méthodes à direction de descente sur la fonction bi-extrema présentée
Figure 1-5, deux solutions peuvent apparaître. Dans le cas où le point de départ x0′ se situe
dans le voisinage de xl , la direction de descente d ′ tend à faire converger l'algorithme vers le
minimum local xl . Si en revanche le point de départ x0 se situe dans le voisinage de xg , la
direction de descente d tend à faire converger l'algorithme vers le minimum global xg . De ces
deux solutions, seule la solution xg satisfait au problème de minimisation (1.4).
50
40
30
20
10
f
x’
0
0 x
0 d’
d x
l
−10
−20 x
g
−30
0 2 4 6
x
Figure 1-5 : Illustration des méthodes à direction de descente, fonction bi-extrema

( y = x − 12 x + 47 x − 60 x ), minimum global xg en x = 1 et minimum local xl en x ≈ 4.6
4 3 2
Pour dépasser ces problèmes de minima locaux et de dérivabilité, il existe les algorithmes
dits globaux. Ils font l'objet des paragraphes suivants.
2.1.4 Les algorithmes évolutionnaires (AE)

Ces approches sont directement inspirées de la théorie de l’évolution de Darwin. Elles
sont basées sur le principe selon lequel la vie est une compétition où seuls les mieux adaptés
se reproduisent et survivent. La terminologie utilisée dans ce type d’algorithmes est
empruntée au vocabulaire de la biologie. On parlera de sélection, de croisement et de
mutation. Les AE utilisent la notion de population d’individus, dans laquelle chaque individu
représente une solution potentielle.
Ces méthodes sont très robustes et permettent d’aborder des problèmes dont la fonction
peut être non continue et mal connue. En revanche elles peuvent être très gourmandes en
temps de calcul. En effet, la fonction coût doit souvent être évaluée en un grand nombre de
points pour obtenir l’optimum. Ces méthodes ont vu le jour dans les années 60, avec les
travaux de Holland [Hol62], [Hol75]. Elles ont ensuite connu un large développement et sont
actuellement des méthodes très utilisées.
23
Chapitre 1
On distingue deux types d’algorithmes évolutionnaires adaptés à notre problématique :

• Les algorithmes génétiques (AG) qui se basent sur une représentation binaire des
individus.
• Les stratégies d’évolution (SE) qui se basent sur une représentation en nombres
réels et de dimension fixe des individus.
En effet les algorithmes génétiques et les stratégies d'évolution sont relativement bien
adaptés à notre cadre de travail sur l'optimisation des assemblages et l'identification de
paramètres de lois rhéologiques.
a) Stratégie d’évolution (SE)

La principale caractéristique qui différentie les AG des SE est le type de représentation, de
codage, des variables d'optimisation. Pour les AG les variables d'optimisation sont codées en
binaire, pour les SE les variables d'optimisation sont représentées dans l'espace des réels. A
chacun de ces deux types de codage est associée une algèbre spécifique. Dans la suite on
focalise la description de ce type de méthode sur les algorithmes à stratégie d'évolution. On
définit tout d'abord le vocabulaire spécifique, puis ensuite le déroulement général d'un
algorithme par SE sera décrit.
- Vocabulaire des algorithmes à stratégie d'évolution

• Individu : un individu correspond à un jeu de variables d'optimisation.
• Population : une population est un ensemble d'individus.
• Evaluation : calcul de la fonction coût associée à un individu.
• Opérateurs génétiques : ensemble d'opérations appliquées aux individus (sélection,
croisement, mutation).
• Sélection : opérateur qui sélectionne les individus destinés au croisement.
• Croisement : opérateur d'obtention d'un nouvel individu à partir des individus
sélectionnés.
• Mutation : opérateur de modification, de perturbation d'un individu.
• Actualisation de la population : sélection de la nouvelle population à partir de
l'ancienne et des enfants.
• Génération : une génération est un cycle complet comprenant les opérateurs
génétiques, la génération d'une population enfants et l'actualisation de la
population.
24
Population initiale
Évaluation de la population
Population parents
Opérateur génétique
(sélection, croisement, mutation)
Création de la population enfants
Évaluation de la population enfants
Actualisation de la population
non
Test de
convergence
oui
Sortie : extraction du meilleur individu
Figure 1-6 : Organigramme d'un algorithme à stratégie d'évolution
La méthode générale d'un algorithme à stratégie d'évolution est présentée par

l’organigramme de la Figure 1-6. Les étapes sont détaillées dans la suite :
- Initialisation de la population
La population initiale est générée dans le domaine d'optimisation. Le nombre d'individus
est fixé par l'utilisateur. Cette génération peut être soit aléatoire, soit suivre des règles
d'échantillonnage comme les méthodes Latin Hyper Cube [Tan93].
- Évaluation de la population
L’évaluation de la population est une étape qui peut devenir coûteuse si le temps
d'évaluation de la fonction coût est important.
- La sélection
La sélection permet de choisir, parmi toute la population, les individus qui seront à
l’origine de la génération suivante. Il existe plusieurs méthodes. Les plus utilisées sont la
sélection par tournoi et la sélection proportionnelle.
• La sélection par tournoi :
25
Chapitre 1
La sélection par tournoi consiste à choisir le meilleur individu parmi un sous-ensemble de

la population. On répète cette opération autant de fois que le nombre d’individus souhaité.
Cette méthode présente l’intérêt d’être facilement ajustée en jouant sur le nombre q
d’individus participant au tournoi. Plus q est grand, plus la pression de sélection est forte.
• La sélection proportionnelle :
Cette méthode, introduite en 1989 [Gol89], est la plus utilisée. Elle reproduit un jeu de
casino : la roulette russe. Cette roulette comporte autant de cases que d’individus. Si toutes les
cases ont la même taille il y aura équiprobabilité de sélection de l'un ou l'autre des individus.
Si chaque case a une taille proportionnelle à la performance perf ( x ) d’un individu x et
perf ( x )
prend la valeur , alors les individus les plus performants ont une plus grande
∑ perf ( x )
N
j
j =1
probabilité d'être sélectionnés. Pour un problème de minimisation, la performance est définie

comme l’inverse de la fonction coût.
L’espérance E i de sélection d’un individu xi est donnée par E i = N
N
perf x i , ( )
∑ perf x j ( )
j =1
où N est le nombre d’individus parents.

La pression sélective est définie comme le maximum des E i sur la population.
Cette méthode favorise les individus les plus forts mais laisse une chance à tous les
individus. Cependant, si la pression sélective est trop élevée, on risque une perte de la
diversité.
- Le croisement
Cette étape est facultative pour les SE, et n’est pas toujours présente dans la génération de
nouveaux individus. La représentation par des nombres réels des individus rend les règles de
recombinaison simples.
• La recombinaison discrète
On choisit par sélection deux parents dans la population. Chaque composante du nouvel
individu est alors créée en choisissant aléatoirement la valeur de l’un des deux parents.
• La recombinaison intermédiaire
On choisit par sélection deux parents dans la population x1 et x 2 . Chaque composante du
nouvel individu x enfant est alors créée en faisant une combinaison linéaire des valeurs des deux
parents.
( )
x enfant i = xi1 + χ xi2 − xi1 (1.10)
Où χ est une variable aléatoire uniforme comprise entre 0 et 1, et fixée à 0.5 dans
beaucoup de cas.
• La recombinaison globale discrète et globale intermédiaire

La recombinaison est identique à celle présentée ci-dessus, à la seule différence que pour
chaque composante du vecteur des variables d'optimisation un nouveau couple de parents est
choisi.
26
- La mutation gaussienne
L’opérateur de mutation est toujours présent dans les SE. Il est le principal opérateur
d’exploration et est le garant de la recherche globale.
Le principe de la mutation gaussienne est d’ajouter un bruit gaussien centré sur les
variables que l’on souhaite faire muter.
xi = xi + N (0, σ ) (1.11)
Toute la difficulté réside dans le bon choix de la valeur de σ , σ étant la variance la loi
normale centrée N. La mutation auto-adaptative propose de faire évoluer cette grandeur avec
l’individu. Ainsi, les individus ayant une bonne valeur de σ effectueront des mutations
réussies et seront donc plus compétitifs. Cette grandeur σ évolue en suivant les mêmes
opérateurs que les variables d'optimisation. La mutation auto-adaptative a été proposée par
Rechenberg [Rec73] et Schwefel [Sch81]. Cette méthode présente l'avantage de ne pas ajouter
de paramètre de réglage de l'algorithme, et permet en plus d'assurer à la fois l'aspect global de
la recherche et une bonne efficacité de la recherche locale lors de la convergence vers la
solution.
- Le remplacement (Sélection de la nouvelle population)

Il existe deux stratégies de remplacement :
L’une qui consiste à sélectionner les meilleurs individus parmi les enfants et les parents.
Cette méthode est élitiste et peut conduire à une concentration de tous les individus dans un
minimum local, la recherche n'est alors plus globale.
L’autre consiste à sélectionner les meilleurs individus uniquement parmi les enfants. Cette
méthode est plus robuste pour les environnements très accidentés, mais elle peut conduire à
une diminution de la performance. Cette méthode reste cependant intéressante pour sortir
d’un minimum local.
- Aspect global de la recherche

Les méthodes à direction de descente présentées précédemment sont des méthodes de
recherche locale. En revanche, les méthodes évolutionnaires sont des méthodes dites globales.
Cet aspect global est garanti par l'opérateur de mutation gaussien. Pour la mutation suivant
une loi gaussienne, un individu est susceptible d'être muté, déplacé, dans tout point de l'espace
avec une probabilité non nulle, et donc de détecter un minimum global très étroit. Cependant,
cette convergence hypothétique globale n'est assurée que pour un nombre infini de
générations. La solution obtenue ne pourra jamais être définie avec certitude comme "LE"
minimum global du problème d'optimisation.
b) Les algorithmes génétiques (AG)

Les algorithmes génétiques sont très proches des algorithmes par stratégie d'évolution. La
différence fondamentale se situe dans la représentation des individus qui se fait de manière
binaire. Contrairement aux SE, les AG peuvent résoudre des problèmes où les variables
d'optimisation sont non continues, le codage binaire étant discret. De plus, les opérateurs
associés sont adaptés au codage binaire.
2.1.5 Bilan et choix des algorithmes d'optimisation

Les méthodes présentées précédemment donnent un aperçu des différentes approches pour
résoudre un problème de minimisation. Les travaux sur l'optimisation sont très vastes. Les
méthodes présentées précédemment ont pour principale différence l'aspect local ou global de
la recherche, ainsi que le type d'information sur la fonction coût utilisée : valeur de la fonction
27
Chapitre 1
coût seule ou valeur de la fonction coût conjuguée à son gradient. Dans ce dernier cas, la
continuité de la fonction coût est une nécessité.
Le choix de l'une ou l'autre des méthodes doit être adapté au problème à résoudre. Dans le
cadre de l'optimisation des assemblages par modélisation numérique, deux points primordiaux
doivent être retenus pour choisir la méthode d'optimisation :
• le temps de calcul de la fonction coût est long, car il fait appel à une résolution par
éléments finis non linéaire,
• le problème n'a pas de raison de présenter un seul minimum.
Les méthodes qui seront présentées par la suite tiendront compte de ces deux spécificités.
Dans un premier temps l'approche par plan d'expériences est présentée. Cette approche est
retenue car elle répond particulièrement bien à la problématique du coût de calcul : le nombre
d'évaluations de la fonction coût est parfaitement maitrisé.
Dans un second temps on se focalisera sur des méthodes d'optimisation dédiées à la
problématique du temps de calcul : stratégies d’évolution avec Métamodèle.
2.2 Analyse de sensibilité par plans d’expériences

Dans le contexte d'optimisation numérique des assemblages, le temps de calcul est un
point crucial. La méthode des plans d'expériences est une première réponse à cette
problématique car elle permet de parfaitement maîtriser le nombre d’évaluations de la
fonction coût. Les méthodes présentées dans la suite sont à nombre d'évaluations de la
fonction coût connu, le temps pour obtenir l'information recherchée (optimum, sensibilité par
rapport à des paramètres d'entrée) est maîtrisé.
2.2.1 Généralité sur les plans d'expériences

L'objectif des plans d'expériences (PE) est d'obtenir le maximum d'informations sur
l'influence des paramètres d'entrée sur les observables en sortie, en minimisant le nombre
d'expériences à réaliser. La particularité de cette méthode est de mettre en place une
campagne expérimentale, la plus optimale possible, en s'appuyant sur des considérations
mathématiques. Dans la méthode des PE, les essais réalisés sont directement liés à l'objectif
que l'on souhaite atteindre : soit la détermination de la sensibilité de l’observable aux
paramètres d'entrée, soit la modélisation d'un système ou l'optimisation d'un procédé. Dans la
suite on s'efforcera de démontrer l'utilité et l'intérêt de telles méthodes.
Historiquement la notion de PE date des années 1925, et a été initiée par Fisher et Yate
lors de leurs travaux en agronomie [Fis25]. La méthode gagne ensuite le monde industriel,
notamment grâce à Taguchi qui internationalise cette approche dans la fin des années 70
[Tag78] : il approfondit la méthode pour l'associer à la notion de qualité. Depuis, les PE ont
pris un essor considérable avec le développement de l'informatique et la puissance de calcul
qui l'accompagne.
On présentera d'abord un exemple pédagogique pour mettre en avant la puissance de la

méthode des PE. Puis, on abordera les PE factoriels et optimaux, qui sont des méthodes déjà
bien abouties. En dernier lieu, on exposera une méthode plus moderne : la notion de plan
adaptatif, plan qui évolue au cours du déroulement de la campagne.
28
Un exemple (tiré de l'ouvrage de J. Goupy [Gou03, Chapitre 4]) :

Prenons un exemple simple pour illustrer l'intérêt des plans d'expériences, exemple tiré de
l'ouvrage de J. Goupy [Gou03, Chapitre 4] : la pesée de deux masses ma et mb avec une
balance à plateau. Cette balance commet une erreur, notée σ , sur chaque mesure.
Méthode classique : on réalise d'abord la mesure de ma : ma = p1 ± σ ; puis la mesure

de mb : mb = p 2 ± σ ; les deux masses sont donc pesées avec une précision de σ .
Méthode d'Hotelling : dans cette méthode on mesure d'abord la somme des deux masses,
notée p1, puis la différence, notée p2.
ma + mb = p1 et ma − mb = p2
1 1 (1.12)
⇒ ma = [ p1 + p2 ] et mb = [ p1 − p2 ]
2 2
Si on applique le théorème de la variance à (1.12):
1 1 1
V( ma ) = V( p1 ) + V( p2 )  = σ 2 + σ 2  = σ 2 (1.13)
4 4 2
Où la variance est le carré de l'écart type de la mesure ( V( p ) = σ 2 ), on fait ici l'hypothèse
que l'erreur sur la mesure est de type gaussienne.
σ
L'erreur ainsi commise est de au lieu de σ , soit une amélioration de 30% de la
2
précision. On voit ici l'intérêt de faire varier tous les paramètres (les masses) à chaque
expérience (les pesées) : avec le même nombre d'expériences la précision est améliorée.
Comme le montre l'exemple précédent, une organisation rationnelle des expériences peut
réellement apporter une amélioration de la précision. Avant de détailler les différentes
méthodes de construction des plans d'expériences, présentons la démarche globale des PE.
• Etape a : définition des objectifs et listage des réponses expérimentales possibles.

• Etape b : choix des facteurs pris en considération, des interactions entre facteurs et
du domaine expérimental.
• Etape c : proposition d'un plan d'expérience adapté à la modélisation souhaitée.
• Etape d : estimation des coïncidents du modèle.
• Etape e : validation du modèle.
2.2.2 Les plans d'expériences classiques
a) Les plans factoriels complets

Pour présenter les plans factoriels appuyons nous sur un exemple : un plan étudiant 3
facteurs pouvant prendre chacun 2 valeurs différentes, notées - et + (un changement d'échelle
permet de toujours se rapporter à cet intervalle). Par définition du plan complet toutes les
combinaisons possibles sont étudiées, soit 23 = 8 expériences.
Les 8 expériences et leurs réponses sont présentées dans le Tableau 1-2. Chacune de ces
expériences est réalisée avec une erreur σ = 2% au sens de la variance.
29
Chapitre 1
Num. essai x1 x2 x3 Réponse

1 - - - y1 = 38
2 + - - y2 = 37
3 - + - y3 = 26
4 + + - y4 = 24
5 - - + y5 = 30
6 + - + y6 = 28
7 - + + y7 = 19
8 + + + y8 = 16
Tableau 1-2 : Matrice d'expériences
Ce type de plan est associé à une surface de réponse polynomiale Q1, dans notre cas :
y = m + E1x1 + E 2 x 2 + E 3 x 3 + I12 x1x 2 + I13 x1x 3 + I 23 x 2 x 3 + I123 x1x 2 x 3 (1.14)
Ce polynôme (1.14) fait apparaître y la réponse, xi la valeur des facteurs, m la valeur

moyenne, les effets Ei et les interactions entre facteurs Iij.
Les effets sont directement à relier à la notion de sensibilité par rapport à un paramètre.
Les interactions caractérisent le couplage entre certains paramètres. Elles prennent tout leur
sens lorsque l'on étudie des réactions chimiques, où les interactions sont à l'origine de la
réaction.
Une représentation matricielle du plan est alors naturellement mise en place : Y le vecteur
réponse, E le vecteur des effets, et X la matrice d'expériences.
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y1 = 38   m 
     
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y2 = 37   E1 
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y3 = 26   E2 
     
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3  y4 = 24  E3 
X= ,Y=  ,E=  (1.15)
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y5 = 30   I12 
     
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y6 = 28   I13 
1 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y = 19  I 
   7   23 
1     
 x1 x2 x3 x1 x2 x1 x3 x2 x3 x1 x2 x3   y8 = 16   I123 
Pour chaque ligne de la matrice X (1.15), x1, x2 et x3 prennent les valeurs +1 ou -1 suivant
l'essai réalisé (Tableau 1-2).
Le système s'écrit alors : Y = XE
Dans le cas d'un plan factoriel, la matrice d'expériences X a des propriétés spéciales
1
(matrices d'Hadamard), notamment X −1 = X t , où n est la taille de la matrice. On obtient
n
alors rapidement la valeur du vecteur d'effet :
30
 m = 27.5 
 
 E1 = −1 
 E2 = −6 
 
1 t  E3 = −4 
E= X Y⇒E= (1.16)
n  I12 = −0.25 
 
 I13 = −0.25 
 I = 0.25 
 23 
 I =0 
 123 
Plusieurs choses peuvent être notées :

• L'utilisation d'une échelle réduite permet de normaliser les différents facteurs et
donc de comparer directement leurs effets relatifs.
• L'erreur sur chaque effet est, d'après le théorème de la variance, de
σ
∆= = 0.7% .
n
• L'interaction au troisième ordre I123 est nulle.
Cette dernière remarque fait apparaître que si l'on fait l'hypothèse a priori que cette
interaction est négligeable, un certain nombre d'essais peut être économisé. Ces types de plans
sont appelés plans factoriels fractionnaires.
Cette méthode, bien que coûteuse en nombre d'essais, est utilisée lorsque l'on traite peu de
paramètres. On peut citer le travail de Hana [Han06] sur le procédé de frettage : il réalise un
plan factoriel 23 pour modéliser le ratio d'énergie de glissement avec comme facteur la
pression de contact, la fréquence, et le déplacement. Dans ce cas les PE ont permis de
déterminer les conditions de frettage avec un minimum d'essais et de comparer deux états de
surface différents.
b) Les plans factoriels fractionnaires

Appuyons nous sur l'exemple précédent pour construire un plan factoriel fractionnaire :
3-1
2 .
Seuls 4 essais sont réalisés (Tableau 1-3). La surface de réponse associée à ce plan est :
y = m + l1x l + l2 x 2 + l3 x 3 (1.17)
Num. essai x1 x2 x3 Réponse

2 + - - y2 = 37
3 - + - y3 = 26
5 - - + y5 = 30
8 + + + y8 = 16
Tableau 1-3 : Matrice d'expériences d'un plan fractionnaire
Où li est l'effet du facteur xi. On applique le même type de traitement que pour le plan
complet, les effets li sont alors calculés et comparés avec les effets Ei issus du plan complet
(Tableau 1-4).
31
Chapitre 1
Effet Plan complet Plan fractionnaire

Moyenne 27.25 27.25
1 -1 -.75
2 -6 -6.25
3 -4 -4.25
Tableau 1-4 : Effets issus du plan complet et du plan fractionnaire
Les résultats sont comparables, mais ils ont été obtenus avec moitié moins d'essais que
pour un plan complet. Cette réduction du nombre d'essais a forcément une contrepartie,
certaines approximations sont faites.
Détaillons le calcul de l3 :
1
l3 = [ − y2 − y3 + y5 + y8 ] (1.18)
4
Si l'on revient sur le plan complet :
1
E3 = [ − y1 − y2 − y3 − y4 + y5 + y6 + y7 + y8 ]
8
(1.19)
1
I12 = [ + y1 − y2 − y3 + y4 + y5 − y6 − y7 + y8 ]
8
On remarque alors : l3 = E3 + I12
l3 est en réalité la somme de l'effet E3 et de l'interaction I12, ces deux grandeurs sont dites
"aliasées". l3 est donc représentatif de l'effet du facteur x3 sous l'hypothèse que l'interaction I12
soit négligeable, ou inversement. La mise en place d'un plan fractionnaire doit donc être
précédée d'une phase de réflexion poussée sur les acteurs à prendre en compte, ainsi que sur
leurs interactions afin de décider lesquelles sont négligeables ou non.
Dans notre exemple, seuls les effets sont calculés, l'ensemble des interactions étant
considéré comme négligeable. Ce plan est dit de résolution I. Il est possible de réaliser des
plans de résolution supérieure. Le plan de résolution IV est très utilisé [Pil05, Chapitre 5] : les
facteurs sont "aliasés" avec les interactions entre 3 paramètres et les interactions d'ordre 2 sont
"aliasées" entre elles.
c) Les plans de TAGUCHI

Taguchi a principalement travaillé dans le domaine de la qualité. Sa méthode s'appuie sur
des plans factoriels fractionnaires. Ces plans sont construits en faisant l'hypothèse que seules
certaines interactions entre deux facteurs sont non nulles, interactions parfaitement identifiées
par l'expérimentateur, les interactions d'ordre supérieur étant toutes supposées négligeables.
L'un des principaux intérêts de la méthode réside dans sa standardisation [Tag87].
Comme pour les plans fractionnaires présentés précédemment, il ne faut pas oublier que
les effets calculés sont "aliasés" avec des interactions d'ordres supérieurs. Il est préconisé de
réaliser une ou plusieurs expériences supplémentaires dans le domaine d'étude pour valider le
modèle mis en place [Pil05].
2.2.3 Les plans d'expériences optimaux

Les plans présentés précédemment sont des plans orthogonaux, leur matrice d'expériences
vérifie X t X = I d . Mais dans de nombreux cas, il est impossible de construire de tels plans. Par
exemple, si certaines combinaisons de paramètres sont interdites, ou si l'on veut intégrer des
32
expériences déjà réalisées. L'alternative est donc de construire des plans optimaux, plans qui
donneront la meilleure précision sur les paramètres du modèle.
On se posera alors deux questions :
• que doit-on optimiser pour aboutir à un plan optimal ?
• suivant quel critère doit être réalisée cette optimisation ?
a) Précision du plan
Pour répondre à la première question, prenons le modèle linéaire suivant :
y = XE + e (1.20)
Où y est le vecteur des N réponses, X la matrice des N essais de taille N × p , E le vecteur

des p coefficients du modèle, et ε le vecteur des erreurs d'approximation. La solution du
système (1.20) est obtenue par l'approximation des moindres carrés :
Eˆ = ( X t X ) X t y
-1
(1.21)
Ê est un estimateur de E. Cet estimateur par moindre carré a de très bonnes propriétés. On
démontre que sa matrice de variance-covariance est :
ˆ ( X t X )-1 σ 2
Cov(E)= (1.22)
où σ 2 = Var ( ε ) est la variance de l'approximation.
On arrive ainsi à exprimer la variance et la covariance des paramètres du modèle sans faire
intervenir les valeurs des réponses. On peut donc construire le plan d'expériences à priori. Un
PE optimal minimisera donc la valeur des termes de cette matrice.
b) Critères d'optimalité
Pour répondre à la deuxième question, citons les critères les plus utilisés.
• D-Optimalité : ce critère est basé sur la minimisation du déterminant de la matrice
X t X , que l'on peut assimiler à la variance globale du système, si l'on développe la
matrice de variance-covariance de Ê (1.21) :
( Xt X ) = det 1Xt X . Com ( Xt X )
−1 t
(1.23)
( )
où Com ( X ) est la co-matrice de X .
( ( ))
Le critère s'exprime alors π D = min det X t X , où U est l'ensemble des expériences
U
réalisables. Pour inclure la notion du nombre N d'expériences réalisées, on travaille avec le
déterminant normé.
π D = min
(
det X t X ) (1.24)
U N
Il est alors possible de déterminer le plan D-Optimal parmi un ensemble U de
N expériences possibles, pour un modèle donné. Ce type de critère est utilisé comme point de
départ pour la mise en place de plans à nombre d'expériences réduit [Kov07].
33
Chapitre 1
A-Optimalité : ce critère optimise la trace de la matrice ( X t X ) , c'est-à-dire la

−1
•
somme des variances des coefficients.
( (
p A = min trace X t X
U
)
-1
) (1.25)
Il existe de nombreux autres critères d'optimalité. On pourra se référer à l'ouvrage de

Droesbeke [Dro97] pour plus de détails. Dans la pratique, l'ensemble des expériences
possibles est obtenu par un quadrillage du domaine d'étude des facteurs. Les essais sont alors
sélectionnés par des méthodes d'optimisation dédiées. Les plus utilisées sont les algorithmes
d'échange de Fedorov et de Mitchell.
c) Application des plans optimaux

Il est à noter que les plans classiques factoriels sont par nature optimaux, il faut donc s'y
rattacher le plus souvent possible. Les plans optimaux sont utilisés dans les cas suivants :
• combinaisons de facteurs interdits (par exemple en chimie un mélange peut
devenir dangereux pour certaines proportions),
• réutilisation d'expériences déjà réalisées,
• récupération de plans dont certaines difficultés n'avaient pas été envisagées,
• réalisation d'un plan avec un nombre limité et fixe d'expériences [Kov07].
d) Bilan des méthodes par plans d'expériences

Les méthodes par plans d'expériences ne sont pas à proprement parlé des méthodes
d'optimisation, elles ne permettent pas de résoudre le problème de minimisation (1.4). Elles
permettent cependant d'analyser un procédé, un système, en contrôlant le nombre de tests
réalisés et en appliquant une méthodologie rigoureuse. Des informations très importantes sur
la sensibilité du procédé par rapport aux variables d'optimisation peuvent être obtenues par les
plans d'expériences.
Le paragraphe suivant introduit des méthodes d'optimisation prenant en considération la
problématique du temps de calcul. Ces méthodes sont souvent précédées d'une réflexion de
type plans d'expériences pour déterminer le jeu des variables d'optimisation les plus
pertinentes par rapport à l'objectif final.
2.3 Méthodes d’optimisation pour fonctions objectif coûteuses

Les méthodes présentées au paragraphe 2.1 permettent d'aboutir à la solution d'un
problème d'optimisation. Cependant ces méthodes ont besoin d'un grand nombre d'évaluations
de la fonction coût, plusieurs milliers pour un algorithme génétique. Ces méthodes ne sont
donc pas exploitables dans le cadre de l'optimisation numérique des assemblages. En effet,
l'évaluation d'un point d'assemblage (du calcul de la fonction coût) fait appel à un calcul par
éléments finis coûteux en temps. Le temps nécessaire à l’obtention d’une solution
satisfaisante devient donc vite prohibitif avec des méthodes non adaptées.
L'idée principale retenue pour réduire ce temps est d'introduire une modélisation
simplifiée du procédé modélisé (Figure 1-7). L'algorithme d'optimisation ne fait plus appel
exclusivement à la modélisation complète de l'assemblage, mais fait aussi appel à une
modélisation simplifiée du procédé étudié. Ce niveau simplifié de modélisation permet une
évaluation beaucoup plus rapide de la fonction objectif, mais en contre partie cette évaluation
perd en précision.
34
Algorithme Modélisation complète

d'optimisation du procédé (calcul EF)
(a)
Algorithme Modélisation complète

d'optimisation du procédé (calcul EF)
Modélisation simplifiée
du procédé
(b)
Figure 1-7 : (a) Problème d'optimisation directe, (b) problème d'optimisation à deux niveaux
2.3.1 L'approche "boite noire"

Les méthodes présentées ici ne nécessitent pas d'intervention dans le code de calcul
éléments finis pour évaluer la fonction coût. L'appel au logiciel de calcul se fait par simple
communication entrée/sortie, sans intervention dans le code source du logiciel. Cette
approche entrée/sortie est appelée approche "boite noire". Cette dénomination ne veut pas dire
que l'on ne maîtrise pas le calcul EF, mais simplement que celui-ci est encapsulé, et ne
communique avec la méthode d'optimisation qu'uniquement via les paramètres d'optimisation
à tester et la valeur de la fonction coût associée (Figure 1-8).
Il existe cependant des méthodes intrusives. Par exemple les méthodes de dérivation de
code : lors d'un calcul EF la valeur de la fonction coût est évaluée ainsi que son gradient. Ces
méthodes nécessitent un lourd travail dans le code source du logiciel EF. Pour plus de détails
sur ces méthodes on pourra se référer aux travaux de Forestier [For04].
L'approche "boite noire" est retenue, principalement, pour sa facilité d'adaptation à

différents codes de calcul.
Données du calcul EF
Paramètres d'entrée :
Variable d'optimisation Calcul EF Sortie :
Fonction coût
Boite noire
Figure 1-8 : Définition d'un calcul EF en "boite noire"
35
Chapitre 1
2.3.2 Métamodèle
De nombreuses techniques sont présentes dans la littérature pour réaliser cette
modélisation simplifiée. Le principe est de créer un opérateur mathématique, un métamodèle,
qui à partir d'une base de données de modélisation complète, propose une évaluation
approchée d'une solution non évaluée. Cet opérateur peut se représenter sous la forme d'un
schéma (Figure 1-9) ou d'une fonction (1.26).
fˆ ( x ) = Meta ( DBp, DBy, x ) (1.26)
Où fˆ est la valeur approchée de la fonction coût en x , DBp la base de données des jeux
de paramètres déjà évalués, DBy la base de données des fonctions coût associées.
Base de données de calculs

réalisés
Solution à évaluer Métamodèle Approximation de la

fonction coût
Figure 1-9 : Opérateur de modélisation simplifiée - Métamodèle
Il existe une grande variété de métamodèles. Le Tableau 1-5, proposé par Bonte [Bon07],
permet d'avoir un aperçu de méthodes existantes ainsi que de leurs points forts et points
faibles. On pourra se référer à l'article de Gary Wang [Gar07] pour plus de détails sur les
différentes méthodes de construction de métamodèles.
36
Type de métamodèle Avantages Inconvénients

Bien maîtrisé Approximation de faible degré
RSM (Reponse Surface Method) Transparent Stochastique
<10 variables
Flexible Complexité de la méthode
Déterministe Temps important pour la calibration du
Kriging (Krigeage)
métamodèle
<10 variables
Flexible Base de données initiale de taille importante
Déterministe Non transparent (boite noire)
NN (Neural Network)
Pas de limite en nombre de
variables
Variables discrètes Non transparent
IL (Inductive Learning)
Variables non continues
MARS (Multivariate Adaptative Regression Transparent Peu précis avec une base de données pauvre
Splines) Relativement nouveau dans l'ingénierie
RBF (Radial Basis Function) Non sensible au bruit Précision non connue
Transparent Développements récents
SVR (Support Vector Regression)
Précision importante
Tableau 1-5 : Avantages et inconvénients de différents métamodèles [Bon07]
37
Chapitre 1
2.3.3 Méthode d'optimisation basée sur un métamodèle

L'utilisation d'un métamodèle permet d'obtenir une approximation de la fonction coût de
manière rapide. Ce métamodèle doit ensuite être inclus dans la procédure d'optimisation pour
atteindre l'objectif final de minimisation. Une vue très générale des méthodes assistées par
métamodèle est présentée Figure 1-10.
Initialisation
x2
Calcul EF
D.E.
x1
Gestion Métamodèle / Calcul EF
Métamodèle Calcul EF
Méthode de minimisation
Non Oui
Convergence Solution
Figure 1-10 : Optimisation assistée par métamodèle
38
2.4 Bilan
Les méthodes présentées ici permettent toutes de résoudre un problème d'optimisation. Le
choix de l'une ou l'autre de ces méthodes se fait donc en analysant le type de problème que
l'on souhaite résoudre.
Les méthodes à direction de descente sont écartées, car elles sont mal adaptées aux
problèmes multi-extrema. A priori, rien ne nous permet de certifier que les problèmes
d'optimisation des assemblages et les problèmes d'identification de paramètres matériaux,
notamment de paramètres d'endommagement, sont mono-extrema. De plus ces méthodes à
direction de descente nécessitent que la fonction objectif soit dérivable ; la présence de
remaillage lors des simulations par éléments finis ne permet pas d'assurer une parfaite
continuité de la fonction coût.
Notre choix s'oriente donc vers des méthodes d'optimisation dites globales et ne
s'appuyant pas sur l'évaluation du gradient de la fonction objectif. Les méthodes issues des
algorithmes génétiques et par stratégie d'évolution semblent être de bonnes candidates pour
répondre à cette problématique. Elles présentent cependant l'inconvénient de nécessiter un très
grand nombre d'évaluations de la fonction coût. Ce nombre d'évaluations de la fonction coût
devient vite prohibitif lorsque le calcul de cette fonction coût fait appel à un calcul par
éléments finis.
Pour répondre à cette problématique supplémentaire de fonction objectif coûteuse en
temps de calcul, deux axes sont étudiés :
• La réduction du problème d'optimisation par une phase de sélection des
paramètres influents en s'appuyant par exemple sur les plans d'expériences.
• L'utilisation de méthodes d'optimisation assistées par métamodèle.
Finalement notre choix s'oriente sur l'exploitation de méthodes d'optimisation basées sur
les métamodèles par krigeage. En effet les algorithmes travaillant avec ce type de métamodèle
répondent aux différentes problématiques (recherche du minimum global, dérivabilité de la
fonction objectif non assurée, temps de calcul de la fonction coût important, méthode non
intrusive).
3 Optimiser avec un métamodèle par krigeage

Dans cette partie on se propose de présenter différentes manières d'exploiter un
métamodèle par krigeage pour aboutir à la solution globale d'un problème d'optimisation.
Dans un premier temps, la méthode de construction et de calibration de l'opérateur de
krigeage ordinaire est présentée. Dans un deuxième temps, sont décrites les différentes
techniques pour exploiter l'opérateur de krigeage dans le cadre de l'optimisation. Enfin, on
présentera l'algorithme Efficient Global Optimisation (EGO) proposé par Jones [Jon98,
Jon01].
3.1 Le krigeage ordinaire

L'objectif de l'opérateur de krigeage est de proposer une approximation de la valeur de la
fonction coût en tout point du domaine d'optimisation. Cette approximation s'appuie sur la
connaissance d'un nombre de points déjà évalués de manière précise en faisant appel au calcul
complet du problème EF. Cet ensemble de points forme la base de données. Deux étapes sont
39
Chapitre 1
nécessaires pour obtenir l'approximation : la construction de l'opérateur et la calibration de

l'opérateur de krigeage.
3.1.1 Construction de l'opérateur de krigeage

Le krigeage est une méthode issue de la théorie sur les processus de champs gaussiens
aléatoires. Elle provient de la géostatistique [Dro97]. Le krigeage ordinaire fait l'hypothèse
que le processus étudié est la somme d'une tendance constante m et d'une déviation locale
aléatoire processus de champs gaussien R x . Cette déviation locale R x étant le résultat d'un
processus gaussien aléatoire de moyenne nulle et de variance σ 2 .
Le processus étudié s'écrit alors sous la forme de processus stochastique Fx :
Fx = m + R x (1.27)
La construction de l'estimateur du processus Fx nécessite d'avoir une base de données

DBp des points déjà évalués, ces points sont appelés points maîtres. A cette base de données
des points maîtres est associée la base de données des réponses DBy .
DBp : p = [ p1 ,..., pm ] ∈ℜn×m (1.28)
La base de données DBp est une liste de m jeux de paramètres. Chaque jeu de
paramètres étant un vecteur de dimension n ( n représente la dimension du problème
d'optimisation). La base de données des réponses DBy est, quant à elle, un vecteur de
m valeurs.
DBy : y = [ y1 ,..., ym ] =  f ( p1 ) ,..., f ( pm )  ∈ ℜm (1.29)
Cette base de données doit être initialisée, on fait à ce stade l'hypothèse qu'elle contient
déjà m points.
Pour construire l'estimateur ŷ du processus gaussien Fx , m et σ 2 sont évalués par la
méthode des moindres carrés :
1 t .C −1 . y
m = t −1 (1.30)
1 .C . 1
σ=
(y − 1 .m ) .C .(y − 1 .m )
t −1
(1.31)
n
Où 1 est le vecteur unité de dimension m , et C la matrice de corrélation définie par

l'équation (1.32)
C = [corr ( pi , p j )]i , j∈[1,m] (1.32)
Cette matrice de corrélation C est construite à l'aide des fonctions de corrélation. L'une
des fonctions la plus utilisée pour l'analyse d'expériences numériques est une fonction de
forme exponentielle. Une formulation en est donnée à l'équation (1.33) :
(
corr (x, x′,θ ,τ ) = exp − l ( x, x′)
τ
) (1.33)
40
avec
2
n
 x′ − x 
l ( x, x′ ) = ∑  i i  (1.34)
i =1  θi 
La fonction (1.33) évalue la corrélation entre deux points x et x ′ du domaine

d'optimisation. L'allure de cette fonction dépend des valeurs de θ et de τ (Figure 1-11 a et b).
Le choix de la forme des fonctions de corrélation a un impact direct sur la forme de la
surface de réponse obtenue. Ici, on fait le choix d'utiliser des corrélations de type gaussiennes
( τ =2). Il existe de nombreuses autres formes de fonctions de corrélation. Les formes de
fonctions de corrélation les plus courantes sont rassemblées dans les travaux de Lophaven et
al. [Lop11].
La fonction de corrélation exponentielle est retenue car elle permet d'obtenir une surface
de réponse continue et dérivable si τ =2, et continue mais non dérivable si 1 ≤ τ < 2 . Les
procédés d'assemblage s'appuient sur des phénomènes physiques continus, il est donc légitime
de choisir une forme de surface de réponse continue.
La fonction de corrélation (1.33) fait aussi apparaître le paramètre θ . Ce paramètre permet

de régler la portée de la fonction de corrélation, c’est-à-dire sa zone d'influence. Si θ est
grand, la fonction de corrélation aura une grande portée, et inversement si θ est petit (Figure
1-11a).
Ce paramètre de portée peut être isotrope, c'est-à-dire constant dans toutes les directions
de l'espace d'optimisation, ou anisotrope. Dans ce dernier cas, θ sera un vecteur de dimension
n . Chaque direction de l'espace d'optimisation correspond à une variable d'optimisation.
L'anisotropie de l'opérateur de krigeage permet alors de retranscrire des différences de
sensibilité entre les paramètres.
Les valeurs de θ et τ sont déterminées lors de la phase de calibration.
(a) Fonction gaussienne (ττ=2), équation (b) Fonction exponentielle non dérivable
(1.33) (ττ=1), équation (1.33)
Figure 1-11 : Fonctions de corrélation
41
Chapitre 1
L'évaluation de m et C permet de construire le prédicteur par krigeage du processus Fx

[Emm06] :
yˆ ( x ) = m + ( y − 1 .m ) .C −1 .cv ( x)
t
(1.35)
Où x ∈ℜn , et cv ( x ) = corr ( x, pi )  i∈ 1,m .
[ ]
ŷ ( x ) est donc une estimation de la valeur de la fonction coût au point x , calculée en
fonction de la base de données des points maîtres.
Une autre information est aussi calculable : la variance σ̂ 2 ( x ) de l'estimateur ŷ ( x ) :


σˆ ( x ) = σ 1 − cv ( x) C .cv ( x) +
2 2 t −1 (
1 − 1 t .C −1 .c v ( x) )
2

 (1.36)
 1 t .C −1 . 1 
Cet estimateur permet d'évaluer la précision de la prédiction.
Le prédicteur ŷ ( x ) a des propriétés intéressantes. ŷ ( x ) est une fonction interpolante, c'est-

à-dire que yˆ ( pi ) = f ( pi ) , i ∈ [1, m ] et la variance en chaque point maître est nulle. Ces
propriétés sont illustrées Figure 1-12.
Figure 1-12 : Prédicteur par krigeage - interpolation et variance d'interpolation
3.1.2 Calibration
a) Enjeu de la calibration de l'opérateur de krigeage

La calibration est la phase durant laquelle les paramètres θ et τ de la fonction de
corrélation sont calculés. Cette phase est relativement délicate puisqu'elle conditionne la
qualité de l'opérateur de krigeage.
Pour illustrer les aspects liés à la calibration, un exemple est utilisé. Une surface de
réponse 1D par krigeage est construite à partir de 4 points maîtres.
Si θ est trop faible la surface obtenue n'a que peu d'intérêt, la seule information disponible
est alors la valeur de la tendance m (équation(1.30)). Chaque point maître est lié à ce plan
42
médian par un pic très local (Figure 1-13a, pointillés noirs). Ce plan médian de valeur
m apparaît nettement sur la Figure 1-13a.
Si la valeur de θ est bien calibrée la surface de réponse est beaucoup plus riche en
informations (Figure 1-13a, trait continu bleu).
(a) influence du paramètre θ (b) influence du paramètre τ
Figure 1-13 : Surface de réponse par krigeage
Le paramètre τ permet de choisir entre une surface de réponse dérivable (Figure 1-13b,
trait bleu continu) et une surface non dérivable (Figure 1-13b, pointillés noirs). Cette propriété
de dérivabilité est directement liée à la forme des fonctions de corrélation. La fonction de
corrélation est dérivable en zéro uniquement pour τ =2. La surface de réponse associée est
donc dérivable, aux points maîtres, uniquement pour τ =2.
b) Méthodes de calibration
Il existe principalement deux méthodes pour réaliser cette calibration. La méthode de
validations croisées (Cross Validation, CV) et la méthode de l'estimateur du maximum de
vraisemblance (Maximum Likelihood Estimation, MLE). Ces méthodes s'appuient sur la base
de données des points maîtres. Elles ont pour objectif de minimiser un critère en jouant sur les
paramètres de calibration θ et τ .
- Méthode de l'estimateur du maximum de vraisemblance (Maximum Likelihood

Estimation - MLE)
Cette méthode s'appuie sur l'estimateur du maximum de vraisemblance (équation(1.37)).
La résolution du problème de maximisation permet de déterminer des valeurs optimales pour
θ et τ .
(
MLE = max ln ( L (θ ,τ ) )
θ ,τ
)
(1.37)
1
2
( ( 2
) ) (
ln ( L (θ ,τ ) ) = − m ln σ (θ ,τ ) + ln ( 2π ) + 1 + ln C (θ ,τ ) 
 )
C (θ ,τ ) représente le déterminant de la matrice de corrélation.
43
Chapitre 1
Cette méthode a pour principal avantage de ne faire appel qu'au déterminant de la matrice
de corrélation C . La construction complète de l'opérateur de krigeage n'est pas nécessaire. La
difficulté résidant dans la forme de la fonction à maximiser. Cette fonction est multimodale,
des méthodes adaptées doivent donc être utilisées pour la maximiser. Ulmer et al. [Ulm03]
proposent d'utiliser une méthode évolutionnaire, Laurenceau et al. [Lau08] proposent quant à
eux d'utiliser une méthode à direction de descente avec un point de départ spécifique, évalué à
partir de l'analyse du phénomène modélisé.
- Méthode de validation croisée (Cross Validation - CV)

La méthode de validation croisée permet de déterminer les paramètres de
calibration en minimisant le critère CV (θ ,τ ) :
m
CV (θ ,τ ) = ∑ ( y ( pi ) − yˆ −i ( pi ) )
2
(1.38)
i =1
yˆ − i ( pi ) représente la valeur calculée en pi par l'opérateur de krigeage construit à partir

d'une base de données de points maîtres dont le point maître pi a été exclu.
Cette méthode donne, d'après Martin et al. [Mar05], des résultats meilleurs que la méthode
MLE. Le calcul du critère de Cross Validation est, en revanche, très lourd en terme de temps
de calcul : m opérateurs de krigeage doivent être construits à chaque évaluation de CV (θ ,τ ) .
En effet, chaque approximation yˆ − i ( pi ) est construite sur une base de données différente.
3.2 Exploration et exploitation de surfaces de réponse par Krigeage
L'opérateur de krigeage, une fois calibré, permet d'obtenir deux informations.

L'approximation ŷ ( x ) et la variance σˆ ( x ) peuvent être évaluées en tout point du domaine
d'optimisation (équations (1.35) et (1.36)). Dans ce paragraphe, différentes méthodes pour
rechercher un point susceptible d'être une bonne solution du problème global de minimisation,
sont présentées.
L'objectif de toutes ces méthodes est de proposer un point maître supplémentaire à ajouter
dans la base de données. L'ajout successif de points maîtres aboutit à la résolution du
problème de minimisation.
La première idée est de rechercher les coordonnées du minimum de ŷ ( x ) dans le domaine

d'optimisation et d'ajouter ce point dans la base de données des point maîtres.
pm +1 = xmin | xmin = min ( yˆ ( x ) ) (1.39)
x∈ X
La recherche de ce point a pour effet de préciser un minimum déjà détecté. Cette phase est
appelée exploitation. Sur la
l'approximation par krigeage est représentée en trait continu bleu, le point pm +1 proposé
par cette méthode est représenté sur la
par le point pm +1 vert, le minimum détecté dans cette zone sera donc connu de manière
plus précise.
44
La seconde idée est de maximiser la variance σˆ ( x ) de l'estimateur, ce maximum

correspond aux zones où l'estimation est incertaine.
pm +1 = xmin | xmin = max (σˆ ( x ) ) (1.40)
x∈ X
La recherche de ce point a pour effet d'explorer des zones méconnues du domaine

d'optimisation. Cette phase est appelée exploration, elle permet d'assurer l'aspect global de la
recherche. Sur la
, la variance de l'approximation par krigeage est représentée en trait pointillé rouge, le
point pm +1 proposé par cette méthode est représenté sur la
par le point pm +1 rouge. Un point maître sera alors ajouté dans une zone peu connue.
−1
pm+1 : Exploration
y
−2
−3 pm+1 : Exploitation
−4
Points maitres
−5 Approximation y^
Variance σ^
−6
−1 −0.5 0 0.5 1
x
Figure 1-14 : Exploitation et exploration d'une surface de réponse par krigeage
L'exploitation et l'exploration sont deux aspects qui doivent être pris en compte pour
construire un algorithme d'optimisation global. La combinaison de (1.39) et (1.40) permet de
créer, par addition, un critère multi-objectifs. Ce critère est nommé Lower confidence Bound
(LB) [Emm06].
pm +1 = xmin | xmin = min ( yˆ ( x ) − ωσˆ ( x ) ) , ω ∈ [1,3] (1.41)
x∈ X
Ce critère introduit un coefficient de pondération ω qui doit être fixé par l'utilisateur. Plus
ω est grand plus l'effet d'exploration est accentué. La Figure 1-15 (trait fin noir) représente le
critère LB ( ω =2). Dans cet exemple le point pm +1 minimisant le critère se trouve en x = 0.3 .
Dans la zone se situant entre −1 ≤ x ≤ −0.5 , l'approximation est considérée comme fiable, la
part exploitation du critère est donc faible, l'exploration est donc favorisée.
Le critère LB ajoute un coefficient supplémentaire à déterminer ω , la multiplication de ces
coefficients de "réglage" étant toujours dommageable pour la simplicité d'utilisation des
méthodes.
45
Chapitre 1
Il existe d'autres méthodes qui ne font pas appel directement à une somme pondérée de
ŷ ( x ) et σˆ ( x ) . Le critère d'amélioration espérée (Expected Improvement, EI) proposé par
Jones [Jon98] en est un exemple.
 y − yˆ ( x )   y − yˆ ( x ) 
EI ( x ) = ( ymin − yˆ ( x ) ) Φ  min  + σˆ ( x ) ϕ  min
 σˆ ( x ) 
(1.42)
 σˆ ( x ) 
   
Où ymin est le minimum des réponses de la base de données ( ymin = min ( yi ) ), Φ la
i∈[1, m ]
fonction répartition de la loi normale centrée réduite, et ϕ la fonction de densité de

probabilité de la même loi normale. Le point ajouté à la base de données maximise ce critère.
pm +1 = xmin | xmin = max ( EI ( x ) ) (1.43)
x∈ X
Sur l'exemple Figure 1-15 (trait rouge pointillé) l'EI présente deux pics. L'un en x = 0.3
correspond à l'aspect exploration, et l'autre en x = −0.25 correspond à l'aspect exploitation.
Dans ce cas les aspects globaux et locaux de la recherche de l'optimum sont bien présents. Ce
critère a l'intérêt d'exploiter les propriétés de l'opérateur de krigeage sans ajouter de paramètre
de "réglage" supplémentaire.
Exploration
Exploitation Exploration
Figure 1-15 : Critère Lower confidence Bounds (LB) et Expected Improvement (EI)
46
Il existe de nombreux autres critères dérivant principalement de ceux présentés

précédemment. On peut citer par exemple les travaux de Villemonteix [Vil09] qui utilise le
critère de minimisation de l'entropie conditionnelle des minimiseurs.
L'obtention des coordonnées d'un point maître supplémentaire se fait toujours via la
minimisation d'un critère (ou maximisation suivant les cas). Cette minimisation n'est jamais
triviale. L'exemple présenté en fil rouge de ce paragraphe est très simple (1 variable
d'optimisation, 4 points maîtres) et pourtant la forme des critères à minimiser est complexe.
Les fonctions à minimiser sont multi-extrema. L'EI Figure 1-15 en est un exemple, l'un des
extrema est même relativement étroit. Ces minimisations font appel à des méthodes
d'optimisation bien choisies. Les méthodes par stratégie d'évolution (paragraphe 2.1) sont
particulièrement bien adaptées. La résolution de ce problème d'optimisation annexe n'est pas
bloquant en terme de temps. En effet, cette résolution est bien moins coûteuse en temps de
calcul que l'évaluation de la fonction coût liée à un point maître obtenue par un calcul
éléments finis.
3.3 Algorithme EGO

L'ensemble des ingrédients nécessaires à la construction d'un algorithme d'optimisation
globale ont été décrits précédemment. On présente ici les points principaux proposés par
Jones [Jon98] pour construire l'algorithme Efficient Global Optimization (EGO). Dans cet
algorithme la surface de réponse est enrichie de manière itérative.
Cet algorithme est décrit dans le Tableau 1-6 :
Algorithme d'optimisation globale

1: DBp = initialisation() //Initialisation de la base de données des
points maîtres
2: DBy = f (DBp ) //calcul des fonctions coût (appel "boite noire"
du calcul EF)
3: Tant que (EI>1%) faire
4: Meta =MetaModeling( DBp , DBy ) // Construction et calibration du métamodèle
5: newDBp =max(EI) // exploration et exploitation : maximisation de
l'EI
6: DBp = [DBp ∪ newDBp ] // ajout du nouveau point maître
7: DBy = [DBy ∪ f (newDBp )] // évaluation de la fonction coût du nouveau
point maître (appel "boite noire" du calcul EF)
8: fin
Tableau 1-6 : Algorithme d'optimisation globale
Dans les travaux de Jones, la maximisation de l'Expected Improvement est réalisée par
l'algorithme branch-and-bound algorithm [Jon98], qui est spécialement adapté à la forme de
la fonction EI ( x ) .
Le schéma de la Figure 1-16 propose une vue du fonctionnement de l'algorithme
d'optimisation globale. Dans ce schéma la maximisation de EI ( x ) est réalisée par un
algorithme à stratégie d'évolution.
47
Chapitre 1
Initialisation
Plan
d’expériences
P (1…m)
P (1…m)
Calcul E.F.
Exploration de la
surface de réponse
f(1…m) Optimisation par S.E.
Enrichissement f m+1 Population

Base de données initiale
P
P_min m+1
Évaluation
Surface de réponse
Calcul E.F. de la population
Krigeage
Opérateurs
génétiques
EI Nouvelle
⇒ EI ( x) population
oui non
P_min m+1
fin
Figure 1-16 : Schéma de l'algorithme d'optimisation globale (EGO)
4 Proposition d’extension parallèle de l’algorithme EGO
4.1 Enjeux et intérêts d’une telle extension

Cette extension parallèle s'inscrit dans la problématique de diminution du temps de calcul.
L'utilisation d'un métamodèle était la première étape, la deuxième étant de paralléliser la
méthode.
L'algorithme d'optimisation globale présenté Figure 1-16 est séquentiel. A chaque itération
un seul point maître est ajouté à la base de données, un seul calcul EF est donc réalisé.
Paralléliser cet algorithme a pour objectif de pouvoir évaluer plusieurs points maîtres de
manière simultanée, et donc d'exploiter la puissance de calcul disponible. En effet, à chaque
itération, le point maximisant EI ( x ) est ajouté à la base de données : par définition
max ( EI ( x ) ) n'a qu'une seule solution. L'objectif est donc d'ajouter plusieurs points maîtres à
x∈ X
chaque itération de manière intelligente.
48
4.2 Différentes approches

Deux approches sont envisageables :
• l'utilisation d'un critère capable de proposer Npar points maîtres par itération,
• la création d’un système pseudo-itératif où, à chaque pseudo-itération, un point
maître est proposé, ce point maître étant associé à une valeur de fonction coût
fictive et temporaire.
La première alternative est encore peu présente dans la littérature. Ginsbourger et al.
[Gin10], proposent un critère sur la base de l'Expected Improvement, nommé q-EI, où q est le
nombre de points maîtres extraits à l'aide de ce critère. La formulation de ce critère reste assez
complexe et n'est calculée analytiquement que pour q=2. Pour des valeurs supérieures de q, le
critère est évalué par méthode de Monte-Carlo.
Une deuxième alternative est décrite dans le Tableau 1-7. Cette approche consiste à
construire tout d'abord un métamodèle s'appuyant sur la base de données.
Ce métamodèle est ensuite exploité pour extraire un nouveau point maître (Tableau 1-7,
ligne 9). A ce stade le nouveau point maître n'est pas évalué directement via l'appel au calcul
en "boite noire". Ce point maître devient un point maître fictif : la valeur de sa fonction coût
associée est fixée de manière arbitraire (Tableau 1-7, ligne 11).
Un nouveau métamodèle est alors construit sur la base de données des points maîtres
augmentée du point maître fictif (Tableau 1-7, ligne 8). Un nouveau point maître fictif est
alors créé. Cette opération est répétée autant de fois que l'on souhaite de points maîtres fictifs.
Une fois ce nombre atteint, les fonctions coût associées à l'ensemble des points maîtres
fictifs sont calculées de manière exacte en faisant appel au calcul EF en "boite noire" (Tableau
1-7, ligne 14). Ces Npar calculs peuvent alors être exécutés simultanément sur différents
processeurs.
Après avoir évalué ces Npar points maîtres fictifs, ils deviennent des points maîtres inclus
dans la base de données (Tableau 1-7, ligne 15). En itérant ainsi, les points maîtres évalués
sont choisis par "paquets" de Npar nouveaux points par pseudo-itération.
49
Chapitre 1
Algorithme d'optimisation globale – extension parallèle

1: i =1
2: DBp = init() //Initialisation de la base
de données des points maîtres
3: DBy = f (DBp ) //calcul des fonctions coût
(appel "boite noire" du calcul
EF)
4: While (i<imax) do
5: DBy * = 0
6: DBp * = 0
7: For j=1 to j=Npar
8: Meta* // Construction et
=MetaModeling( DBp ∪ DBp * , DBy ∪ DBy * ) calibration du métamodèle
9: newDBp =min(Meta*) // exploration et
exploitation
10: DBp * = [DBp * ∪newDBp ] // Enrichissement virtuel
de la base de données
11: y * = f * (newDBp ) // affectation d'une valeur
virtuelle de la fonction coût
12: DBy * = [DBy * ∪ y *] // Enrichissement virtuel
de la base de données
13: end
14: DBy = [DBy ∪ f (DBp *)] // évaluation de la
fonction coût du nouveau
point maître (appel "boite
noire" du calcul EF)
15: DBp = [DBp ∪ DBp *]
16: i = i + Npar
17: end
Tableau 1-7 : Méthode d'optimisation globale – extension parallèle
50
4.3 Exploitation des propriétés du krigeage pour la parallélisation

La méthode pseudo-itérative présentée dans le Tableau 1-7 propose de fixer à une valeur
fictive la valeur des fonctions des points maîtres (Tableau 1-7, ligne 9). Cette valeur fictive
peut être choisie suivant différentes stratégies.
4.3.1 Kriging believer (KB)

L'approche kriging believer (KB) consiste à faire confiance à l'opérateur de krigeage
construit. La valeur de la fonction coût du point maître fictif est déterminée par
l'approximation de l'opérateur de krigeage (équation (1.35)).
f * ( x ) = yˆ ( x ) (1.44)
L'enrichissement par KB est illustré Figure 1-17. L'exemple traite de l'ajout de deux
points. L'étape 1, Figure 1-17a, est de déterminer le nouveau point par maximisation de l'EI
(équation(1.42)). La valeur de la fonction coût associée à ce point maître est fixée à la valeur
prédite par l'opérateur de krigeage (Figure 1-17b, point rouge).
Un nouveau métamodèle est alors construit sur la base des points maîtres et du point
maître fictif. L'ajout du point maître fictif ne modifie pas la valeur de l'estimateur (Figure
1-17b, trait bleu), en revanche l'estimation de l'erreur est modifiée. Sa valeur est nulle pour
tous les points maîtres, donc automatiquement au point maître fictif. Le critère de l'EI est
donc modifié. Le nouveau point déterminé par la maximisation de l'EI est donc dans une autre
zone (Figure 1-17b, point vert).
La dernière étape est de calculer la valeur des fonctions coût des nouveaux points maîtres
fictifs ainsi rajoutés (Figure 1-17c, point rouge).
51
Chapitre 1
(a) Etape 1 (b) Etape 2
(c) Etape 3
Figure 1-17 : Enrichissement par KB
4.3.2 Constant liar

Une autre méthode consiste à attribuer une valeur fixe au point maître fictif. Cette
méthode est appelée Constant Liar (CL).
52
f * ( x ) = yL (1.45)
Plusieurs valeurs de yL peuvent être choisies : le minimum ( yL = min ( yi ) ), le maximum
i∈[1, m ]
( yL = max ( yi ) ) ou la moyenne ( yL = moy ( yi ) ) des valeurs des fonctions coût des points
i∈[1, m ] i∈[1, m ]
maîtres.
Plus yL est grand et plus la recherche sera globale (pour un problème de minimisation).
Cette méthode a pour principal risque d'introduire temporairement un point maître fictif
aberrant dans la base de données. Ce problème est illustré Figure 1-18. A la première étape
(Figure 1-18a, point vert) le point maximisant l'EI est sélectionné. A l'étape 2 (Figure 1-18b,
point rouge) une valeur fictive de fonction coût est fixée suivant la méthode CL-max
(équation(1.45)). Or cette valeur est très différente de la valeur du point maître le plus proche.
Le métamodèle étant interpolant, cette variation très brusque se répercute par de fortes
oscillations du métamodèle (Figure 1-18b, trait bleu), le métamodèle devient inexploitable. Il
est cependant à noter que dès le calcul des fonctions réelles effectué, le métamodèle redevient
valide et exploitable (Figure 1-18c).
53
Chapitre 1
(a) Etape 1 (b) Etape 2
(c) Etape 3
Figure 1-18 : Enrichissement par CL-Max
54
4.3.3 Robustesse de ces méthodes

Quelle que soit la valeur prise par les points maîtres fictifs, ces valeurs sont toujours le
résultat d'une hypothèse. En effet, excepté le premier point fictif qui s’appuie sur une base de
données de points maîtres « non fictifs », tous les autres points maîtres fictifs ne sont pas
rajoutés de manière optimale. Cela a pour conséquence une diminution de l’efficacité de la
méthode. Si l’amélioration en temps de calcul provenant de la parallélisation compense cette
diminution d’efficacité, alors on peut considérer que les méthodes de krigeage parallélisées
sont intéressantes. Une discussion sur le type d'enrichissement (KB ou CL) sera menée dans
le chapitre suivant.
5 Conclusion
Dans ce chapitre, après une présentation succincte de la problématique industrielle liée
aux procédés d’assemblage par déformation plastique, les principes généraux sur
l'optimisation ont été présentés, en se focalisant sur l'aspect global ou local de la recherche.
Dans un deuxième temps, la problématique du temps d'évaluation de la fonction coût a été
abordée. En effet, dans le cadre de l'optimisation des assemblages, le test d'une solution
d'assemblage fait appel à la résolution d'un problème éléments finis non linéaire. Le temps
d’obtention de la valeur de la fonction coût associée est donc grand.
L'approche par plans d'expériences est une première réponse à cette problématique. Sans
toutefois permettre de construire un processus d'optimisation, elle permet de maîtriser le
nombre d’évaluations de la fonction coût. Elle peut également s’avérer utile pour évaluer la
sensibilité de la fonction coût aux paramètres d’optimisation, ou encore pour construire une
première base de données de points maîtres.
Une seconde réponse est l'exploitation des méthodes basées sur les métamodèles. Ces
méthodes introduisent un niveau de modélisation simplifié qui est utilisé pour résoudre un
problème d'optimisation approché plus rapide. Le métamodèle par krigeage a été plus
particulièrement présenté, ainsi que l'algorithme EGO.
La dernière réponse proposée est d'utiliser la parallélisation pour accélérer le temps de
résolution d’un problème d’optimisation. Dans le cadre de l’algorithme EGO avec utilisation
du métamodèle par krigeage, l'objectif est de pouvoir évaluer la fonction coût de plusieurs
points maîtres de manière simultanée.
Le chapitre suivant présente la plateforme MOOPI (MOdular software dedicated to
Optimization and Parameters Identification) développée dans le cadre de cette thèse. Nous
nous intéresserons plus particulièrement à l’implémentation des algorithmes présentés dans ce
chapitre.
55
MOOPI un outil d’optimisation dédié aux calculs éléments finis
Chapitre 2
MOOPI un outil d’optimisation dédié aux calculs éléments
finis
Ce chapitre a pour objectif de présenter la plateforme dédiée à l'optimisation et à

l'identification par analyse inverse développée dans le cadre de cette thèse. Cette plateforme
est nommée MOOPI, pour MOdular software dedicated to Optimization and Parameters
Identification.
L'objectif est de développer un outil adaptable au plus large nombre de logiciels de calcul,
et plus particulièrement à ceux développés dans le cadre du projet MONA LISA dédiés au
calcul des assemblages. La plateforme fonctionne en s'appuyant sur le concept de "boite
noire" présenté dans le chapitre précédent. C'est-à-dire que la plateforme MOOPI est en
mesure de réaliser une optimisation en exploitant tout outil de calcul qui peut s'encapsuler
dans une "boite noire", pouvant se piloter via un schéma de communication entrée/sortie.
Ce schéma de communication est rappelé Figure 2-1. La communication entre la
plateforme MOOPI et le logiciel de calcul se fait uniquement via l'envoi d'un jeu de
paramètres à évaluer, et l'attente, en retour, de la valeur de la fonction coût associée.
MOOPI
Jeu de paramètres
à évaluer
Fonction coût
Logiciel de calcul
"Boite Noire"
Figure 2-1 : Plateforme MOOPI
Dans un premier temps, les aspects liés au développement et à l'implémentation de la

plateforme seront abordés, ainsi qu'à l'évolutivité de celle-ci. Ensuite le propos se focalisera
sur l'implémentation du krigeage et de l'algorithme EGO dans la plateforme MOOPI. Puis une
dernière partie sera consacrée à la validation et aux tests de la plateforme. L'efficacité des
méthodes de parallélisation de l'algorithme EGO sera testée.
57
Chapitre 2
1 Conception - Développement de la plateforme MOOPI

Dans ce paragraphe on propose de présenter la démarche ainsi que les choix qui ont été
faits pour la conception et la réalisation de la plateforme MOOPI.
1.1 Objectifs généraux de la plateforme MOOPI

Deux axes principaux sont à différentier pour définir les objectifs du développement de la
plateforme MOOPI. Le premier axe concerne les objectifs d'utilisation de la plateforme
MOOPI et le second axe les objectifs d'évolutivité de la plateforme.
1.1.1 Objectifs "utilisation"

L'objectif "utilisation" est double :
Le premier volet est de proposer un outil capable de résoudre un problème d'optimisation
dont la fonction coût est évaluée par un logiciel indépendant.
Un second volet est de mettre en place un outil dédié à l'identification de paramètres
matériaux par analyse inverse.
La solution proposée, pour répondre à ces deux objectifs, devra être capable d'exploiter les
logiciels développés au sein du projet MONA LISA pour la modélisation des assemblages,
mais aussi les logiciels développés au CEMEF : Forge et CimLib®.
1.1.2 Objectifs "évolutivité"

La plateforme MOOPI a pour principale vocation de proposer un éventail de méthodes
d'optimisation, et d'exploiter différents logiciels pour le calcul de la fonction coût. Outre les
méthodes d'optimisation proposées pour atteindre l'objectif "utilisation", la structure devra
être capable d'accueillir d'autres méthodes d'optimisation et d'analyse d'expériences
numériques. Il devra en être de même pour la gestion des logiciels, la solution proposée devra
donc pouvoir s'adapter au plus large panel possible de logiciels.
L'intégration des ces méthodes devra se faire avec un investissement minimum en terme
de programmation pour les nouveaux utilisateurs.
1.2 Analyse des objectifs

Les objectifs généraux énoncés précédemment, ainsi que leur analyse permettent de
construire un premier schéma fonctionnel de la plateforme MOOPI (Figure 2-2).
Ce schéma propose une approche par couches :

• Couche 0 : logiciel de calcul. Cette couche "logiciel de calcul" correspond au
calcul par éléments finis réalisé pour évaluer la valeur de la fonction coût. Cette
couche regroupe deux étapes, la première est de réaliser le calcul avec des
paramètres d'entrée donnés, un calcul éléments finis par exemple. Puis la
deuxième est de synthétiser les résultats issus du calcul (force, champs de
contrainte, champs de température, etc.) sous forme d'une fonction coût scalaire
(Effort maximum/minimum, écart à un résultat expérimental, etc.).
58
Remarque : ces deux étapes peuvent être remplacées par un calcul analytique
"rapide" de la fonction coût associée aux paramètres d'entrée. Cette substitution est
faite lors des tests de développement afin de réduire le temps imputé au calcul de la
fonction coût.
• Couche 1 : analyse de sensibilité. Une liste de paramètres dont on souhaite

analyser la sensibilité par rapport à une observable est donnée. Un plan
d'expériences, adapté à l'étude souhaitée, est alors construit et exécuté via le
lancement du logiciel de calcul (couche 0). L'analyse de sensibilité est un
processus non itératif. Différents plans d’expériences peuvent être implémentés
dans cette couche (Plan d'expériences complet, factoriel, D-optimal, ect.).
• Couche 2 : optimisation. L'optimisation fait appel soit directement à la couche 0,

soit s'appuie sur une analyse de sensibilité pour aboutir à la solution du problème
d'optimisation.
• Couche 3 : analyse inverse. L'analyse inverse est abordée comme un problème de

minimisation. La fonction coût évalue l'écart entre une observable numérique et
une observable expérimentale (cette spécification est faite directement dans la
couche 0). La minimisation de cette fonction coût permet d'obtenir les paramètres
identifiés par analyse inverse. Cette couche d'analyse inverse s'appuie donc
directement sur la couche d'optimisation (couche 2). A noter que le ou les
premiers jeux de paramètres peuvent également provenir de l’analyse de
sensibilité, et ainsi s’appuyer sur la couche 1.
59
Chapitre 2
Entrées Sorties
Analyse inverse Paramètres

identifiés
Couche 3
OBSERVABLES
PARAMETRES
Optimisation
Paramètres
Couche 2 optimaux
Analyse de sensibilité Sensibilités par

rapport aux
Couche 1
paramètres
Logiciel de calcul - Modèle direct

Couche 0 Postraitement :
Logiciel de calcul Calcul de la
fonction coût
Figure 2-2 : Analyse fonctionnelle de la plateforme MOOPI
60
Ce schéma (Figure 2-2) fait apparaître en premier lieu une base commune à tous les
objectifs : la couche 0, l'exécution du calcul et l'évaluation de la fonction coût. En effet, tous
les types d'analyses (analyse de sensibilité, optimisation, ou analyse inverse) peuvent être vus
comme des méthodes de gestion d'un ensemble de calculs à réaliser.
Cette dernière observation pousse à faire le choix de placer cet ensemble de calculs à
réaliser au centre de l'organigramme de la plateforme.
1.3 L'environnement CimLib®

En plus des objectifs fixés au paragraphe 1.1, les développements doivent s'intégrer dans
la librairie CIMLIB®, librairie développée au Cemef. Cette librairie est dédiée au calcul
intensif en mécanique. Les caractéristiques importantes, dans le cadre du développement de la
plateforme, sont :
• la librairie est programmée en C++ ;
• la mise en place du calcul se fait via un métalangage, sans intervenir dans les
codes sources ;
• l'ensemble de la librairie est implémenté dans un environnement parallèle,
transparent pour l'utilisateur comme pour le développeur de premier niveau ;
• la librairie est portable sous différents environnements (Windows/Linux).
La programmation C++ orientée objet est particulièrement bien adaptée aux

développements que l'on souhaite réaliser. La Figure 2-2 laisse déjà transparaître les différents
objets à définir pour créer l'architecture de la plateforme.
1.4 Architecture logicielle retenue – environnement objet
Base de données des

calculs
Rôle:
• initialisation
• stockage
• media
Explorateur
Gestionnaire de Calcul
Rôle :
Rôle :
• Préparer les calculs • Analyser la base de
données (explorer)
• Lancer, surveiller • Proposer des jeux de
• Récupérer les résultats paramètres à évaluer
Figure 2-3 : Organigramme plateforme MOOPI
61
Chapitre 2
L'analyse des objectifs et les contraintes liées à l'environnement de la librairie CimLib®,

permettent de définir l'organigramme de la plateforme MOOPI. Cet organigramme est
présenté Figure 2-3.
Trois blocs sont présents :
1.4.1 La base de données des calculs

La base de données des calculs joue trois rôles :
• stocker les informations telles que les jeux de paramètres testés, et les valeurs des
fonctions coût associées ;
• initialiser la base de données des calculs, soit avec des valeurs fournies par
l’utilisateur, soit avec des valeurs provenant d’un plan d’expériences (un
échantillonnage par Latin Hyper Cube [Tan93] et un échantillonnage aléatoire sont
implémentés dans MOOPI) ;
• servir de média entre le gestionnaire de calcul et l'explorateur.
1.4.2 Le gestionnaire de calcul

Le gestionnaire de calcul a pour rôle de récupérer les jeux de paramètres à tester, de
préparer les calculs à lancer, de lancer ces calculs, d’observer leur bon déroulement et enfin
de récupérer les valeurs des fonctions coût en exploitant les résultats des calculs.
1.4.3 L'explorateur
L'explorateur a comme rôle d'analyser la base de données des calculs. Grâce à cette
analyse l'explorateur propose de nouveaux jeux de paramètres à tester pour atteindre l'objectif.
L’explorateur pourra par exemple être une méthode d’optimisation implémentée dans la
plateforme MOOPI.
Ces trois blocs permettent de définir les trois classes de base de l'architecture orientée
objet de la plateforme MOOPI. Une quatrième classe permet de définir l'environnement
global de la plateforme et d'organiser les actions des trois blocs.
1.5 Gestion des calculs – exploitation des ressources de calcul

Le gestionnaire de calcul est un point crucial de la plateforme. En effet, c'est l'exécution
des calculs par éléments finis qui est la phase la plus consommatrice de temps. Il est donc
important d'avoir un gestionnaire de calculs capable de gérer plusieurs calculs simultanément.
La plateforme MOOPI propose donc un gestionnaire de calculs adapté au calcul sur

cluster LINUX, via le manager SunGrigEngine [Sun11], et un gestionnaire de calculs adapté à
l'environnement Windows. Ces deux gestionnaires de calculs sont capables de lancer m
calculs sur n machines. Si n<m, les calculs en attente sont gérés par file d'attente.
L’organigramme de la classe gestionnaire des calculs est présenté en Figure 2-4.
L'objectif est d'exploiter la puissance de calcul disponible pour limiter, au plus, le temps
pour atteindre l'objectif fixé. Ces gestionnaires de calculs prennent tout leur sens lorsqu'ils
62
sont associés à des méthodes d'optimisation parallèles telles que les méthodes présentées dans
le Chapitre 1.
Base de données des Gestionnaire de calculs

calculs
Sélection des calculs à lancer
Calculs à lancer
Préparation des calculs
Lancement des calculs
Calc. 1 Calc. 2 Calc. n
Récupération des valeurs de

fonctions coût
Mise à jour de la base de données

(Écriture des valeurs de fonctions coût)
Figure 2-4 : Organigramme de la classe Gestionnaire de calcul
1.6 Evolutivité de la plateforme

La structure décrite précédemment définit 3 classes principales. La classe "explorateur" est
en réalité une classe virtuelle, qui est ensuite dérivée (dérivation au sens de la programmation
C++ [Lip00]). L'utilisation de la dérivation permet d’assurer la pérennité du code lors d'ajout
de nouvelles méthodes. En effet la classe virtuelle permet de définir un Template commun à
tous les explorateurs.
Remarque : Un Template est une sorte de trame qui permet de normaliser la

communication avec le reste de l'environnement de la plateforme. L'ensemble des fonctions
obligatoires pour l'exploitation de la classe y est défini en fixant le nombre et le type des
arguments et résultats. Le développeur n'a alors qu'à implémenter le corps de la fonction.
63
Chapitre 2
Le Template de l'explorateur contient, entre autre, une fonction "constructeur", une

fonction "destructeur" et une fonction principale : Propose_Nvx_Points(BaseDeDonnees).
Ces fonctions sont à spécifier pour chaque méthode ajoutée.
L’évolutivité de la plateforme se caractérise par la possibilité d’ajouter facilement de
nouvelles méthodes d’optimisation et l'interfaçage avec de nouveaux logiciels servant à
calculer la fonction coût.
1.6.1 D’autres algorithmes d’optimisation

Dans la suite du manuscrit des détails seront donnés à propos de l'implémentation de
l'algorithme EGO. Mais dans un premier temps, pour illustrer l'aspect évolutif de la
plateforme, on montre ici la possibilité d'intégration de différentes méthodes. L’exemple
présenté ci-dessous concerne une méthode de minimisation BFGS (Broyden-Fletcher-
Goldfarb-Shanno).
Pour l'ajout de cette méthode on utilise une librairie externe, AlgLib [Boc10], proposant
une fonction de minimisation par méthode BFGS. Un explorateur BFGS est créé par
dérivation de la classe "explorateur". L'appel à la librairie AlgLib est encapsulé dans la
fonction Propose_Nvx_Points(BaseDeDonnees) spécifique à l'explorateur par méthode
BFGS.

calculs
Rôle: Explorateur type
gradient
• initialisation
• stockage 1- récupération de
• media fc(xi) et fc(xi+dx)
2- itération BFGS
3- itération => xi+1
Gestionnaire de Calcul 4- demande de calcul
Rôle : de fc(xi+1) et fc(xi+1+dx)
• Préparer les calculs
• Lancer, surveiller
• Récupérer les résultats
Figure 2-5 : Organigramme plateforme MOOPI - Configuration d'optimisation par méthode

BFGS
L'explorateur est alors spécifié (Figure 2-5). Il fonctionne de la manière suivante :

l'explorateur récupère la valeur de la fonction coût en xi , ainsi que les valeurs annexes
utilisées pour le calcul du gradient par dérivation numérique. Ces données sont alors
exploitées par l'algorithme BFGS, qui détermine le prochain point de calcul xi +1 . Ce nouveau
point est alors ajouté à la base de données des calculs, ainsi que les points nécessaires à
l'évaluation du gradient. Les valeurs des fonctions coût associées sont alors évaluées via le
gestionnaire de calcul.
L'exemple présenté ici permet d'illustrer l'évolutivité de la plateforme en terme d'ajout de
méthode d’optimisation.
64
L'utilisation des classes virtuelles est, en plus d'un guide pour le programmeur, un moyen
de sécuriser le code, puisque l'ajout d'une nouvelle méthode ne justifie en rien la modification
des autres classes.
1.6.2 D’autres logiciels de calcul

Un autre objectif de la plateforme est d'être adaptable au plus grand nombre de logiciels de
calcul. La solution retenue, pour des raisons de simplification, est de se limiter aux logiciels
de calcul ayant un fichier de mise en données sous forme de fichier texte. Ce choix n'est que
très peu limitant puisque la grande majorité des logiciels de calcul scientifique ont une mise
en données basée sur des fichiers textes.
Les variables d'optimisation sont repérées dans ces fichiers de mise en donnée par des
mots clés spécifiques à la plateforme MOOPI. Ces mots clés servent à repérer les zones où les
valeurs des variables d'optimisation doivent être écrites. La Figure 2-6 présente un exemple
où les deux variables d'optimisation sont localisées par les mots clés Opti_0 et Opti_1 dans le
fichier de mise en données. Un scan du fichier de mise en données permet de remplacer ces
mots clés par les valeurs des variables d'optimisation. Ce système de mots clés permet de
gérer aisément la mise en données des calculs.
Figure 2-6 : Communication par mots clés - extrait de fichier de mise en données Forge
L’optimisation peut ainsi être réalisée sur tout type de variable utilisée dans le fichier de
données : paramètres matériaux, conditions aux limites, conditions d’interfaces, etc.
L’optimisation de forme, quant à elle, ne peut fonctionner que si la géométrie optimisée est
paramétrée.
Un travail un peu plus conséquent est nécessaire pour construire la fonction coût. Dans le
schéma de communication de la plateforme, la valeur de la fonction coût doit être écrite sous
forme d'un scalaire dans un fichier texte. Il peut donc être nécessaire dans certains cas
d'ajouter un module supplémentaire de post-traitement, qui traite les résultats du logiciel de
calcul, puis construit la fonction coût.
65
Chapitre 2
Afin de démontrer la modularité des développements effectués dans le cadre de cette

thèse, nous avons couplé la plateforme MOOPI à plusieurs logiciels éléments finis : Forge,
CimLib®, Castem®, Abaqus® et Matlab®. Des exemples d'application sont donnés en
Annexe.
2 Implémentation de l’algorithme EGO

L'algorithme Efficient Global Optimisation (EGO) a été décrit au paragraphe 2.3 du
chapitre 1. On propose ici de s'attarder sur les aspects liés à l'implémentation de cet
algorithme dans la plateforme, ainsi qu'à l'implémentation de la surface de réponse par
krigeage.
L'organigramme général de l'implémentation de l'algorithme EGO est présenté Figure 2-7.
La première chose à noter est que le schéma de communication avec l'extérieur de
l'explorateur est respecté, l'explorateur n'a accès qu'à la base de données des calculs.
Cet organigramme fait apparaître deux nouveaux blocs, le krigeage et l'algorithme
d'optimisation par Stratégie d'Evolution (SE).
L'enchainement des opérations se fait dans l'ordre suivant :
• Construction de l'opérateur de krigeage sur la base des points maîtres.
• Calibration de l'opérateur de krigeage.
• Exploitation de la surface de réponse : maximisation du critère de l'Expected
Improvement (EI), la recherche des coordonnées de ce point est réalisée grâce à la
communication entre la surface de réponse par krigeage et l'algorithme
d'optimisation pas stratégie d'évolution.
• Le point maximisant l'EI est ajouté à la base de données.
De plus, l'explorateur EGO gère le critère d'arrêt de la méthode d'optimisation, ce point
fera l'objet de plus de détails dans le paragraphe 2.4 de ce même chapitre.
66
Base de données
des calculs
Explorateur EGO
Surface de réponse - Krigeage

Rôle :
• construire l'opérateur
Points maîtres
• calibrer l'opérateur
• délivrer l'approximation,
l'erreur et l'EI
Gestion du
critère d'arrêt
Algorithme d'optimisation par
Stratégie d'Evolution
Rôle :
• rechercher les coordonnées du
maximum de l'EI
Base de données
des calculs
Nouveau point 1 nouveau point

maître maître
Figure 2-7 : Organigramme de l'explorateur EGO
2.1 Implémentation du krigeage

L'implémentation du krigeage dans la plateforme MOOPI passe par la définition d'un
nouvel objet. Cet objet est décrit par l'organigramme de la Figure 2-8. Dans ce schéma, on
retrouve les principales étapes décrites dans la partie 2.1 du chapitre 1 : la construction et la
calibration de l'opérateur de krigeage sur la base des points maîtres, et l'évaluation de
l'opérateur en un point x. Ces étapes sont regroupées dans le diagramme Figure 2-8.
67
Chapitre 2
Points maîtres
Krigeage
Construction Construction
Calibration
 yˆ ( x )

Evaluation en un point x Evaluation  σˆ ( x )

EI (x )
Figure 2-8 : Organigramme de la classe Krigeage
2.2 Implémentation de l'algorithme de minimisation par

stratégie d'évolution
Comme décrit dans le premier chapitre, les recherches de la maximisation du critère
Expected Improvement, ou de la minimisation du critère Lower confidence Bound sont
réalisées par un algorithme d'optimisation par stratégie d'évolution. L'organigramme de cette
classe est présenté Figure 2-9. L'évaluation de la population fait appel à une instance de la
classe krigeage. C'est-à-dire qu'un objet de type krigeage est construit suivant le diagramme
Figure 2-8 et est ensuite inclus dans la classe Stratégie d'Evolution pour évaluer l' Expected
Improvement.
L'un des points délicats dans l'utilisation des méthodes évolutionnaires est le choix des
paramètres de réglage de l'algorithme. Pour la recherche de l'optimum des différents critères,
l'algorithme par stratégie d'évolution est réglé de manière à être très robuste, le nombre
d'itérations maximal et la taille de la population sont choisis très grands. Le temps pour
résoudre ce sous problème d'optimisation augmente et n'est pas optimum mais il reste
cependant toujours négligeable par rapport au temps de résolution du problème global. Ce
choix a été fait de manière à améliorer la robustesse de la méthode, ce qui est très important
dans un contexte industriel.
68
Krigeage
Stratégie d'évolution
Population initiale
Construction
Minimisation Évaluation de la population
Population parents Krigeage
Convergence
Coordonnées
du minimum
Figure 2-9 : Organigramme de la classe SE (Stratégie d’Evolution)
2.3 Construction de l'algorithme EGO parallèle (EGO-p)

L'algorithme EGO-p proposé ici est décrit Figure 2-10. Son fonctionnement est très proche
de la version séquentielle présentée Figure 2-7. Une boucle de sous-itération est incluse dans
l'explorateur, chaque nouveau point maître (tant que le nombre maximum n'est pas atteint) est
évalué de manière approchée. Cette évaluation approchée est réalisée au niveau du bloc
"Parallélisation". L'évaluation approchée est alors réalisée en utilisant l'une des méthodes
(KB, CL-min, CL-mean, etc.). Ce choix est fait par l'utilisateur.
Un point important, et non directement retranscrit dans ce diagramme, est le critère d'arrêt
de cette sous incrémentation. Ce critère est détaillé dans le paragraphe 2.4.
69
Chapitre 2
Nombre de nouveaux
Base de données des points maîtres
calculs Explorateur EGO
Points maîtres
Krigeage
Points maîtres
virtuels
S.E.
Parallélisation
Affectation d'une valeur virtuelle
de la fonction coût au nouveau
point maître
Non
Base de données
des calculs
Nb de nvx
Nouveaux points points maîtres 1 nouveau point
maîtres atteints maître
Oui
Figure 2-10 : Organigramme de la classe de l'algorithme EGO-p
70
2.4 Critère d'arrêt et robustesse de l'algorithme

L'algorithme EGO, ainsi que l'extension parallèle proposée, sont des algorithmes itératifs.
Il faut donc définir un critère d'arrêt, de rupture de la boucle itérative.
2.4.1 Critère d'arrêt de l'algorithme EGO

Plusieurs choix sont envisageables. Jones [Jon98] propose d'arrêter l'algorithme EGO
lorsque le point extrait présente un critère EI inférieur à 1%. Ce critère d'arrêt est intéressant à
double titre. L'EI inférieur à 1% indique que la probabilité de trouver une meilleure solution
est très faible, on peut donc considérer que la solution obtenue est une bonne solution du
problème d'optimisation.
Le critère sur la valeur de l'EI a cependant un défaut : il ne tient pas compte de la valeur de
la fonction coût atteinte. Par exemple dans le cas de l'identification par analyse inverse, il est
en général souhaitable d'atteindre une valeur cible de la fonction coût. Dans le cas de calculs
très couteux, il peut aussi être utile de fixer le nombre maximum d'évaluations du modèle
direct, pour maîtriser le "coût" de l'optimisation.
On propose donc une gestion du critère d'arrêt incluant ces trois points, cette gestion est
présentée Figure 2-11. Elle intègre dans un premier temps l'arrêt de l'algorithme si le nombre
maximum de calculs du modèle direct ou la fonction coût cible est atteint. Dans un deuxième
temps, si le point maître ajouté présente un Expected Improvement trop faible, ce point maître
n'est pas ajouté. Il est remplacé par un point maître déterminé par rapport à un critère
d'exploration pure. Ici on cherche à maximiser σˆ ( x ) . Cette substitution de point maître
permet de maintenir la stabilité de l'opérateur de krigeage.
En effet quand l'EI devient très faible, deux points maîtres, x et x', peuvent être très
proches, l ( x, x′ ) tend vers 0 (équation 1.34). La valeur de la fonction de corrélation tend alors
vers 1 (équation 1.33), la matrice de corrélation (équation 1.32) de ces deux points est alors
une matrice contenant uniquement des 1. Elle devient alors non inversible, et l’opérateur de
krigeage ne peut plus être construit (équation 1.35).
71
Chapitre 2

calculs
oui
Fcmin<Fcconv Fin
non
NbCalcul oui
Fin
<NbCalculMax
Nouveau point
maître non
oui
EI>0. 1% Itération suivante
non
Annulation du point dont

Ei<0.1%
Recherche d'un point par
exploration pure
Nouveau point Itération suivante

maître
Figure 2-11 : Diagramme de gestion du critère d'arrêt
Ce critère, où l'on autorise la recherche de points par exploration pure, permet de limiter
les risques de convergence prématurée vers un minimum local, convergence prématurée qui
peut avoir lieu si la base de données initiale est trop pauvre.
2.4.2 Critère d'arrêt de l'algorithme EGO-parallèle / Gestion des sous-itérations

L'enrichissement virtuel, décrit Figure 2-10, présente une sous incrémentation où, à
chaque sous-incrément, un point maître virtuel est ajouté en minimisant l'EI. Lors de l'ajout
d'un grand nombre de points virtuels, le minimum de l'EI décroit fortement. On applique donc
aussi à ce niveau la stratégie définie Figure 2-11. Les premiers points maîtres (ou la totalité)
seront alors ajoutés en utilisant le critère EI si la valeur est suffisamment importante. Le cas
échéant les derniers seront ajoutés en utilisant un critère d'exploration pure.
72
3 Validations et analyse des performances de la plateforme

MOOPI
Les deux paragraphes précédents présentent la plateforme MOOPI, son architecture et son
mode de fonctionnement. La dernière partie de ce chapitre a pour objectif de tester la
plateforme dans un premier temps, puis de vérifier l'efficacité et l'apport du krigeage
anisotrope et de l'extension parallèle. Pour analyser l'efficacité des propositions de l'extension
parallèle des speed tests sont effectués. Ils permettent de comparer les différentes variantes de
cette extension présentée dans la partie 3 du Chapitre 1.
Mais tout d'abord il est nécessaire de définir un ensemble de cas tests. La ligne directrice
du développement de la plateforme MOOPI est de limiter le nombre d’évaluations de la
fonction coût, car ces évaluations sont gourmandes en temps de calcul. Pour cette phase de
validation et d'analyse des performances il n'est cependant pas indispensable de travailler avec
des fonctions coût de ce type. Le formalisme "boite noire" permet de remplacer l'appel du
logiciel de calcul par une simple fonction analytique. Le calcul de cette fonction est rapide, et
de nombreux tests peuvent alors être réalisés pour des configurations où les minima sont
connus.
3.1 Définition de fonctions coût de référence

On propose ici de définir des fonctions coût de référence. Elles sont choisies de manière à
être représentatives des problèmes d'optimisation rencontrés, notamment ceux liés à
l'identification de paramètres matériaux par analyse inverse (multi-extrema et mauvais
conditionnement).
3.1.1 Fonction de Branin-Hoo : capacité d'exploration de l'algorithme

  5.1 2 5 
2
 1 
 f ( x, y ) =  y − 2 x + x − 6  + 10 1 −  cos ( x ) + 10 + 0.5 x
  4π π   8π  (2.1)
 x, y ∈ −5,10 × 0,15
( ) [ ] [ ]
La fonction de Branin-Hoo (équation (2.1)) [Hua06] est une fonction à deux dimensions.
Elle présente 2 minima locaux, respectivement en (3.14, 2.27 ) et en (9.42, 2.47 ) ; et un
minimum global en (− 3.14, 12.27 ) . La valeur de la fonction dans ce minimum est de -1.17.
L'allure de cette fonction est présentée Figure 2-12. Cette fonction est multi-extrema, elle
permet donc de tester la capacité des méthodes d'optimisation à trouver l'optimum global du
problème. La capacité d'exploration est donc particulièrement testée ici.
73
Chapitre 2
Minimum 15
50
10
10
0
0
global
10 0
10
10
0
10 50
50
10
y
50
100
Minimum
50
local 5 10
10
50
10
10
10
0
−5 0 0 5 10
x
Figure 2-12 : Iso valeurs de la fonction de Branin-Hoo
3.1.2 Fonction de Rosenbrock : capacité d'exploitation de l'algorithme


( )
n /2
( ) (1 − x )2 + x − x 2 2 
 f x = α ∑ 
i =1 
2i 2 i +1 2i

 (2.2)
 x ∈ −0.2, 2 n
 [ ]
La fonction de Rosenbrock (équation(2.2)) [Dix94] présente un minimum en xi∈[1,d ] = 1 , la
fonction vaut 0 en ce point. α est un coefficient fixé a 0.1 pour cette étude. La formulation
de la fonction proposée ici est de dimension paire. Cette fonction est fréquemment utilisée
comme test des méthodes d'optimisation, car elle présente un problème difficile à résoudre : la
fonction est mal conditionnée. En effet, sur la représentation en 2 dimensions de la fonction
de Rosenbrock (Figure 2-13), on peut observer des zones assez nettes où le gradient est très
fortement dépendant de la direction de l'espace. Ce type de fonction permet de tester la
capacité de la méthode d'optimisation à affiner un optimum déjà détecté, c'est-à-dire la
capacité d'exploitation de la méthode. Cette fonction sera exploitée en 2 et 4 dimensions.
74
2 0.5
0.5
0.01
Minimum 1.5
1
0. 0
1 01
1
0.0 0.0
y
0.5
1
0.01
0.5
0.5
0
1
0 0.5 1 1.5 2
x
Figure 2-13 : Iso valeurs de la fonction de Rosenbrock 2D
3.1.3 Fonction de Hartmann : capacité d'exploitation et d'exploration 3D/6D de

l'algorithme
a) Fonction de Hartmann 3D [Hed10]
 3 2
H 3,4 = −∑ α i exp  −∑ Aij ( x j − Pij )  + 3.86278,
4
i =1  j =1 
1   3 10 30   6890 1170 2673 (2.3)
1.2  0.1 10 35   4699 4387 7470 
α =  , A =   , P = 10−4  
 3  3 10 30   1091 8732 5547 
     
3.2  0.1 10 35   381 5743 8828 
Le fonction de Hartmann 3D est définie pour 0 < xi =1,2,3 < 1 . Cette fonction présente 4
minima locaux et un minimum global situé en x = (0.11, 0.55, 0.85) et valant 0. Une
illustration de cette fonction est proposée Figure 2-14 (seulement 2 minima apparaissent sur
cette vue).
75
Chapitre 2
Figure 2-14 : Fonction de Hartmann 3D
b) Fonction de Hartmann 6D [Hed10]

 6 2
H 6,4 = −∑ α i exp  −∑ Aij ( x j − Pij )  + 3.32237,
4
i =1  j =1 
1   10 3 17 3.05 1.7 8 
1.2  0.05 10 17 0.1 8 14 
α =  , A =  , (2.4)
 3  3 3.5 1.7 10 17 8 
   
3.2   17 8 0.5 10 0.1 14 
1312 1696 5569 124 8283 5886 
 4135 8307 3736 1004 9991
−4  2329
P = 10
 2348 1451 3522 2883 3047 6650 
 
 4047 8828 8732 5743 1091 381 
La fonction de Hartmann 6D est définie pour 0 < xi =1..6 < 1 . Cette fonction présente 6
minima locaux et un minimum global situé en x = (0.20, 0.15, 0.47, 0.27, 0.31, 0.65) et valant 0.
Les deux fonctions de Hartmann permettent de tester les deux aspects de la recherche pour
des dimensions plus élevées : l'exploration (la fonction est multi extrema), et l'exploitation (le
gradient proche de l'optimum est faible, ce mauvais conditionnement apparait sur la Figure
2-14).
3.2 Test de la plateforme MOOPI

Une première série de tests est réalisée afin de vérifier les fonctionnalités de la plateforme
MOOPI.
La Figure 2-15 présente la recherche du minimum de la fonction de Branin-Hoo par la
méthode BFGS. Pour cet exemple un minimum local est détecté en 6 itérations, soit 18
calculs de la fonction coût (1+2 pour l'évaluation de gradient par dérivation numérique à
chaque itération). On voit ici apparaître l'une des limitations des méthodes à direction de
descente : le résultat est dépendant du point de départ de la méthode (noté 1 sur la Figure
2-15) si la fonction présente plusieurs minima. Il est à noter que l'itération 4 est hors du
domaine de recherche : la méthode BFGS implantée dans MOOPI est sans contrainte.
76
Point de départ
1
6 2
5 3
Figure 2-15 : Test de l’algorithme BFGS sur la fonction de Branin-Hoo (carré vert : minimum
global, ronds rouges : itérations de la méthode BFGS)
La Figure 2-16 présente la recherche de la même fonction de Branin-Hoo à l'aide de

l'algorithme EGO. Sur cette figure, sont représentés, le plan d'expériences initial (étoiles
rouges) ainsi que les points ajoutés par la méthode EGO (ronds rouges). 20 calculs de la
fonction sont réalisés. On voit ici que les deux minima locaux sont visités et que le minimum
global est détecté.
15
10
50
10
Minimum
0
0
0
global
0
10
10
0 10
10 50
50 Minima
10
50
locaux
y
50
100
10
5
10
50
10
10
10
0
0
−5 0 5 10
x
Figure 2-16 : Test de l'algorithme EGO sur la fonction de Branin-Hoo (carré vert : minimum
global, étoiles rouges : points maîtres initiaux, ronds rouges : itérations de la méthode EGO)
Ces deux premiers tests montrent que la plateforme MOOPI répond à l'objectif général de
résolution d'un problème de minimisation présentant plusieurs minima.
77
Chapitre 2
3.3 Apport du krigeage anisotrope

Le krigeage ordinaire, via la forme des fonctions de corrélation permet de construire un
opérateur isotrope ou anisotrope (Chapitre 1, partie 2). Cette anisotropie permet de prendre en
compte une éventuelle différence de sensibilité entre les variables d'optimisation, mais cet
enrichissement de l'opérateur a un coût. En effet, la calibration de l'opérateur anisotrope fait
appel à un problème d'optimisation annexe de dimension d (d étant la dimension du problème
d'optimisation global), contre un problème monodimensionnel pour l'opérateur isotrope
quelque soit la dimension du problème d'optimisation. Afin de vérifier l'intérêt de ce coût
supplémentaire un test comparatif est mené entre l'opérateur isotrope de krigeage et
l'opérateur anisotrope.
Le problème est considéré résolu lorsque la fonction objectif atteint sa valeur cible. Les
résultats comparatifs pour trois problèmes sont présentés dans la Figure 2-17.
Nombre d'itérations Gain de

Isotrope Anisotrope l'anisotropie
Branin-Hoo 27 23 14%
Rosenbrock -
18 14 22%
2D
Rosenbrock -
71 54 24%
4D
Hartmann - 3D 52 37 28%
Hartmann - 6D 54 40 26%
Figure 2-17 : Apport du krigeage anisotrope
Les 4 tests montrent un apport significatif du krigeage anisotrope : 14 à 28% de gain en

termes d’itérations suivant les cas. Ceci signifie que le critère d'arrêt est atteint en réalisant 14
à 28% d'appel à la fonction coût de moins.
L'utilisation du krigeage anisotrope est donc intéressante. Il est cependant à noter que le
temps dédié à la calibration de l'opérateur de krigeage dans le cas anisotrope est plus grand.
Afin d'évaluer ce sur-coût une mesure de temps de cette opération a été effectuée avec la
fonction de Hartmann 6D pour différentes tailles de base de données. Les résultats sont
présentés Figure 2-18. La calibration de l'opérateur anisotrope est effectivement plus
coûteuse, le rapport relatif est grand (facteur allant de 2 à 10 suivant la taille de la base de
données).
Mais ce coût supplémentaire pour calibrer l'opérateur anisotrope n'est pas significatif
devant le temps alloué à l'évaluation de la fonction coût.
78
Figure 2-18 : Temps consacré à la calibration de l'opérateur de krigeage - comparaison

krigeage isotrope et anisotrope
3.4 Apport de l’extension parallèle de l'algorithme EGO

Le test précédent a montré l'intérêt du krigeage anisotrope pour limiter le nombre
d'évaluations de la fonction coût. L'autre piste investiguée pour limiter ce nombre de calculs,
est de proposer une version parallèle de l'algorithme EGO. L'algorithme a été décrit au
Chapitre 1 - Partie 3. On propose ici de réaliser un test de performance des différentes options
disponibles. On s'intéressera à l'impact de la valeur donnée aux points maîtres virtuels sur la
vitesse de convergence.
3.4.1 Méthodologie du test

Afin de tester l'efficacité de ces différentes options on propose de réaliser un test de speed-
up. Le test de speed-up réalisé ici est directement inspiré des méthodes utilisées pour évaluer
l'efficacité des algorithmes parallèles.
Le speed-up Sp d'un algorithme est défini, dans le cadre de l'algorithmique parallèle, de la
manière suivante :
T
Sp = s (2.5)
Tp
Ts est le temps d'exécution de l'algorithme en programmation séquentielle et Tp le temps
en programmation parallèle pour un nombre de processeurs p. Un algorithme parfaitement
parallélisé a un speed-up égal au nombre de processeurs p, c'est-à-dire qu'un algorithme va p
fois plus vite s'il est lancé sur p processeurs.
Dans notre cadre de travail l'unité de référence n'est pas directement le temps d'exécution,
mais le nombre d'évaluations de la fonction coût. On définit alors le speed-up comme le
rapport entre le nombre d'itérations séquentielles (dans ce cas à chaque itération correspond
un calcul de fonction coût), et le nombre d'itérations parallèles (dans ce cas à chaque itération
correspond p calculs de la fonction coût). Ces p calculs de la fonction coût sont réalisés
simultanément comme l'illustre la Figure 2-19. Pour le cas de cette illustration Ts = 5 , Tp = 3 ,
le speed-up est donc S p = 5 / 3 .
79
Chapitre 2
Déroulement séquentiel
Solution
Déroulement parallèle parfait
Solution
Déroulement parallèle réel
Solution
Itérations / temps
0 1 2 3 4 5
Calcul d'une fonction coût
Un pas d'optimisation
Figure 2-19 : Illustration du déroulement séquentiel / parallèle de la procédure d'optimisation
Remarque : La méthode de calcul du speed-up fait l'hypothèse que tous les calculs de la
fonction coût ont la même durée (Figure 2-19, déroulement parallèle parfait). Or lorsque le
calcul de la fonction coût fait appel à un calcul éléments finis, les temps d'exécution peuvent
être variables le speed-up réel sera alors moins bon (Figure 2-19, déroulement parallèle réel).
Ces tests de speed-up sont réalisés sur les fonctions coût tests de référence. Le speed-up
est calculé pour p appartenant à la plage {1, 2, 4,8,16} .
3.4.2 Résultats
Les résultats présentés montrent une étude comparative entre deux types d'enrichissement
virtuel de la base de données. Le premier nommé Kriging Believer (KB) et le second Constant
Liar avec comme valeur constante le minimum des valeurs des points maîtres (CL-min). Ces
deux types d'enrichissement virtuels sont définis au Chapitre 1, dans la Partie 4.3.
Les résultats des fonctions testées sont donnés en Figure 2-20. En pointillé rouge est
représenté le speed-up théorique S p = p , en trait plein croix noire le speed-up avec
enrichissement CL-min et en trait plein cercle noir le speed-up avec enrichissement KB.
80
(a) (b)
(c) (d)
(e)
Figure 2-20 : Tests de speed-up a) Fonction de Branin-Hoo, b) Fonction de Rosenbrock 2D, c)

Fonction de Rosenbrock 4D , d) Fonction de Hartmann3D , e) Fonction de Hartmann6D
81
Chapitre 2
Les speed-up obtenus sont toujours supérieurs à 1 et croissants. L'augmentation du nombre

de processeurs est donc toujours bénéfique pour la vitesse de convergence de l'algorithme.
Ces tests font apparaitre l'intérêt d'exploiter ce type de méthode pour limiter le temps
nécessaire pour aboutir à la convergence de la méthode. Il est cependant inutile d'augmenter
de manière démesurée le nombre de processus parallèles. Une valeur plafond du speed-up
semble apparaître sur certains cas (Figure 2-20 a b et b).
Les accélérations les plus significatives sont observées pour des valeurs de p faibles. En
effet, l'augmentation du nombre de processeurs apporte une faible accélération lorsque p
passe de 8 à 16 (Figure 2-20 a et e). Ce plafonnement de l'accélération s'explique par le fait
que les points ajoutés sont construits sur la base d'un ensemble de points maîtres contenant un
grand nombre de points virtuels dont la valeur n'est qu'approximée.
Les tests sur la fonction de Branin-Hoo (Figure 2-20 a) et Hartmann3D (Figure 2-20 d)
montrent des speed-up supérieurs à 1. C'est-à-dire que la solution du problème est atteinte en
moins d'évaluations de la fonction coût par la méthode parallèle que par la méthode
séquentielle ( Ts > Tp , dans l'équation(2.5)). Ces deux fonctions étant des problèmes de multi-
extrema, il semble donc raisonnable de conclure que la méthode de parallélisation améliore la
capacité d'exploration de l'algorithme séquentiel.
Tous les tests menés font un comparatif entre l'enrichissement de type KB et CL-min. Les
speed-up obtenus sont comparables pour les deux méthodes sur l'ensemble des fonctions,
notamment pour des faibles valeurs de p. Il semble cependant que pour des grandes valeurs de
p l'enrichissement KB soit moins sujet au plafonnement du speed-up.
3.5 Comparaison des performances avec l'algorithme SE-Meta

Une dernière campagne de tests a été menée pour confronter l'algorithme proposé ici à un
autre algorithme utilisé dans le cadre de l'optimisation du forgeage [Do06]. Cet algorithme de
minimisation est disponible dans l'environnement Forge2009, et se nomme SE-Meta.
L'algorithme SE-Meta a été développé par Emmerich et al. [Emm06]. Il est basé sur un
algorithme de minimisation par stratégie d'évolution de type (λ + µ ) élitiste, assisté par un
métamodèle par krigeage (Figure 2-9). Les principaux paramètres à calibrer sont donc ceux
classiquement liés à la minimisation par stratégie d'évolution (taille de la population, nombre
d'enfants, paramètres de mutation et de croisement) ainsi que le taux d'enfants évalués de
manière exacte et celui évalué de manière approximative via le métamodèle. A chaque
itération, itérations qui correspondent aux générations de l'algorithme par stratégie
d'évolution, une proportion déterminée des individus est évaluée de manière exacte en faisant
appel au calcul EF. L'autre partie de la population est évaluée de manière approchée par
l'opérateur de krigeage.
La comparaison d'algorithmes de minimisation est un exercice périlleux. En effet, les
conclusions tirées de ce type de tests sont toujours liées au réglage de chacune des méthodes
et au type de problème résolu. Un algorithme peut être plus efficace sur un type de problème,
et moins sur un autre, ceci a été énoncé sous la forme du "No free lunch theorem" [Wol97].
Pour ce test on utilise donc le réglage standard de SE-Meta proposé dans Forge2009®. Ce
réglage standard a été défini pour rendre l'algorithme robuste pour différents problèmes
industriels. L'algorithme EGO-p est quant à lui utilisé avec l'opérateur de krigeage anisotrope
et l'enrichissement virtuel Kriging Believer.
82
Population initiale
Évaluation de la population
Krigeage : Calcul EF :
Evaluation Evaluation
approché exacte

Population parents calculs
Krigeage : Calcul EF :
Evaluation Evaluation
approchée exacte
Convergence
Coordonnées
du minimum
Figure 2-21 : Organigramme de l'algorithme SE-Meta
3.5.1 Tests sur la fonction de Branin-Hoo

Les tests comparatifs menés sur la fonction de Branin-Hoo en considérant 1 calcul exact
de la fonction coût par itération, par génération pour SE-Meta (Figure 2-22), mettent en
évidence l'insensibilité de l'algorithme EGO-p à la taille de la base de donnée initiale. SE-
Meta est quant à lui très sensible à cette initialisation. Suivant la base initiale utilisée
l'algorithme SE-Meta converge vers un minimum local (Figure 2-22 b et f) ou le minimum
global (Figure 2-22d). Quand la base de données initiale permet une convergence de SE-Meta
vers le minimum global (Figure 2-22d), celle-ci est plus rapide que celle obtenue avec EGO-p
(Figure 2-22c). Il est cependant très important de noter que SE-Meta n'explore pas du tout les
minima locaux présents dans le domaine de recherche (Figure 2-22d). Ce test montre donc
qu'avec cette paramétrisation, l'algorithme SE-Meta ne peut pas être qualifié d'algorithme
global.
83
Chapitre 2
(a) base de données initiale de 2 points - (b) base de données initiale de 2 points (ronds
convergence noirs) - répartition des points testés
(c) base de données initiale de 4 points - (d) base de données initiale de 4 points (ronds
(e) base de données initiale de 9 points - (f) base de données initiale de 9 points (ronds
Figure 2-22 : Comparaison EGO-p / SE-Meta sur la fonction de Branin-Hoo - 1 calcul à chaque
itération
84
Les tests menés dans les mêmes conditions, en considérant 4 calculs exactes de la fonction
coût par itération ou par génération pour SE-Meta (Figure 2-23) mènent à la même conclusion
de forte dépendance de l'algorithme SE-Meta à la base de données initiale. Il est tout de même
à noter que l'utilisation de 4 calculs de la fonction par itération, pour SE-Meta, permet une
meilleure exploration de l'espace de recherche (Figure 2-23 b et d) sans pour autant assurer la
détection du minimum global.
(a) base de données initiale de 4 points - (b) base de données initiale de 4 points -
convergence répartition des points testés
(c) base de données initiale de 9 points - (d) base de données initiale de 9 points -
Figure 2-23 : Comparaison EGO-p / SE-Meta sur la fonction de Branin-Hoo - 4 calculs à chaque
itération
L'utilisation de 8 calculs par itération de l'algorithme SE-Meta permet de mieux assurer

l'aspect global de la recherche, tout en proposant une convergence plus rapide que
l'algorithme EGO-p (Figure 2-24).
85
Chapitre 2
(a) base de données initiale de 9 points - (b) base de données initiale de 9 points -
Figure 2-24 : Comparaison EGO-p / SE-Meta sur la fonction de Branin-Hoo - 8 calculs à chaque
itération
Pour assurer un bon comportement de SE-Meta (sur ce problème), il faut donc évaluer 8
individus de manière exacte à chaque génération. La fonction coût de ces 8 points peut alors
être évaluée de manière simultanée.
Pour les tests suivants, on se place donc dans cette configuration, qui est la seule assurant
la résolution du problème d'optimisation : à chaque génération de SE-Meta, 8 calculs exacts
de la fonction doivent être effectués.
Pour évaluer les performances on définit le temps apparent pour résoudre le problème de
minimisation, où p est le nombre de processeurs utilisés :
nbCalcul
t* = (eq. 2.6)
p
Si on dispose uniquement d'une machine monoprocesseur, l'algorithme EGO-p est deux
fois plus rapide que SE-Meta (Figure 2-25a). En effet pour assurer le bon comportement de
SE-Meta, les 40 calculs (sélectionnés 8 par 8) nécessaires sont lancés de manière totalement
séquentielle. Alors que EGO-p (avec p=1) ne nécessite que 19 calculs pour converger (calcul
sélection 1 par 1).
Si l'on dispose de la puissance pour évaluer 4 calculs simultanément alors les
performances de EGO-p (avec p=4) sont 1.5 fois supérieures à SE-Meta (Figure 2-25b).
Si, en revanche, on dispose de la puissance de calcul pour évaluer ces 8 fonctions coût
simultanément alors les performances des deux algorithmes sont comparables en termes de
vitesse de convergence et de globalité de la recherche (Figure 2-25c).
86
(a) p=1 calcul - convergence (b) p=4 calculs - convergence
(c) p=8 calculs - convergence
Figure 2-25 : Comparaisons de la vitesse de convergence rapportée au temps apparent t* de

calcul sur la fonction de Branin-Hoo
3.5.2 Tests sur la fonction de Hartmann 6D

Afin de comparer les deux algorithmes pour des problèmes de dimension plus élevée, le
même type de test est réalisé sur la fonction de Hartmann 6D. Pour ce test, SE-Meta évalue 12
individus de manière exacte par génération, EGO-p est utilisé avec p=12. L'initialisation est
faite sur 12 points maîtres.
87
Chapitre 2
Figure 2-26 : Comparaisons de la vitesse de convergence sur la fonction de Hartmann 6D
Là encore la résolution est plus rapide avec l'algorithme EGO-p. On peut tout de même
noter la convergence de SE-Meta vers le minimum global.
3.6 Bilan des tests de la plateforme MOOPI

Les tests menés dans cette partie montrent la capacité de la plateforme MOOPI à résoudre
un problème de minimisation avec différentes méthodes d'optimisation. A l'heure actuelle
deux méthodes sont disponibles pour atteindre cet objectif : une méthode d'optimisation
BFGS, et l'algorithme EGO-p.
Les tests réalisés sur l'algorithme EGO-p et ses différentes variantes ont montré l'intérêt du
krigeage anisotrope pour accélérer la convergence (de 20 à 30% suivant les fonctions testées).
L'évaluation du speed-up de la version parallèle de l'algorithme EGO-p a permis de mettre en
évidence l'efficacité de la méthode. Les speed-up les plus intéressants sont observés pour un
nombre de processeurs inférieur à 4 pour des problèmes d'optimisation à 2 ou 4 dimensions.
De plus, les tests menés ne permettent pas de différentier significativement l'efficacité des
méthodes d'enrichissement CL-min et KB. L'algorithme EGO-p, a montré son efficacité sur
les problèmes testés. Cette efficacité observée peut être fortement affectée si la fonction coût
minimisée est bruitée.
Hormis l'efficacité d'EGO-p, cet algorithme a l'intérêt d'avoir très peu de paramètres à
régler suivant le type de problème traité (en opposition aux algorithmes basés sur des
méthodes par stratégie d'évolution).
Les tests comparatifs menés entre EGO-p et SE-Meta, ont permis tout d'abord de montrer
que les méthodes proposées ici sont tout à fait compétitives vis-à-vis d'algorithmes déjà bien
établis. Ils ont permis de plus de montrer l'efficacité et l'intérêt de EGO-p notamment sur des
cas où le nombre de calculs de la fonction coût en parallèle est réduit.
La conclusion majeure de ces tests reste la capacité d'accélération de la convergence
observée sur toutes les fonctions tests avec EGO-p. Même si l'accélération est limitée, elle
n'en reste pas moins très intéressante pour aboutir à la solution du problème d'optimisation en
un temps réduit.
88
4 Conclusion
Dans ce chapitre ont été présentés, dans un premier temps, les développements réalisés
pour la mise en place de la plateforme MOOPI. Le développement de la plateforme, et
l'écriture des plus de 5000 lignes de code en C++, ont permis de répondre aux deux objectifs
fixés au début de ce chapitre : la mise en place d'un outil d'optimisation dédié à l'exploitation
de calculs éléments finis, ainsi que la mise en place d'un environnement capable d'intégrer des
méthodes d'optimisation diverses et de gérer plusieurs logiciels de calcul scientifique.
Contrairement à l’algorithme BFGS, l’algorithme EGO-p permet d’identifier le minimum
global, ce qui nous sera très utile dans le cadre de l’identification de paramètres.
Dans un deuxième temps, l'algorithme d'optimisation EGO-p, présenté au Chapitre 1, a été
testé. Le résultat majeur obtenu sur les fonctions tests est une accélération significative pour
un nombre de processus parallèles de l'ordre du nombre de dimensions du problème
d'optimisation. Cette accélération permet d'aboutir à la solution d'un problème d'optimisation
plus rapidement. L'objectif principal étant de proposer un outil capable de réaliser une
optimisation sur la base de calculs par éléments finis lourds en terme de temps calcul. De
plus, l'un des points forts de la méthode EGO-p est le faible nombre de paramètres à calibrer
pour effectuer l'optimisation.
La plateforme développée au cours de cette thèse est vouée à être enrichie. Les axes
principaux d'enrichissement sont relatifs aux méthodes d'optimisation proposées. La structure
a été pensée pour accueillir des méthodes d'optimisation plus avancées telles que les méthodes
multi-objectifs, ainsi que des méthodes d'optimisation sous contraintes. L'algorithme EGO-p
peut lui aussi faire l'objet d'extensions, en intégrant par exemple le traitement d'un bruit
éventuel sur la fonction coût. Cette extension peut être envisagée en enrichissant le
métamodèle par krigeage de l'effet dit de "pépite", qui permet d'associer à chaque point maître
une incertitude sur sa valeur : le métamodèle n'est alors plus interpolant ([Kle09] [Bee03]).
Les développements présentés dans ce chapitre permettent de répondre à l'un des objectifs
majeur de cette thèse. Objectifs qui étaient de développer un outil capable de répondre aux
problématiques d'optimisation du projet MONA LISA mais aussi plus largement aux
problématiques d'optimisation au sein du laboratoire ainsi que de capitaliser les différents
développements réalisés.
Les chapitres suivants s'appuieront sur la plateforme MOOPI pour réaliser de
l'optimisation d'assemblages mécaniques ainsi que l'identification de paramètres matériaux
par analyse inverse. D'autres exemples d'application sont rassemblés en Annexe de ce
manuscrit.
89
Optimisation numérique d’un point d’assemblage : application au procédé de clinchage
Chapitre 3
Optimisation numérique d’un point d’assemblage :
application au procédé de clinchage
Le développement de la plateforme MOOPI, dédiée à l'optimisation et l'analyse inverse,

nous permet d'aborder la modélisation et l'optimisation d'un point d'assemblage en prenant en
compte l'impact de la phase de pose du point d’assemblage sur sa tenue mécanique. Le
schéma général de cette optimisation est rappelé Figure 3-1.
Pose de l’assemblage Histoire Tenue mécanique en service
Mécanique
Optimisation
On propose ici de réaliser la modélisation et l'optimisation d'un assemblage par clinchage.

Notre choix s'est porté sur cette technologie car elle met en jeu de larges déformations
plastiques, sujettes à l'apparition du phénomène d'endommagement ductile.
Le procédé de clinchage est un procédé mécanique d'assemblage par déformation
plastique à froid. L'assemblage est formé par emboutissage simultané de deux tôles (ou plus)
entre un poinçon et une matrice. La formation de l'assemblage est schématisée Figure 3-2.
91
Chapitre 3
Poinçon
Tôle supérieure
Tôle Inférieure
Bouterolle
Figure 3-2 : Schéma du procédé de clinchage - Tox Pressotechnik [Tox11]
Les points forts de ce type d'assemblage sont multiples : la mise en œuvre est simple et
économique, il n'y a pas de problèmes de compatibilité entre les matériaux comme c'est le cas
pour le soudage par point. Ce type d'assemblage connait une forte croissance dans le domaine
de l'automobile. Mais son utilisation reste cependant limitée par manque de procédures
standards et d'outils de dimensionnement [Jom07].
La modélisation numérique de ce procédé reste peu développée, comme indiqué dans la
revue de litterature de He [He10] sur la modélisation éléments finis du clinchage. On peut tout
de même citer les travaux de Hamel [Ham00] sur la modélisation de la pose et les travaux de
Jomaâ [Jom07] sur la modélisation de la tenue mécanique tenant compte du passé
thermomécanique issu de la mise en place de l'assemblage. Il existe cependant une
bibliographie plus large sur la modélisation d'autres technologies d'assemblage. On peut par
exemple citer les articles de Bouchard et al. [Bou08] et de Porcaro et al. [Pro06] sur le
procédé de rivetage auto-poinçonneur ou encore l'article de Chen et al. [Che11] sur le procédé
de rivetage.
Dans ce chapitre on présente tout d'abord la modélisation d'un assemblage par clinchage,
incluant une validation de la modélisation de la phase de pose ainsi que de la tenue mécanique
par rapport à des essais expérimentaux. Sur la base de cette modélisation validée, une analyse
de sensibilité de la tenue mécanique par rapport aux paramètres du procédé est réalisée. Cette
analyse de sensibilité permet ensuite de sélectionner les paramètres les plus influents et de
réaliser l'optimisation de la tenue de l'assemblage vis-à-vis de ces paramètres influents,
optimisation réalisée grâce à la plateforme MOOPI.
92
1 Préambule à la modélisation des procédés d'assemblage

mécanique
L'objectif du chapitre est de proposer une méthodologie pour l'optimisation des procédés
d'assemblage par déformation plastique. Ce préambule se focalise sur les modèles mécaniques
utilisés, et plus particulièrement sur le modèle d'endommagement ductile de Lemaitre
[Lem01] ainsi que sur la loi de comportement du matériau. On présentera tout d'abord les
hypothèses de travail, notamment liées au choix du modèle élasto-plastique retenu. On
abordera ensuite le modèle de Lemaitre en faisant référence aux travaux de thèse de R. El
Khaoulani menés dans le cadre du projet MONA LISA [Kha10]. Nous serons alors en mesure
de définir le modèle direct, capable de modéliser de manière fiable et prédictive les procédés
d'assemblage mécanique par déformation plastique.
1.1 Comportement élasto-plastique

Le matériau étudié est supposé élasto-plastique, homogène et isotrope. Le critère de
plasticité utilisé est celui de von Mises et un écrouissage isotrope est considéré.
Les équations constitutives de cette modélisation peuvent être résumées de la manière
suivante :
• Décomposition en partie élastique (εe) et plastique (εp) du tenseur des déformations

ε :
ε = ε e + ε pl (3.1)
• Le comportement élastique :
σ = λ tr ( ε e ) I d + 2 µε e (3.2)
où λ et µ sont les coefficients de Lamé, et I d la matrice identité. Les relations entre les
coefficients de Lamé et le module d'Young E et le coefficient de Poisson ν sont rappelées :
E Eν
µ= ,λ = (3.3)
2 (1 + ν ) (1 +ν )(1 − 2ν )
• Le critère de plasticité de von Mises :

3
f ( s, ε ) = s : s − σ 0 (ε ) (3.4)
2
où s est le déviateur du tenseur des contraintes σ , et ε la défomation equivalente.
• Loi d'écrouissage isotrope :

σ 0 (ε ) = σ y + K ε n (3.5)
où σ y est le seuil d'écrouissage exprimé en Pa, K la consistance exprimée en Pa et n
l'exposant d'écrouissage.
93
Chapitre 3
1.2 Le modèle d'endommagement de Lemaitre

Avant de présenter le modèle d'endommagement ductile de Lemaitre, on présente
brièvement la physique relative aux mécanismes d'endommagement ductile.
1.2.1 Mécanismes d'endommagement ductile

Au cours de grandes déformations plastiques, la dégradation du matériau, qui mène
jusqu'à la rupture complète (macroscopique), se décompose en trois phases. Ces trois phases
sont représentées Figure 3-3.
• La germination : sous l'influence du chargement, des défauts microscopiques et de

l'aspect non homogène du matériau (inclusions, phases plus ou moins dures …),
des concentrations locales de contraintes apparaissent. Ces concentrations de
contraintes font apparaître des micro-cavités. Dans le cas de la germination à partir
d’inclusions, ces porosités apparaissent soit par rupture des inclusions, soit par
décohésion entre la matrice et une inclusion. La germination est parfois désignée
par l’anglicisme « nucléation ».
• La croissance : les micro-cavités voient leur taille augmenter sous l'effet du
chargement. A ce stade le comportement macroscopique du matériau est modifié.
• La coalescence : lorsque les micro-cavités atteignent une taille critique, elles
commencent à interagir les unes par rapport aux autres. Elles finissent par se
rejoindre pour former des macro-défauts qui conduisent à l'apparition de fissures et
à la rupture du matériau.
Germination
Figure 3-3 : Schématisation des phases de l'endommagement ductile - EVR [Fay08]
Ces trois phases sont identifiables sur une courbe de traction, elles sont représentées en
Figure 3-4. Cette courbe illustre l'impact de l'apparition de ces cavités sur le comportement du
matériau. Dès la phase de croissance (segment CD, Figure 3-4) la courbe présente un
adoucissement dû à la croissance des micro-cavités. Cet adoucissement s'amplifie lors de la
phase de coalescence (segment DE, Figure 3-4), la courbe force/déplacement s'écarte
nettement de la courbe hypothétique ne prenant pas en compte cette évolution (segment CG
pointillé, Figure 3-4).
Remarque : L'adoucissement progressif observé sur une courbe force/déplacement relative
à un essai de traction (Figure 3-4) est dû à l'action conjointe de la croissance de
l'endommagement et de la striction de l'éprouvette.
94
Figure 3-4 : Schématisation des phases de l'endommagement ductile - Essai de traction

uniaxiale [Fay08]
Dans le cadre du projet MONA LISA, il a été choisi de travailler avec un modèle
phénoménologique pour représenter ce phénomène. Ce type de modèle semble bien adapté au
contexte industriel du projet et a déjà montré des résultats très satisfaisants dans des travaux
précédents [Bou08, Bou10].
Dans ce type d'approche phénoménologique, le phénomène est modélisé par une variable
d'endommagement macroscopique w qui peut être définie comme le rapport suivant :
S − Sɶ S D
wn = = (3.6)
S S
où S est la surface d’une section de normale n de la matière (Elément de Volume

Représentatif (EVR) Figure 3-5), Sɶ la surface de résistance effective de cette même section,
c'est-à-dire l'aire totale S diminuée de l'aire des micro-cavités Sd. On fait le choix ici de
travailler avec une variable d'endommagement isotrope, c'est-à-dire que wn = w , ∀n . Cette
variable d'endommagement w varie entre 0 quand le matériau est sain et 1 quand le matériau
est totalement endommagé.
Figure 3-5 : Définition de la variable d'endommagement macroscopique [Fay08]
1.2.2 Loi d'évolution de l'endommagement

Le modèle de Lemaitre [Lem01] propose une loi d'évolution de cette variable
d'endommagement, et la définition de la contrainte effective σɶ , qui permet de coupler la loi de
comportement à l'endommagement. Cette contrainte effective représente la contrainte
95
Chapitre 3
appliquée, ramenée à la section qui résiste réellement aux efforts appliqués. Elle est définie de
la manière suivante :
σ
σɶ = (3.7)
(1 − w )
La contrainte effective fait apparaitre la contrainte σ , qui est la contrainte dans le matériau
dépourvu d'endommagement. Cette contrainte est issue, dans notre cas, de la résolution d'un
problème mécanique élasto-plastique décrit précédemment.
La formulation de la loi d'évolution de l'endommagement présentée ici introduit plusieurs
apports, tels que la limite de triaxialité en compression et la décomposition du tenseur des
contraintes en parties positive et négative.
L'objet ici n'est pas de proposer une description détaillée du modèle d'endommagement
ductile, mais simplement de donner les clés nécessaires pour la mise en place de la
modélisation des assemblages mécaniques dans un premier temps puis dans un deuxième
temps pour l'identification des paramètres du modèle. Pour plus de détails, le lecteur pourra se
référer aux travaux de thèse de R. El Khaoulani [Kha10] menés en parallèle dans le cadre du
projet MONA LISA, ainsi qu’aux travaux de L. Bourgeon [Bou10].
Cette formulation peut être résumée de la manière suivante :
 λ pl  Y b
  −  si 0 ≤ Tx et si ε > ε d
1 − w  S 0 

 λ pl  Y 
b
1
wɺ =   −  si − ≤ Tx < 0 et si ε > ε d (3.8)
1 − hw  S0  3

 1
 0 si Tx ≤ − ou si ε ≤ ε d
 3
 wɺ = 0 et w = 1 si w ≥ wc
Plusieurs grandeurs apparaissent dans cette loi d'évolution :
• λ pl est le multiplicateur plastique ;

• Tx est la triaxialité des contraintes :
−p
Tx = , où p représente la pression hydrostatique (3.9)
σ eq
• h caractérise l'effet de refermeture des fissures en compression ( 0 ≤ h ≤ 1 ) ;
• ε est la déformation équivalente ;
• wc est le seuil d'endommagement critique ;
• ε d représente la déformation seuil de déclenchement de l'évolution de
l'endommagement ;
b et S0 sont deux paramètres du modèle caractérisant le matériau.
Y représente le taux de restitution d'énergie élastique :
96
−1 (1 +ν ) σ : σ −ν tr (σ ) 2 
Y=
2 E (1 − w )
2
 + + 
(3.10)
h
2 (
−  1 + ν ) σ : σ −ν tr (σ )  2
2 E (1 − w )  
− −
Ce taux de restitution d'énergie élastique fait apparaitre la décomposition du tenseur des

contraintes en parties positive σ + et négative σ − , ainsi que le module d'Young E et le
coefficient de Poisson ν de la loi d'élasticité. L'opérateur x est défini de la manière
suivante :
 x si x ≥ 0
x = (3.11)
0 si x < 0
L'allure de cette loi d'évolution est représentée Figure 3-6. Sur cette figure, apparaissent
deux des paramètres du modèle : wc le seuil d'endommagement critique, et ε d la déformation
seuil de déclenchement. Les paramètres caractérisant l'endommagement du matériau sont
donc b, S0, ε d et wc.
wc
0 ε
εd
Figure 3-6 : Evolution de la variable d'endommagement au cours de la déformation plastique
1.3 Précisions sur le couplage comportement-

endommagement
Dans le cas du couplage comportement-endommagement, deux dépendances numériques
doivent être considérées.
97
Chapitre 3
1.3.1 La dépendance au pas de temps

L’endommagement peut être couplé au comportement de manière forte ou faible.
Un couplage fort nécessite la résolution d’un système d’équations permettant de calculer

de manière simultanée l’incrément de déformation et l’incrément d’endommagement. Dans le
cas du couplage faible, seul l’incrément de déformation est calculé. L’incrément
d’endommagement est ensuite réactualisé et servira au couplage pour l’incrément suivant.
Ainsi, le couplage fort conduit à des temps de résolution plus importants, mais n’est pas
sensible au pas de temps, alors que le couplage faible permet une résolution plus rapide mais
peut présenter une faible dépendance au pas de temps. Pour plus de précision sur les différents
types de couplage, le lecteur pourra se référer aux thèses de S. Fayolle [Fay08] et R. El
Khaoulani [Kha10].
1.3.2 La dépendance à la taille de maille
a) Problématique de la localisation de l’endommagement

Lorsque la loi de comportement du matériau présente un adoucissement, comme c’est le
cas lorsque l’on couple l’endommagement à la loi de comportement, un phénomène de
localisation de la déformation et de l'endommagement apparaît. Ce phénomène, largement
étudié dans la littérature [Pee01], conduit à une forte dépendance de la solution à la finesse du
maillage. Cette dépendance se traduit par des courbes force-déplacement dépendantes de la
taille de maille ainsi que par des bandes de localisation de l’endommagement dépendantes de
la taille de maille comme on peut le voir sur la Figure 3-7.
Pour contrôler ce phénomène, il est donc nécessaire d'utiliser une méthode de
régularisation. L'objectif est de limiter la forte dépendance à la discrétisation spatiale. Le
choix a été fait d'utiliser un modèle d'endommagement non local par gradient implicite
[Kha10].
98
Figure 3-7 : Influence de la finesse du maillage sur la localisation de l'endommagement - iso

valeurs d'endommagement [Kha10]
b) Modèle d'endommagement non local

Le modèle d'endommagement non local repose sur la définition d'une variable
d'endommagement non locale w , qui provient d'une pondération spatiale de la variable
d'endommagement locale w. Les modèles non locaux à formulation intégrale [Pee01]
définissent la variable non locale de la manière suivante :
1
w( x) = ϕ ( x, y ) w ( y ) dy
Ψ ( x ) Ω∫
(3.12)
Cette variable non locale est définie sur tout le domaine d'étude Ω et fait intervenir une
fonction de pondération ϕ . La fonction de pondération choisie est de forme gaussienne :
1  x− y 2

ϕ ( x, y ) = exp −  (3.13)
( 2π ) lc 3  2lc 
32 2

Un nouveau paramètre apparaît dans la fonction de pondération : lc. La longueur

caractéristique lc est liée à la microstructure du matériau et peut donc être considérée comme
un paramètre du modèle d'endommagement étudié.
La méthode d’endommagement non local par gradient implicite [Pee01] consiste à

calculer la variable d'endommagement non local à partir de la variable d’endommagement
local en résolvant le système suivant :
99
Chapitre 3
 w ( x ) − lc ∆w ( x ) = w ( x )
2
 (3.14)
∇w ( x ) .n = 0 sur ∂Ω
L'utilisation d'une méthode de régularisation permet de limiter la forte dépendance des

phénomènes de localisation à la discrétisation spatiale. La Figure 3-8 illustre l'apport d'une
telle méthode. La zone de localisation de l'endommagement n'est plus fortement liée au
maillage.
En contrepartie, le modèle retenu introduit un nouveau paramètre propre au matériau : la

longueur caractéristique.
Figure 3-8 : Iso valeurs d'endommagement – approche non locale par gradient implicite
[Kha10]
Ce préambule a permis de présenter le modèle mécanique retenu pour la modélisation des

assemblages mécaniques par déformation plastique. L'utilisation de ce modèle élasto-
plastique couplé à l'endommagement ductile de Lemaitre permet maintenant d'aborder la
modélisation et l'optimisation du clinchage.
2 Définition d’un cas de référence

Pour réaliser l'optimisation de la tenue mécanique d'un point de clinchage il est nécessaire
de modéliser les deux phases : la pose de l'assemblage et la tenue mécanique à l’arrachement.
On définit tout d'abord le point de clinchage étudié. Les caractéristiques relatives à la pose
de l'assemblage sont les suivantes :
• Assemblage de 2 tôles en aluminium EN AW-5774[AlMg3], d'épaisseurs
respectives 1 mm et 1.5 mm.
• Matrice fixe de 6 mm de diamètre.
100
• Poinçon de 3.8 mm de diamètre.

L’étude de la tenue mécanique est réalisée grâce à un montage de type ARCAN dans 3
directions différentes : traction pur (90°), cisaillement pur (0°), et chargement mixte (45°).
Dans cette partie, on définit tout d'abord le modèle éléments finis utilisé pour la simulation
des deux phases. On s'attardera sur l'importance de la conservation de l'histoire
thermomécanique du matériau pour obtenir une bonne corrélation entre les résultats issus de
la simulation et ceux issus d'essais expérimentaux.
Une fois cette modélisation mise en place et validée, les aspects liés à l'optimisation du
procédé seront abordés : le choix des paramètres à optimiser, les grandeurs observables, ainsi
que la mise en place d'une chaine de simulations automatisée.
2.1 Modélisation du clinchage par éléments finis

La modélisation du clinchage (pose et tenue mécanique) est réalisée en utilisant le logiciel
Forge2009. Dans ce paragraphe on présente les différentes phases de modélisation, ainsi que
les hypothèses réalisées.
2.1.1 Paramètres matériaux

Le clinchage de deux tôles d'aluminium EN AW-5774[AlMg3] est réalisé ici. Les
paramètres matériau de cet aluminium sont donnés dans le Tableau 3-1. Les chapitres suivants
reviendront plus en détail sur les méthodes disponibles pour déterminer ces paramètres. Ces
paramètres sont un point clé pour la modélisation fiable des procédés d'assemblage
mécanique. En effet, Jomaâ et Billardon [Jom07] ont montré l’influence significative de l'état
initial des tôles sur les résultats du procédé de clinchage.
Paramètres Valeur
σy 30 MPa
K 464MPa
n 0.32
b 1
S0 2.25 MPa
εd 0.17
wc 0.8
h 0.1
Tableau 3-1 : Paramètres matériau pour la modélisation du clinchage
2.1.2 Mise en place de l'assemblage
a) Paramètres du procédé
En plus des deux tôles, cette phase met en jeu 3 outils ( Figure 3-9) :
• Le poinçon : cet outil est piloté en déplacement avec une vitesse de 1 mm/s, sa
course est stoppée sur un critère de force.
• La matrice (ou bouterolle): cet outil est fixe.
101
Chapitre 3
• Le serre flan (ou dévêtisseur) : cet outil est un outil flottant, il est piloté en force, la
force Fz est évaluée suivant la formule :
Fz = F0 + K d ∆U (3.15)
où F0 est une force constante, K d la raideur du ressort compris dans le dévêtisseur,
et ∆U le déplacement relatif entre le poinçon et le serre flan [Rey07].
Les caractéristiques de cette loi sont évaluées sur la base des essais expérimentaux, la
raideur est évaluée à 690kN/m, la force initiale à 2000N.
Z
Poinçon Serre flan
Fz
Tôle 1
Tôle 2
Matrice
Figure 3-9 : Schéma de la pose d'un point clinché à matrice fixe
b) Paramètres du modèle numérique

La mise en place de l'assemblage est une phase axisymétrique. On se place donc dans cette
hypothèse pour la résolution du problème éléments finis.
Le contact est géré par une méthode maitre-maitre [Che02]. Le frottement entre les outils
et les deux tôles est modélisé par le modèle de Coulomb limité Tresca, dont les équations sont
rappelées équation (3.16).
 σ
τ = µσ n si µσ n < m 0
3
 (3.16)
τ = m σ σ
0
si µσ n ≥ m 0
 3 3
µ et m sont les paramètres du modèle, τ et σ n respectivement les contraintes tangentielle
et normale, et σ 0 la limite d'écoulement plastique.
Les paramètres du modèle sont difficiles à évaluer sans réaliser d'essai dédié. Pour notre
étude ils sont fixés à µ = 0.3 et m = 0.3 . Ces valeurs, relativement élevées, sont obtenues par
recalage entre les courbes de l'effort de pose numérique et expérimentale. Ce recalage permet
de réaliser l'optimisation du point d'assemblage mais reste un point à mieux appréhender pour
fiabiliser encore plus la modélisation du procédé.
102
Enfin le procédé met en jeu de grandes déformations plastiques. Afin d'éviter la

dégénérescence du maillage, il est nécessaire d'utiliser des outils de remaillage [Ham00].
Forge2009 possède un outil de remaillage automatique [Cou00]. La taille de maille dans la
zone de déformation est fixée à 0.1 mm, un raffinement d'un facteur 2 est appliqué aux
frontières des deux corps déformables pour une meilleure précision. Le maillage est présenté
Figure 3-10.
Le pas de temps est évalué automatiquement en fonction de la déformation maximale, et
est compris entre 5e-3s et 5e-2s, le procédé de pose dure 3s.
Le modèle ainsi obtenu présente 5900 nœuds au début de la simulation, et 4900 nœuds en
fin de calcul. Cette variation est due aux différents remaillages. Le calcul est réalisé sur un
PC (Intel(R) Core(TM)2 CPU 6700 @ 2.66GHz, 2Ga Ram) en un temps de 4h05 min. Le
temps de calcul est relativement important, cela est principalement dû à une convergence très
lente du calcul en fin de procédé. En effet les 30 derniers incréments sur 225 représentent
50% du temps de calcul. Au cours de ces derniers incréments, la matière sous le poinçon subit
une forte pression hydrostatique. Les difficultés d'écoulement de la matière et son
incompressibilité plastique ralentissent la vitesse de convergence du calcul.
(a) (b)
Figure 3-10 : Modélisation axisymétrique du clinchage
Pour modéliser l'éventuelle rupture des tôles une méthode par kill-element est utilisée.
Lorsqu'un élément atteint l'endommagement critique, cet élément est supprimé (ce
phénomène n'apparait pas sur la Figure 3-10).
c) Validation expérimentale
La configuration présentée ici a fait l'objet d'une campagne d'essais en collaboration avec
le CETIM dans le cadre du projet MONA LISA. La mise en place de l'assemblage a été
réalisée sur des installations industrielles spécialement instrumentées pour mesurer la force et
le déplacement du vérin pilotant le poinçon au cours du procédé de pose.
Les courbes présentées ici sont les courbes force/déplacement ramenées au poinçon, c'est-
à-dire que l'on a retiré le déplacement dû à la déformation élastique et aux jeux du dispositif,
et la contribution en force absorbée par le dévêtisseur. 36 poses de la même configuration ont
été réalisées. La Figure 3-11 présente les deux courbes extrêmes enregistrées.
Une seconde grandeur est mesurée à la fin du procédé de clinchage : la côte X. La côte X
est l'épaisseur finale cumulée des deux tôles en tête du poinçon après la pose de l'assemblage
103
Chapitre 3
(Figure 3-14). Les mesures réalisées sur les 36 éprouvettes sont illustrées Figure 3-12. La
distribution de cette grandeur est en accord avec les tolérances industrielles qui sont de 15%.
1.4
Figure 3-11 : Effort de pose expérimental et numérique d'un assemblage par clinchage
Figure 3-12 : Distribution des mesures de côte X sur les essais de pose de point clinché
La simulation de la pose du clinchage est représentative des essais expérimentaux. La

courbe effort/déplacement du poinçon est bien comprise dans l'enveloppe délimitée par les
courbes expérimentales minimum et maximum (Figure 3-11). Un léger écart est observable
104
dans la première phase ( 0 < d < 1.4mm ) dû à une rigidité trop forte des tôles en flexion,
cependant cet écart reste minime. Cet écart peut éventuellement être expliqué par une
surestimation du frottement ou encore par une surestimation de l'écrouissage à faible valeur
de déformation.
Outre la bonne corrélation de la courbe d'effort de pose, la côte X obtenue par simulation
est de 0.47 mm. Cette grandeur est en accord avec la plage des mesures expérimentales
présentées Figure 3-12.
Les résultats présentés ici retranscrivent bien les points caractéristiques de la courbe de
pose :
• L'inflexion à d = 1.4mm correspond au contact de la tôle inférieure avec le fond de
la matrice (Figure 3-13a).
• La phase de compression (Figure 3-13b). Lors de cette phase l'accroissement de
l'endommagement est le plus fort (la tôle supérieure est en traction au dessus du
rayon de congé du poinçon).
• La phase de remplissage de la gorge de la matrice (Figure 3-13c) où la force
augmente rapidement (d>2.8mm). Lors de cette dernière phase, l'endommagement
augmente principalement sur la tôle inférieure au fond de la gorge de la matrice, et
le S se forme entre les deux tôles ; S qui permet de créer l'assemblage des deux
tôles.
La tenue mécanique sera donc impactée principalement par le taux d'endommagement

atteint au collet et la formation plus ou moins prononcée du S. Les contraintes résiduelles
après assemblage jouent également un rôle important sur la tenue mécanique.
(a) déplacement poinçon = 1.4 mm
105
Chapitre 3
(b) déplacement poinçon = 2.3 mm
Collet
(c) déplacement poinçon = fin de course
Figure 3-13 : Champs de la variable d'endommagement de Lemaitre pendant la pose pour

différentes valeurs de déplacement du poinçon
2.1.3 Tenue mécanique
a) Tenue mécanique en traction normale (Axe Z)

La tenue mécanique dans la direction du poinçon (axe Z) est la seule sollicitation qui
conserve, a priori, l’axisymétrie du modèle. En effet, cette hypothèse d'axisymétrie n'est plus
valable lorsque la déformation se localise pour initier la rupture : la rupture n'apparait pas sur
toute la circonférence simultanément dans la réalité. On conserve cependant l'hypothèse
d'axisymétrie pour évaluer la tenue mécanique de l'assemblage.
Pour la modélisation de la tenue mécanique, les deux tôles assemblées sont conservées.
Deux outils sont définis, l'un pour fixer la tôle inférieure, l'autre pour appliquer un effort de
traction dans la direction +Z sur la tôle supérieure. Ce dernier est piloté en déplacement avec
une vitesse de 1 mm/s. Le montage est schématisé sur la Figure 3-14.
Le pas de temps est fixé à 5e-3 s. Les maillages issus de la première phase sont conservés.
Le remaillage est désactivé : les déformations ne sont pas suffisamment importantes pour
justifier son utilisation. En revanche on conserve la méthode de kill-element pour modéliser la
rupture.
Les paramètres de contact entre les tôles sont les mêmes que pour la simulation du
clinchage.
106
Outil 2
Z
Cote X Tôle 2
Tôle 1
Outil 1
Figure 3-14 : Schéma de la tenue mécanique d'un point clinché - Direction Z
La modélisation ainsi obtenue est présentée Figure 3-15. Le calcul est réalisé sur un PC
(Intel(R) Core(TM)2 CPU 6700 @ 2.66GHz, 2Go Ram) en un temps de 24 min.
(a)
(b)
107
Chapitre 3
(c)
Figure 3-15 : Modélisation axisymétrique de la tenue mécanique dans la direction Z d'un point
clinché (a : état initial, b : après rupture au collet, c : champs d'endommagement juste avant
rupture)
Le résultat obtenu est présenté Figure 3-15, et la courbe de l'effort d'arrachement associée
est tracée Figure 3-16. Ce graphe montre que le calcul de la force est perturbé (Figure 3-16,
points bleus). Ces perturbations sont dues à la gestion du contact dans la zone de glissement
entre les deux tôles. Pour exploiter cette courbe, et en extraire une valeur représentative du
maximum, il est nécessaire de lisser ces perturbations.
Pour effectuer ce lissage on utilise un filtre de convolution gaussien, décrit équation (3.17)
.
 i N
F
 lissée = ∑
j =− N
i− j
Fbrute .g j

 1 1 − x2
2 (3.17)
g =j
e , x = [ − N , − N + 1,..., N − 1, N ]


∑i
g i 2π
i i
Où Fbrute et Flissée sont respectivement les mesures de force brutes et lissées, gi les
coefficients de pondération et 2N+1 le nombre de points de mesure utilisé pour le filtrage.
Ce filtre réalise une moyenne pondérée glissante des données brutes. N est fixé à 10 pour
le filtrage de la force, c'est-à-dire que chaque point est réévalué en réalisant la moyenne
pondérée des 20 mesures entourant ce point. La pondération de chaque point est donnée par la
loi gaussienne centrée réduite g j (équation(3.17)). La courbe filtrée est présentée Figure 3-16
(trait noir). La force maximale ainsi évaluée s'affranchit des valeurs perturbées par la gestion
du contact. La mise en place de ce filtre est primordiale pour évaluer la force d'arrachement et
utiliser cette grandeur comme observable à maximiser dans le processus d'optimisation.
108
Figure 3-16 : Lissage de la force d'arrachement
b) Validation expérimentale : Intérêt de la conservation des champs

thermomécaniques
L'objectif est de réaliser l'optimisation de la tenue mécanique d'un point d'assemblage en
jouant sur les paramètres du procédé de pose de cet assemblage. Avant de réaliser cette
optimisation, il est nécessaire de vérifier que la conservation de l'historique thermomécanique
entre la pose et la tenue mécanique a un intérêt dans la prédiction de la force d'arrachement.
Pour cela 3 calculs d'arrachement sont réalisés :
• Calcul 1 : calcul de l'arrachement en conservant la totalité de l'historique
thermomécanique (champs de déformation, de contrainte, limite d'écoulement,
endommagement).
• Calcul 2 : calcul de l'arrachement identique au calcul 1, seule la variable
d'endommagement est réinitialisée à 0 (matériaux complètement sains).
• Calcul 3 : calcul de l'arrachement sans conservation de l'historique
thermomécanique, seule la géométrie induite par la pose est conservée.
109
Chapitre 3
Réinitialisation de l'endommagement
Historique complet
Sans historique
Figure 3-17 : Effort d'arrachement - influence du transfert de l'historique thermomécanique
Les courbes de l'effort d'arrachement sont présentées Figure 3-17 (courbes lissées).
L'impact du transfert de l'historique thermomécanique est très net : si l'on ne transfère pas cet
historique, la résistance mécanique est sous évaluée d'un facteur 2. L'exportation, ou non, de
la variable d'endommagement a un impact plus faible sur la force d'arrachement. Elle est
surestimée de 20% si l'on néglige l'historique relatif à l'endommagement. De plus, la prise en
compte de l'endommagement dans le passé thermomécanique permet de bien prédire le type
de rupture du point d'assemblage. La Figure 3-18a présente le mode de rupture, en tenant
compte de tout le passé thermomécanique. La rupture du point a lieu au collet, c'est le mode
de rupture qui a été observé expérimentalement. En revanche les Figure 3-18b et c, qui ne
tiennent pas compte de la totalité du passé thermomécanique, présentent un désassemblage et
non une rupture.
110
(a) transfert de tous les champs (b) transfert de tous les champs sauf
l'endommagement
(c) pas de transfert
Figure 3-18 : Influence du transfert de l'historique thermomécanique sur le type

d'arrachement du point clinché
Pour valider cette modélisation, des essais de tenue mécanique ont été réalisés. Ils ont été
réalisés sur une machine de traction équipée d'un montage de type ARCAN. Ces essais nous
permettent d'obtenir la force d'arrachement du point d'assemblage dans la direction du
poinçon (axe Z). L'essai a été répété 4 fois, et les forces d'arrachement sont présentées dans le
Tableau 3-2. Ces résultats présentent une dispersion relativement importante. Cela est
notamment dû à la variabilité des propriétés matériau des tôles, ainsi qu'à la variabilité déjà
introduite par le procédé de pose. La force d'arrachement de 737N prédite par la simulation
est en bon accord avec les résultats expérimentaux.
111
Chapitre 3
N° essai Tenue mécanique

(N)
1 715
2 770
3 824
4 863
Simulation 737
Tableau 3-2 : Tenue mécanique du point de clinchage en traction normale (axe Z)
Les 3 calculs d'arrachement menés ici montrent l'intérêt, et même la nécessité, de

conserver le passé thermomécanique, pour obtenir une force et un mode d'arrachement
prédictifs. Ces tests justifient aussi l'utilisation du modèle d'endommagement couplé au
comportement dans la modélisation du clinchage. En effet, la non prise en compte de
l'endommagement mène à une mauvaise prédiction du mode de rupture.
c) Tenue mécanique en cisaillement (Axe x)

Pour évaluer la tenue en cisaillement le modèle n'est plus axisymétrique : une
modélisation en 3 dimensions est nécessaire. Les géométries ainsi que les champs sont
obtenus par révolution à partir de la simulation axisymétrique de la pose du point de clinchage
(Figure 3-19). Comme pour le calcul de la tenue suivant l'axe Z le pas de temps est fixé à 1e-
3s, la vitesse de l’outil réalisant le cisaillement est de 1 mm/s. Pour appliquer ce chargement,
le contour de la tôle inférieure est encastré, et une vitesse de 1mm/s est appliquée au contour
de la tôle supérieure (repéré en pointillé sur la Figure 3-19). Des conditions limites de
symétrie sont appliquées dans le plan de coupe du point d'assemblage.
Révolution
Conditions aux limites
Figure 3-19 : Passage 2D axisymétrique - 3D
112
Le maillage utilisé dans la zone proche du point d'assemblable est le maillage issu de la
pose, il est simplement obtenu par révolution. Ce maillage est présenté Figure 3-20.
Figure 3-20 : Maillage 3D du point clinché pour évaluation de la tenue mécanique en

cisaillement
Six essais de tenue mécanique dans cette configuration ont été réalisés à l'aide d'un
montage ARCAN. Les valeurs d'arrachement obtenues sont présentées dans le Tableau 3-3.
Là encore les résultats présentent une forte dispersion.
N° essai Tenue mécanique

(N)
1 815
2 679
3 778
4 688
5 762
6 642
Simulation 817
Tableau 3-3 : Tenue mécanique du point de clinchage en cisaillement (axe X)
L'évaluation de la tenue mécanique en cisaillement est relativement coûteuse en temps de

calcul, le temps de calcul est ici de 12h45 (Intel(R) Xeno(R) CPU E5530 @ 2.40GHz, 2.50Go
Ram). Ceci est dû en grande partie à la gestion du contact des tôles glissant l'une sur l'autre.
La tenue mécanique obtenue par simulation est comprise en bordure supérieure de la plage
des résultats expérimentaux. Cet écart peut s'expliquer en partie par l'effet de structure induit
par le montage Arcan : une légère flexion des tôles provoque une rotation du point suivant
l'axe Y, la sollicitation du point est alors une combinaison de traction et de cisaillement et non
plus du cisaillement pur comme obtenu par simulation numérique. Ce qui a pour conséquence
d'affaiblir la tenue mécanique du point. Cet effet de structure n'est pas rendu possible par les
conditions aux limites appliquées dans cette modélisation.
113
Chapitre 3
La modélisation plus réaliste du montage expérimental nécessite une étape de remaillage

entre la représentation 2D et 3D. Dans notre étude nous avons souhaité éviter cette étape qui
peut induire des variations significatives du champ d'endommagement liées au transport
(diffusion et perte d'informations). Des nouvelles méthodes de transport sont actuellement
mises en place, notamment dans les travaux de Thèse de J.M. Gachet au Cemef.
2.2 Vers l'optimisation d'un assemblage par clinchage

Dans la première partie, nous avons validé le modèle direct, comprenant la pose du point
d’assemblage et sa tenue à l’arrachement. Nous nous intéressons maintenant à la mise en
place du problème d’optimisation.
2.2.1 Paramètres à optimiser

Pour réaliser l'optimisation d'un point de clinchage, on fait l'hypothèse que le type et
l'ordre des tôles ainsi que le rayon de la matrice sont fixés (valeurs du cas de référence).
Les paramètres à optimiser sont relatifs aux outils : dimensions et pilotage. Ils sont listés
dans le Tableau 3-4 et illustrés Figure 3-21.
Paramètres Notation
Poinçon
Force maximum de pose Fmax
Rayon Rp
Angle sous tête W1
Rayon de congé Rcp
Angle de dépouille W2
Matrice
Profondeur Pm
Largeur gorge Lm
Dévêtisseur
Raideur Kd
Tableau 3-4 : Paramètres à optimiser pour le clinchage
114
Z w2
Lm
Z
Rcp Pm
w1
Rp
(b) Matrice
(a) Poinçon
Figure 3-21 : Paramétrisation des outils de clinchage
Les paramètres variables sont donc au nombre de huit. Le nombre de paramètres liés à la
matrice est limité car la génération automatique du profil de l'outil s'avère relativement
complexe sans outil de CAO dédié.
2.2.2 Grandeur observable - Fonction coût

L'objectif de l'optimisation est de maximiser la tenue mécanique statique du point
d'assemblage. La grandeur observable est donc la force maximum enregistrée lors de la tenue
mécanique.
La fonction coût est donc directement cette force, multipliée par -1 pour réaliser une
minimisation avec la plateforme MOOPI.
2.2.3 Création d'une chaine de simulations

Pour s'intégrer dans un processus d'optimisation, l'ensemble des opérations doit
s'enchaîner automatiquement entre la donnée des 8 paramètres variables et l'évaluation de la
fonction coût. On retrouve ici le concept de boite noire évoqué au chapitre 1 et Figure 3-22.
MOOPI
Jeu de
paramètres à
évaluer
Fonction coût
Logiciel de calcul
"Boite Noire"
Cette chaîne de simulations est donc mise en place, elle est décrite sur l’organigramme
présenté en Figure 3-23. Ce chaînage fait se succéder plusieurs opérations réalisées avec
115
Chapitre 3
différents outils. La principale difficulté de la mise en place de ce type de processus est de

réaliser une chaîne suffisamment robuste pour pouvoir l'intégrer au processus d'optimisation.
Les points clés de cette chaîne de simulations sont la paramétrisation et la génération
automatique des outils du procédé, ainsi que le transfert de l'historique thermomécanique des
deux tôles entre les deux phases.
Le chaînage mis en place ici est réalisé entre la modélisation de la pose de l'assemblage et
tenue mécanique selon l'axe Z. La tenue mécanique en cisaillement étant trop coûteuse en
temps de calcul pour être intégrée à un processus d'optimisation dans le cadre de cette étude.
116
8 Paramètres d'entrée
Pose
Modification des paramètres Génération automatique des

scalaires dans les fichiers de profils du poinçon et de la
mise en données matrice à partir des paramètres
(MOOPI) (Matlab®)
Préparation du calcul
Incorporation des outils
modifiés
(GLpre® en mode console)
Exécution du calcul
(Forge2D-2009®)
Transfert des géométries finales

(maillage) et de l'historique
thermomécanique
(Batch Windows)
Tenue
mécanique Préparation du calcul
Calage des outils
(GLpre® en mode console)
Exécution du calcul
(Forge2D-2009®)
Post-process
Récupération de la force
d'arrachement (filtrage)
(Matlab®)
Fonction coût : Fc.txt
Figure 3-23 : Organigramme du chaînage pour l'optimisation du clinchage
117
Chapitre 3
3 Analyse de sensibilité
La première partie de ce chapitre a permis de mettre en place une modélisation fiable du
procédé de clinchage, et de la tenue mécanique. Huit paramètres procédé ont été considérés
comme variables potentielles. Il n'est cependant pas envisageable, et même non pertinent, de
réaliser l'optimisation de la tenue mécanique de ces 8 paramètres. Une pré-étude est donc
réalisée pour discriminer les paramètres les plus influents. Cette phase est appelée phase de
screening [Bon07].
On fait le choix ici de réaliser une analyse de sensibilité en évaluant le gradient de la force
d'arrachement par rapport aux 8 paramètres procédé (Tableau 3-4). Les valeurs prises par
chacun des paramètres sont présentées dans le Tableau 3-5.
Les 9 calculs (pose et tenue mécanique décrits Figure 3-23) sont lancés à l'aide de la
plateforme MOOPI. Les forces d'arrachement correspondant à chaque calcul sont présentées
Tableau 3-5, ainsi que la valeur du gradient.
Le gradient est évalué d'après la formule :

dF Fpi − Fref
= (3.18)
dpi pi − piref
Valeur nominale Variation Force d'arrachement dF

( piref ) ( pi ) ( Fpi ) dpi
Rp (mm) 1.9 1.95 619 N -0.2465
W1(°) 5 5.5 784 N 0.00894
Rc (mm) 0.3 0.35 708 N -0.06558
W2(°) 2 3 595 N -0.01483
Pm (mm) 1.2 0.05 882 N 0.28874
Lm (mm) 1.1 0.05 786 N 0.09334
Fmax (kN) 2.03 2.076 734 N -0.01326
Kd(N/m) 690000 700000 726 N -1.4E-07
Force d'arrachement de référence ( Fref ) : 740 N

Tableau 3-5 : Analyse de sensibilité - paramètres évalués et résultats
Ces résultats sont présentés sous forme d'un diagramme de Pareto (Figure 3-24). Ce
diagramme présente la sensibilité relative à chacun des paramètres, dans l'ordre décroissant de
la valeur du gradient (histogramme). Il présente aussi la courbe du cumul de chacun de ces
gradients, exprimée en pourcentage (trait noir).
Ce graphe permet de déterminer les paramètres les plus influents : la profondeur de la

matrice (Pm) et le diamètre du poinçon (Rp). De plus il permet de voir que 2 paramètres sur
les 8 analysés cumulent, à eux deux, 73% de la sensibilité. On retrouve ici la loi empirique de
Pareto (ou du 80/20) qui stipule que 80% des effets sont dus à 20% des causes.
118
0.35 100
90
0.3
80
0.25 70
60
% cumulé
0.2 df/dp
Df/Dp
%cumulé 50
0.15
40
0.1 30
20
0.05
10
0 0
Pm Rp Lm Rc W2 Fmax W1 Kd
p
Figure 3-24 : Analyse de sensibilité - Diagramme de Pareto
Cette analyse permet de déterminer les paramètres les plus influents et donc ceux qu'il est
le plus pertinent d'optimiser. Deux paramètres géométriques sont donc retenus pour la suite de
l’étude d’optimisation : la profondeur de la matrice (Pm) et le diamètre du poinçon (Rp).
4 Optimisation de la tenue mécanique

La mise en place et la validation de la modélisation de l'assemblage et de la tenue
mécanique, ainsi que l'étude de sensibilité permet d'aborder l'optimisation du point
d'assemblage.
L'objectif est d'augmenter la tenue mécanique à l'arrachement dans la direction Z en
modifiant les paramètres du procédé d'assemblage. L'analyse de sensibilité a permis de retenir
les deux paramètres les plus influents sur la tenue mécanique : la profondeur de la matrice
(Pm) et le diamètre du poinçon (Rp).
4.1 Définition du problème d’optimisation - fonction coût

Comme pour la phase de screening, la fonction coût est la force maximum enregistrée
pendant la phase d'arrachement. Cette force est filtrée pour supprimer les variations dues à la
modélisation du contact (filtre gaussien (3.17)).
Le domaine d'optimisation est défini dans le Tableau 3-6.
119
Chapitre 3
Valeur
Plage de
Valeur nominale Optimale
Variation
identifiée
Rp (mm) 1.9 [1.6 2.2] 1.96
W1(°) 5 -
Rc (mm) 0.3 -
W2(°) 2 -
Pm (mm) 1.2 [-0.3 0.6] 0.16
Lm (mm) 1.1 -
Fmax (kN) 2.03 -
Kd(N/m) 690000 -
Tableau 3-6 : Plage de variation des paramètres pour l'optimisation et résultats
L'optimisation est réalisée grâce à la plateforme MOOPI en utilisant la méthode de

minimisation EGO-parallèle. Trois calculs sont réalisés dans la phase d'initialisation de la
base de données, puis 2 calculs sont effectués par itération. L'enrichissement virtuel s'appuie
sur la méthode Kriging Believer.
4.2 Résultats
Les résultats de l'optimisation sont présentés Tableau 3-6, Figure 3-25 et Figure 3-26.
Tout d'abord, nous pouvons noter que la méthode converge rapidement vers une zone où
la force d'arrachement est supérieure à 800N. Cette valeur est obtenue en 4 itérations, soit 8
calculs du modèle direct, en plus des 3 calculs de la phase d'initialisation (Figure 3-25). Les
itérations suivantes présentent ensuite une amélioration de la fonction coût beaucoup plus
lente.
Après 14 itérations, le critère de l'Expected Improvement indique la convergence de la
méthode : la surface de réponse est connue de manière fiable. La solution optimale est
obtenue à la 8ieme itération. Les paramètres optimaux sont présentés Tableau 3-6, et la force
d'arrachement associée est de 840N. L'optimisation des deux paramètres Rp et Pm permet
donc un gain de 13.5% de la tenue mécanique.
120
900
800
700
600
500
F(N)
400
300
200
Fc -−Initialisation
Fc initilsiation
100 Fc − iteration
Fc − min
0
0 5 10 15
Iterations
Figure 3-25 : Convergence de la méthode d'optimisation
La surface de réponse, construite pendant le processus d'optimisation, est présentée Figure

3-26. Cette surface montre que ce problème d'optimisation est relativement simple à résoudre,
il est mono extrema et bien conditionné. Ces observations expliquent la rapidité de la
convergence.
La zone de l'optimum présente une solution pseudo-multi-extrema, mais les variations
observées dans cette zone (1.9<Rp<2 et 0.1<Pm<0.4) sont de l'ordre de grandeur de
l'incertitude liée à la mesure de la force d'arrachement qui est, malgré le filtrage, perturbée par
l'algorithme de contact.
Cette surface de réponse permet de mettre en évidence une plage pour laquelle la tenue
mécanique varie peu et est meilleure que la tenue mécanique de référence (étoile Figure 3-26).
Cette zone permet donc une certaine stabilité de la valeur de la tenue mécanique vis-à-vis des
paramètres du procédé.
121
Chapitre 3
Surface de Reponse
200
400
400
0.5 600
0
60
0.4
800
0.3
0
80
6 00
Pm
0.2 800
600
400
0.1
0
40
0 200
600
400
0
−0.1 200
Maximum detecté
0
−0.2 Config. ref.
Iso−F(N)
1.6 1.8 2 2.2

Rp
Figure 3-26 : Surface de réponse de la force d'arrachement après 30 calculs
L'observation des coupes des points après assemblage (Figure 3-27) permet d'expliquer le
gain obtenu en terme de tenue mécanique. La solution optimisée propose une formation du S
moins prononcée, 0.11 mm contre 0.17 mm pour la configuration de référence. Cette tendance
va pourtant à l'encontre d'une augmentation de la tenue mécanique. En revanche la tenue
mécanique est directement impactée par le taux d'endommagement induit par la phase de pose
dans la zone du collet : la configuration optimisée réduit de 60% à 30% l'endommagement
dans cette zone. Cette réduction d'un facteur 2 explique le gain de tenue mécanique, malgré
l'atténuation du S.
Le rayon du poinçon est légèrement supérieur dans la configuration optimisée par rapport
à la configuration de référence, et pourtant la formation du S est moins prononcée. Cela
provient de la profondeur plus importante de la matrice qui crée un espace d’écoulement de la
matière au cours du clinchage, et diminue ainsi l’endommagement dans la zone du collet.
0.17 0.11
0.18 0.22
(a) référence (b) solution optimisée
Figure 3-27 : Coupe du point assemblage - configuration de référence et optimisée
122
4.3 Impact sur la tenue en cisaillement (Axe X)

L'optimisation a été réalisée en ne prenant en compte que la tenue mécanique suivant l'axe
du poinçon (axe Z), principalement pour conserver l'hypothèse d'axisymétrie et donc pour
limiter le temps de calcul. Mais ce type de point d'assemblage est aussi sollicité en
cisaillement lorsque qu'il est utilisé dans une structure plus complexe. On réalise donc un
calcul de tenue mécanique en cisaillement du point avec la configuration optimisée. Les
objectifs sont de vérifier que le gain de tenue mécanique suivant l'axe Z se traduit bien par un
gain de tenue mécanique en cisaillement, et d'évaluer ce gain.
Tenue mécanique Tenue mécanique

traction (N) cisaillement (N)
Configuration de référence 737 814
Configuration optimisée 840 1193
Gain (%) 13.5% 42.1%
Tableau 3-7 : Gain de tenue mécanique après optimisation du procédé d'assemblage
La tenue mécanique de cisaillement évaluée à partir de la configuration optimisée est de

1158N (Tableau 3-7), ce qui fait un gain de 42.1%. Ce gain important s'explique
principalement par la diminution de l'endommagement obtenue au cours de la pose de
l'assemblage dans la zone du collet (Figure 3-27). Cette zone du collet est la zone qui est
principalement sollicitée pendant le chargement en cisaillement, et il est donc logique que la
diminution de l'endommagement dans cette zone fasse croitre la tenue mécanique. De plus, la
section efficace résistante au cisaillement est augmentée, la couronne de collet passe d'une
largeur de 0.18mm à 0.22mm pour la configuration optimisée. Cette augmentation va aussi
dans le sens d'un accroissement de la tenue mécanique.
5 Conclusion
Dans ce chapitre une procédure d'optimisation de la tenue à l’arrachement d'un point
d'assemblage par clinchage a été présentée. Cette optimisation a été réalisée en faisant varier
certains paramètres géométriques des outils de clinchage. Les points clés de cette procédure
sont :
• La validation de la modélisation du procédé et de la tenue mécanique du point
clinché.
• La mise en place d'un chaînage automatique de ces deux modélisations, en
conservant l'historique thermomécanique du matériau.
• L'étude de sensibilité dans l'objectif de discriminer les paramètres procédé les plus
influents.
• L'optimisation de la tenue mécanique en elle-même.
L'optimisation a mené à un gain de 13.5% sur la tenue mécanique dans la direction Z, gain
obtenu en modifiant les deux paramètres les plus influents : le rayon du poinçon et la
profondeur de la matrice. Cette optimisation réalisée sur la tenue mécanique dans l'axe Z a
permis, de plus, d'augmenter la tenue mécanique du point en cisaillement de 42.1%. Une
123
Chapitre 3
optimisation dédiée à cette sollicitation permettrait certainement d'augmenter encore ce gain,

mais serait très coûteuse en temps de calcul.
Outre l'optimisation du procédé, cette étude a permis de mettre en évidence la capacité de

la plateforme MOOPI à gérer des calculs complexes aussi bien dans un cadre d'analyse de
sensibilité que dans un cadre d'optimisation. La volonté initiale de construire un outil capable
de communiquer avec de multiples logiciels de calcul prend tout son sens ici : l'intégration de
la "boite noire" du calcul de la fonction coût, aussi complexe soit elle (Figure 3-23), est
rendue possible.
La méthodologie présentée ici, appliquée à la technologie du clinchage, est applicable aux

autres procédés d'assemblage par déformation plastique à partir du moment où le modèle
direct est validé et automatisé.
124
Identification de paramètres matériaux par analyse inverse
Chapitre 4
Identification de paramètres matériaux par analyse
inverse
Les chapitres précédents ont permis de mettre en place un outil d'optimisation dédié au
calcul par éléments finis. Cet outil a pour objectif principal d'optimiser la tenue mécanique
des assemblages en tenant compte des phases de pose et de tenue en service, tout en
conservant l'histoire thermomécanique des différents matériaux entre ces deux phases. Pour
réaliser cette optimisation (Figure 4-1), il est important d'avoir une bonne connaissance du
comportement mécanique des matériaux mis en jeu.
Dans ce chapitre, la plateforme développée est utilisée pour l'identification par analyse
inverse des paramètres des lois de comportement retenues. La majeure partie du chapitre sera
consacrée à l'identification des paramètres de la loi d'endommagement de Lemaitre [Lem01]
couplée à la loi de comportement élasto-plastique du matériau. Contrairement à
l’identification de paramètres élastiques ou élasto-plastiques en petites déformations,
l’identification de paramètres d’endommagement en grandes déformations plastiques ne
permet pas l’utilisation de méthodes analytiques à partir d’essais normalisés. Il existe des
méthodes expérimentales, directes (coupes et observations du taux de porosité, tomographie
…) ou indirectes (mesures de module d’Young, de densité, de résistivité électrique …),
permettant d’évaluer l’état d’endommagement dans un matériau au cours de la déformation.
Ces mesures restent cependant très délicates à mettre en place, et la corrélation entre les
observations et les paramètres d’un modèle (phénoménologique dans notre cas) sont
discutables. C’est pourquoi on ne s’intéressera ici qu’à l’approche basée sur l’analyse inverse.
Dans un premier temps, on présentera de manière générale la méthode d'identification de

paramètres rhéologiques par analyse inverse. Puis, la majeure partie de ce chapitre sera
consacrée à l'étude de l'identification des paramètres du modèle d'endommagement de
Lemaitre sur la base d'essais de traction. Une attention particulière sera portée à la
problématique d’unicité de la solution.
125
Chapitre 4
Loi de comportement
Pose de l’assemblage Histoire Tenue mécanique en service
Mécanique
Optimisation
1 Identification de paramètres matériaux par analyse

inverse
La plateforme MOOPI, présentée au Chapitre 2, a pour principale fonctionnalité de
minimiser une fonction coût en jouant sur les variables d'optimisation suivant le schéma
présenté en Figure 4-3. L'identification par analyse inverse peut s'inscrire dans ce cadre de
travail.
1.1 Définition de l'analyse inverse

Afin de définir l'analyse inverse, il est nécessaire de définir la notion de modèle direct. Un
modèle direct est un modèle qui, à des paramètres d'entrée P, associe une réponse, une
observable Obs (Figure 4-2). Par exemple, pour un essai de traction, le modèle direct est le
logiciel de calcul éléments finis. Ce logiciel calcule, à partir des paramètres d'une loi de
comportement (les paramètres d'entrée), la courbe force-déplacement (l'observable)
correspondante.
Observable
Paramètres Logiciel de Force

d'entrée calcul
Figure 4-2: Définition du modèle direct
Le schéma Figure 4-2 peut aussi se formuler sous la forme d'une fonction :
Obs = F ( P ) (4.1)
126
Le modèle direct, noté F, est donc capable d'associer à des paramètres d'entrée P une
observable de sortie Obs.
Dans certain cas, les paramètres d'entrée sont inconnus et seule l'observable de sortie est
connue. On souhaite alors connaitre les paramètres d'entrée qui ont permis la génération de
cette observable. Formellement on souhaite inverser la fonction F (définie en (4.1) ) :
P = F −1 ( Obs ) (4.2)
Cette inversion est impossible à expliciter dans un grand nombre de cas. On cherche alors
à trouver le jeu de paramètres P qui satisfait l'équation (4.3)
F ( P ) − Obs = 0 (4.3)
La résolution de cette équation se fait de manière approchée par minimisation de la

fonction coût, fC(P), définie de la manière suivante :
fc ( P ) = F ( P ) − Obs (4.4)
L'inversion du problème direct (équation(4.2)) est donc approchée par la résolution du

problème de minimisation :
Trouver Pɶ tel que min

ɶ
fc Pɶ
P∈ X
( ( )) (4.5)
où X désigne l’espace de recherche des paramètres P.
La résolution de ce problème de minimisation permet donc de trouver les paramètres P qui

permettent de générer, au mieux, l'observable Obs.
Si cette observable est issue de données expérimentales, la résolution du problème inverse

permet de trouver les paramètres du modèle direct, qui reproduisent au mieux le
comportement expérimental et donc ainsi d’identifier les paramètres d’une loi de
comportement.
Remarques :
o La précision de cette identification est fortement liée à la précision du modèle

direct. Ainsi, la précision du calcul éléments finis (maillage, conditions aux
limites, convergence …) est primordiale. De même, une loi de comportement mal
adaptée peut empêcher de reproduire correctement l’observable expérimentale.
C'est le cas par exemple lorsque l'on utilise une loi de comportement isotrope alors
que le matériau a un comportement anisotrope. Enfin, il est bien entendu
indispensable que la simulation du modèle direct soit, en tout point, représentative
de l’essai expérimental réalisé pour cette identification.
o Il est important d’étudier la corrélation entre les paramètres à identifier. Deux

paramètres trop fortement corrélés auront une influence identique sur l’observable.
Il sera alors plus difficile de les identifier de manière unique.
127
Chapitre 4
o La « richesse » de l’observable et sa représentativité par rapport aux paramètres

que l’on souhaite identifier sont également des paramètres importants à considérer.
Comme nous le verrons par la suite, l’utilisation d’une seule observable globale
(courbe force-déplacement par exemple) peut conduire à une non unicité de la
solution ; surtout lorsque plusieurs paramètres doivent être identifiés. Ainsi,
l’utilisation de plusieurs observables, ou encore d’observables locales, directement
impactées par les paramètres que l’on souhaite identifier, donne souvent de
meilleurs résultats.
1.2 Intégration dans la plateforme MOOPI

L'analyse inverse, telle qu'elle est définie précédemment, peut se voir comme la
minimisation d'une fonction coût spécifique (équation(4.4)). Cette minimisation est gérée par
la plateforme MOOPI. Pour cela, la définition d'une boîte noire spécifique est nécessaire. Le
schéma de communication général est rappelé en Figure 4-3.
MOOPI
Jeu de paramètres
à évaluer
Fonction coût
Logiciel de calcul
"Boîte Noire"
Cette "boîte noire" est décrite en Figure 4-4. La fonction coût est construite par
comparaison de deux observables, l'une numérique issue du modèle direct, l'autre
expérimentale.
Boîte noire
Observable
expérimentale
Observable numérique
Paramètres Modèle Déformations
modèle Contraintes Fonction Coût
Direct Courbe force/déplacement
…
Figure 4-4 : Définition de la "boîte noire" pour l'analyse inverse
128
La nature des observables, ainsi que la construction de la fonction coût seront détaillées
ultérieurement.
2 Le modèle direct
2.1 Définition du modèle direct

La description du modèle élasto-plastique endommageable au chapitre 3 permet de définir
le modèle direct à intégrer dans le processus d'identification par analyse inverse (Figure 4-2).
Le Tableau 4-1 recense l'ensemble des paramètres du modèle de comportement décrit au
chapitre 3 - paragraphe 1.
Paramètres Dénomination Modèle

E Module d'Young Loi d'élasticité (3.3)
ν Coefficient de Poisson Loi d'élasticité (3.3)
σy Seuil d'écrouissage Ecrouissage isotrope (3.5)
K Consistance Ecrouissage isotrope (3.5)
n Exposant d'écrouissage Ecrouissage isotrope (3.5)
b Paramètre matériau de la loi Loi d'évolution de
d'évolution de l'endommagement(3.8)
l'endommagement
S0 Paramètre matériau de la loi Loi d'évolution de
d'évolution de l'endommagement (3.8)
l'endommagement
wc Endommagement critique Loi d'évolution de
l'endommagement (3.8)
εd Seuil d'amorçage de Loi d'évolution de
l'endommagement l'endommagement (3.8)
lc Longueur critique Régularisation de
l'endommagement (3.13)
h Coefficient de refermeture de Régularisation de
porosités en compression l'endommagement en
compression (3.8)
Tableau 4-1 : Paramètres d'entrée du modèle direct - modélisation élasto-plastique
endommageable
Les observables disponibles sont nombreuses. L’observable la plus couramment

utilisée est la courbe force-déplacement, mais on peut également citer certaines
observables locales telles que les champs de déplacement et de déformation.
Il est aussi important de bien différencier une grandeur observable, d'une grandeur pilote
de la simulation. Par exemple lors d'un essai de traction piloté en déplacement, le déplacement
est la grandeur pilote et la force une grandeur observable. Inversement lors d'un essai de
129
Chapitre 4
fluage à force constante, la force est la grandeur pilote et le déplacement la grandeur

observable.
2.2 Hypothèses relatives aux aspects numériques de la résolution du

modèle
Comme nous l’avons vu au chapitre 3, suivant le type de couplage ou l’aspect non local du
modèle d’endommagement utilisé, le modèle direct peut souffrir d’une certaine dépendance
au pas de temps ou à la taille de maille.
Dans le cadre de ce travail et pour s'affranchir de ces dépendances numériques,
l'identification des paramètres matériaux est réalisée dans des conditions numériques fixes, et
comparables à celles qui sont utilisées pour les simulations des procédés d’assemblage.
Pour la suite du chapitre on travaillera donc avec la discrétisation suivante :

• pas de temps : 0.1 seconde, vitesse de traction 1 mm /s
• taille de maille : 0.5 mm dans la zone centrale de l'éprouvette (Figure 4-14)
La spécification de chacun des paramètres du Tableau 4-1, ainsi que des paramètres
numériques, permet de définir le modèle direct.
3 Identification à partir d’observables globales

Dans ce chapitre, l'identification par analyse inverse est réalisée sur la base d'observables
globales. Une observable globale est définie comme une grandeur macroscopique mesurable,
par exemple la force lors d'un essai de traction. Elle s'oppose à des observables locales, telles
qu'une déformation mesurée par une jauge de déformation, ou par des méthodes optiques de
mesure de champs. Ces types d'observables seront traités dans le chapitre suivant : le Chapitre
5.
Avant d'exploiter des informations très riches issues de méthodes de mesure avancées, on
souhaite exploiter les informations disponibles avec un essai de traction classique. Ce type
d'essai est relativement simple à mettre en place, et est très répandu dans le domaine
industriel. Cette première approche permettra de plus de bien expliciter le module d’analyse
inverse, et de montrer comment la fonction coût peut être exploitée pour mettre en évidence la
présence de minima locaux.
3.1 Essai de traction – Mesure de l’observable

force/déplacement
Les essais de traction simple sont réalisés sur des machines classiques de traction. Le
CEMEF dispose d'une machine de traction-compression hydropneumatique Dartec® d'une
capacité de 30 Tonnes. La force est mesurée par une cellule d'une capacité de 50KN.
L'allongement de l'éprouvette est mesuré soit par le déplacement de la traverse, soit par un
extensomètre situé sur la zone utile de l'éprouvette. Cette dernière solution est bien entendu
plus précise mais peut poser problème lorsque l’on réalise des essais avec de grandes
130
déformations plastiques jusqu’à la rupture de l’éprouvette. Le déplacement peut également

être mesuré par mesure optique comme nous le verrons dans le chapitre suivant.
Ces moyens d'essai permettent d'obtenir une courbe force/déplacement de l'essai de

traction jusqu'à la rupture de l'éprouvette. Cette courbe constitue l'observable expérimentale.
3.2 Construction d’une fonction coût adaptée au problème

d’adoucissement/rupture
3.2.1 Normalisation de la fonction coût

A ce stade du processus d'identification, on dispose de l'observable numérique, générée
par le modèle direct, et d'une observable expérimentale, issue de l'essai de traction. La
construction de la fonction coût consiste à évaluer l'écart, au sens des moindres carrés, entre
ces deux observables.
La forme la plus commune de cette fonction est issue de la norme L2 :
( )
n
fc ( P ) = ∑ Obsinum ( P ) − Obsiexp
2
(4.6)
i =1
où n est le nombre de points de mesure, Obsinum et Obsiexp sont respectivement les valeurs
des mesures des observables numériques et expérimentales, et P le jeu de paramètres testé.
Cette formulation est très largement utilisée dans la résolution de problèmes inverses ; elle
est par exemple utilisée par Springmann et Kuna [Spr03] pour identifier les paramètres du
modèle d'endommagement de Rousselier.
La formulation brute (4.6) renvoie une valeur de fonction dépendante de l'ordre de

grandeur de l'observable. Une formulation permettant de normaliser la valeur de la fonction
coût prend la forme suivante :
∑ ( Obs ( P ) − Obs )
n 2
num exp
i i
fc ( P ) = i =1
(4.7)
∑ ( Obs )
n
exp 2
i
i =1
Cette formulation adimensionnelle est présente dans les travaux de Harth et al. [Har04].
Cette formulation permet notamment à Hart de construire une fonction sur la base de
plusieurs observables issues de différents essais en réalisant directement une somme de ses
fonctions coût.
La formulation normalisée sous la forme (4.7) a cependant un inconvénient. Lorsque

l'observable numérique tend vers 0, la valeur de la fonction coût tend vers 1 (Figure 4-5, trait
plein bleu). Cette limite peut être source de problème pour la méthode d'optimisation : toute
une plage de paramètres peut mener à une valeur de fonction coût égale à 1 et donc ralentir la
convergence de la méthode.
Pour résoudre ce problème on propose donc une formulation légèrement différente :
131
Chapitre 4
∑ ( Obs ( P ) − Obs )
n 2
num exp
i i
fc ( P ) =
i =1
(4.8)
 n 2
( ) ( )
2 n
min  ∑ Obsi exp
, ∑ Obsi ( P ) 
num
 i =1 i =1 
Cette formulation permet de ne plus avoir une limite finie de la fonction coût lorsque
l'observable numérique tend vers 0 (Figure 4-5, trait pointillé vert).
fc
Obsnum
Obsexp
Figure 4-5 : Fonction coût normalisée - illustration du cas où Obsnum tend vers 0, trait plein bleu
formulation (4.7), trait pointillé vert formulation (4.8)
3.2.2 Prise en compte de la fréquence d'échantillonnage des mesures

La formulation proposée en (4.8) donne un poids identique à chaque point de mesure de
l'observable. Les zones avec un échantillonnage fort auront donc un poids plus fort dans le
calcul de la fonction coût. La minimisation de celle-ci aura donc tendance à privilégier la
minimisation de l'écart dans ces zones. Pour rendre la fonction coût indépendante du taux
d'échantillonnage on propose une formulation inspirée de la norme L2 au sens des intégrales :
∫ ( Obs ( P, x ) − Obs ( x ) )
2
num exp
dx
fc ( P ) = x
(4.9)
 
( ) (
min  ∫ Obs exp ( x ) dx, ∫ Obs num ( P, x ) dx  )
2 2
x x 
Cette forme, une fois discrétisée (équation(4.10)) fait apparaitre le pas

d'échantillonnage ∆xi .
132

( )
n
∑ Obsinum ( P ) − Obsiexp ∆xi

2

 fc ( P ) = i =1
 
( ) ( )
n n
 (4.10)
∑ ∑ ( )
2 2
 min  Obsi
exp
∆xi , Obsi
num
P ∆xi 
  i =1 i =1 
∆xi = xi − xi −1
Cette formulation permet d'exploiter des observables issues d'une résolution éléments finis
à pas de temps variable, et des observables expérimentales issues de capteurs à taux
d’échantillonnage variable.
On pourra par la suite ajouter une fonction ω ( xi ) de pondération si l'on souhaite donner
un poids plus important à une partie de l'observable. La fonction coût utilisée dans la suite de
ce chapitre prend donc la forme suivante :

( )
n
ω ( xi ) . Obsinum ( P ) − Obsiexp  ∆xi
2
 ∑  
 fc ( P ) = i =1
 n 
( ) ( )
n
 (4.11)
∑ ( ) exp 2
i ∑ ω ( xi ) .Obsi ( P ) ∆xi 
2
 min ω x i .Obs i ∆x , num
  i =1 i =1 
∆xi = xi − xi −1
La fonction coût présentée ci-dessus (4.11) fait l'hypothèse que les mesures des
observables sont coïncidentes, c'est-à-dire que pour une courbe force/déplacement chaque
mesure de force Fi, expérimentale et numérique, est réalisée pour un même déplacement di.
Or, dans la plupart des cas, cette hypothèse n'est pas vérifiée. Pour obtenir ces points
coïncidents, une interpolation linéaire de l'observable expérimentale est réalisée.
3.2.3 Adaptation au phénomène d'adoucissement et de rupture
a) Problématique
La Figure 4-6 présente, schématiquement, les observables expérimentale et numérique
d'un essai de traction. Le calcul de la fonction coût dans la zone 1 (Figure 4-6) ne pose pas de
problème particulier. En revanche, le calcul de la fonction coût dans la zone 2 (Figure 4-6) est
plus délicat. Proche de la zone de rupture, pour un déplacement donné, l'une des deux
observables n'est plus disponible. C'est-à-dire que la rupture a eu lieu pour deux allongements
différents. Cette zone est pourtant une zone primordiale pour l'identification des paramètres
de la loi d'endommagement ; il est donc nécessaire de bien évaluer l'écart entre les deux
observables dans cette zone.
133
Chapitre 4
F Obsexp
Obsnum
Zone 1 Zone 2
Figure 4-6 : Description schématique des observables force/déplacement numérique et

expérimentale pour un essai de traction
Afin d'illustrer les différentes évolutions du calcul de la fonction coût, on considère les
paramètres élasto-plastiques connus, et on trace la surface de réponse de la fonction coût
suivant deux paramètres du modèle d’endommagement : S0 et ε d . La fonction coût est
évaluée sur la base d'une observable expérimentale virtuelle, c'est-à-dire issue directement du
modèle direct pour un jeu de paramètres donné (ce jeu de paramètres étant censé représenter
la solution optimale de l’analyse inverse). Ce type de test sera présenté plus en détail dans la
partie 3.3 de ce même chapitre. Les plages de recherche des paramètres sont normalisées pour
varier entre -1 et 1. Les paramètres optimaux sont situés au centre du domaine en (0,0), le
domaine est représenté dans l'échelle réduite [-1,1].
b) Première solution
La première solution envisagée est de calculer la fonction coût sur la fenêtre où les deux
observables sont disponibles, c'est-à-dire la zone 1 de la Figure 4-6. La surface de réponse
obtenue est présentée Figure 4-7.
134
Fonction coût V1
0.03
0.02
Fc
0.01
0
1
−1
0 0
−1 1 Epsd*
S0*
Figure 4-7 : Fonction coût version 1 - Surface de réponse
Cette surface de réponse présente trois problèmes :
• Pour des valeurs de S0* faibles c'est-à-dire proche de -1, la fonction coût décroît
vers un autre minimum que celui situé au centre du domaine. Cette zone est
représentative d'un cas pathologique de cette méthode de calcul (Figure 4-8). Si la
rupture est très rapide, que la phase d'adoucissement est quasi inexistante, le calcul
de la fonction coût est réalisé uniquement sur la première partie de la courbe. Dans
cette partie les deux observables sont très proches (on considère ici que les
paramètres élasto-plastiques sont connus). Un écart apparaît uniquement lors de la
rupture, mais cet écart à un impact très faible dans le calcul de la fonction coût. En
effet, en plus d'être très bref, cet écart est pondéré par un pas d'échantillonnage
∆x (4.11) très faible.
135
Chapitre 4
F Obsexp
Obsnum
Rupture
Zone de calcul de Fc
Figure 4-8 : Description schématique des observables force/déplacement - cas d'une phase
d'adoucissement quasi inexistante
• Pour des valeurs de ε d * fortes, la fonction coût reste constante lorsque S0* varie.
Cette zone correspond à un autre cas pathologique (illustré Figure 4-9). Les deux
observables numériques, représentées Figure 4-9, ont un allongement à la rupture
différent, mais cette différence se situe hors de la zone de calcul de la fonction
coût, les valeurs des fonctions coût associées à ces deux observables numériques
sont donc identiques. Cela explique l'apparition d’une zone où la fonction coût est
constante sur la surface de réponse Figure 4-7.
F Obsexp
Obsnum1 Dernier point pour calcul
Obsnum2
Zone de calcul de Fc
Figure 4-9 : Description schématique des observables force/déplacement - cas d'un

allongement à rupture numérique grand
136
• La surface de réponse est bruitée. Ce bruit est bien visible dans la zone où S0* est
grand. Ce bruit est principalement du à la position du dernier point de l'observable
numérique utilisé pour le calcul de la fonction coût (4.11). Ce problème est illustré
Figure 4-9. Si le point repéré par le cercle rouge est utilisé ou non pour le calcul de
la fonction coût (suivant son abscisse di) la valeur de celle-ci sera légèrement
perturbée, ce qui aboutit à une réponse bruitée.
Cette première approche n'est pas acceptable ; les trois problèmes soulevés ici rendent très
difficile la résolution du problème de minimisation.
c) Adaptation de la fonction coût au problème d'adoucissement-rupture

Pour résoudre les trois difficultés évoquées précédemment, on complète les deux
observables avec des points supplémentaires. Lorsque l'observable n'est plus disponible, elle
est complétée par n mesures valant zéro, réparties entre la dernière mesure disponible et une
valeur dmax définie en fonction de l'essai réalisé (Figure 4-10). Le calcul de la fonction coût est
alors réalisé sur la plage allant de zéro à dmax.
F Obsexp
Obsnum
∆F
Points de mesure
ajoutés
d
dmax
Figure 4-10 : Description schématique des observables force/déplacement - observables

complétées par n points supplémentaires jusqu’au déplacement dmax
Compléter les mesures permet de résoudre les 3 problèmes observés sur la Figure 4-7. En
effet, aucune des trois pathologies n'est visible sur la surface de réponse obtenue en
complétant les mesures, Figure 4-11.
137
Chapitre 4
Fonction coût V2
0.6
0.4
Fc
0.2
0
1
−1
0 0
−1 1 Epsd*
S0*
La fonction coût, calculée en complétant les mesures par des points de mesure de force
nulle, prend des valeurs très importantes si l'on s'éloigne de la solution optimale. En effet, on
ajoute des termes de l'ordre de ∆F 2 (Figure 4-10) dans la fonction coût. Une forte différence
de gradient apparaît sur la surface de réponse (Figure 4-11), forte différence qui induit un
problème mal conditionné. Ce qui pénalise le processus de minimisation.
Pour limiter ce phénomène on propose de compléter les mesures par des points, non plus
de force nulle, mais de la valeur du dernier point de mesure de l'observable expérimentale Ffin
(Figure 4-12). Cette dernière modification permet d'aboutir à une surface de réponse (Figure
4-13) avec des différences de gradient plus faibles, et donc plus simple à exploiter par la
procédure de minimisation.
F Obsexp
Obsnum
Ffin
Points de mesure
ajoutés
Figure 4-12 : Description schématique des observables force/déplacement - observables

complétées par Ffin
138
Fonction coût V3
0.6
0.4
Fc
0.2
0
1
−1
0 0
−1 1 Epsd*
S0*
La construction de cette fonction adaptée au problème d'adoucissement-rupture permet de

bien évaluer les différentes solutions testées lors du processus de minimisation. Le calcul de
la fonction coût est une étape primordiale pour la réussite et la précision du processus
d’identification : la fonction coût est le seul point de communication entre le modèle direct et
la méthode de minimisation.
La formulation proposée (4.11) ainsi que la méthode de gestion de la zone de rupture
décrite ci-dessus permettent de bien atteindre cet objectif.
3.3 Etude de sensibilité par rapport aux paramètres du

modèle
On propose tout d'abord de réaliser une analyse de sensibilité de la fonction coût par
rapport aux paramètres du modèle. L'objectif est d'analyser l'impact de chacun des paramètres
sur la valeur de la fonction et ainsi de pouvoir caractériser le problème d'identification par
analyse inverse. Pour pouvoir par la suite le résoudre de manière efficace.
3.3.1 Méthodologie
Afin de réaliser cette étude de sensibilité, on travaille sur la base d'un essai virtuel. C'est-à-
dire que l'observable numérique est générée par une exécution du modèle direct avec un jeu
de paramètres matériau donné, qui sera donc le jeu de paramètres à identifier. Travailler avec
une observable virtuelle permet d’une part de connaître la solution du problème
d'identification et donc d'analyser l'efficacité de la méthode. Cela permet d’autre part de
s'affranchir des incertitudes expérimentales et numériques, puisque les deux observables sont
générées dans les mêmes conditions, en terme de paramètres numériques. Cela permet enfin
d’utiliser le même maillage et le même pas de temps pour s'affranchir d'éventuelles
dépendances numériques et ainsi se concentrer sur la méthode d'identification par analyse
inverse.
139
Chapitre 4
Paramètres Jeu 1
E 69000 MPa
ν 0.3
σy 46 MPa
K 430MPa
n 0.34
b 1
S0 0.7 MPa
wc 0.8
εd 0.16
lc 0.06 mm
h 0.2
Tableau 4-2 : Jeu de paramètres de référence pour la génération d'un essai virtuel
L'essai de traction modélisé est un essai normalisé (éprouvette de traction prismatique NF

EN 10002-1), les dimensions sont données Figure 4-14.a, l’épaisseur est de 1mm.
On réalise un calcul éléments finis en considérant les paramètres matériau détaillés dans le
Tableau 4-2, Jeu 1.
205
105
76
25
12.5
R=20
(a)
Capteurs de déplacement
utilisés pour mesurer l'allongement
(b)
Figure 4-14 : Eprouvette de traction normalisée pour produit plat - (a) dimensions (mm) - (b)
maillage éléments finis
Pour ce test, un quart de l'éprouvette est modélisé, un maillage fin dans la zone de
localisation de l'endommagement est utilisé (Figure 4-14b). La courbe force/déplacement
ainsi obtenue est tracée Figure 4-15. Le déplacement est mesuré à l'aide de deux capteurs de
140
déplacement (Figure 4-14b), capteurs qui permettent de recréer une mesure d'allongement
comparable à une mesure expérimentale par un extensomètre. L'allongement est mesuré sur le
centre de la zone utile et sa longueur initiale est de 50mm.
3000
2500
F(N) 2000
1500
1000
500
0
0 2 4 6 8 10 12
d(mm)
Figure 4-15 : Courbe force/déplacement - observable virtuelle générée à partir du jeu de

paramètres 1 (Tableau 4-2)
3.3.2 Analyse de sensibilité par surface de réponse

Un ensemble de calculs est réalisé dans le but de faire une analyse de sensibilité par
rapport aux paramètres du modèle d'endommagement. On propose ici une analyse de
sensibilité par surface de réponse, c'est-à-dire que l'on réalise un « mappage » régulier d'une
zone de l'espace des paramètres, zone située autour du jeu de paramètres optimum. Pour
chaque surface de réponse, 121 calculs sont lancés suivant une grille régulière de 11x11. Pour
chacune de ces surfaces, seuls deux paramètres varient. Cette méthode est dite globale, en
opposition aux méthodes locales de calcul des matrices de sensibilité, méthodes qui ont été
très largement exploitées dans les travaux de thèse de R. Forestier [For04]. La construction de
ces surfaces de réponse est très coûteuse en temps de calcul, mais elle apporte une
information très riche concernant la sensibilité de l’observable par rapport aux paramètres.
Les surfaces présentées ici se concentrent sur les paramètres du modèle
d'endommagement, et l'on fait donc l'hypothèse que les paramètres élasto-plastiques sont
parfaitement connus.
Les surfaces de réponse ainsi obtenues sont présentées Figure 4-16 à Figure 4-21.
141
Chapitre 4
Déplacement / Force
2.2 1.8
0.18
0.07
2 0.16
1.6
0.14 0.06
1.8
0.12 0.05
1.6 1.4
0.1
b
b
0.04
1.4 0.08 1.2
0.03
1.2 0.06
0.04 1 0.02
1
0.02 0.01
0.8 0.8
1 2 3 0.4 0.6 0.8 1
S0 S0
Figure 4-16 : Surface de réponse - observable : Figure 4-17 : Surface de réponse - observable :
force – paramètres étudiés : b/S0 force – paramètres étudiés : b/S0- détail
Déplacement / Force Déplacement / Force
2.2 0.1 6
0.09 0.08
2
5
0.08 0.07
1.8
0.07 0.06
4
1.6 0.06 0.05
b
b
0.05
1.4 3 0.04
0.04
0.03
1.2 0.03
2 0.02
0.02
1
0.01 0.01
0.8 1
0 0.1 0.2 0 0.05 0.1 0.15 0.2
Epsd Epsd
force – paramètres étudiés : b/ ε d force – paramètres étudiés : b/ ε d - plage élargie
du paramètre b
142
Déplacement / Force
3 1.2
0.16 0.12
2.5 0.14
1 0.1
0.12
2 0.08
0.1 0.8
S0
S0
1.5 0.08 0.06
0.6
1 0.06 0.04
0.04 0.4
0.5 0.02
0.02
0.2 0
0 0.1 0.2 0.12 0.14 0.16 0.18 0.2
Epsd Epsd
force – paramètres étudiés : S0/
εd εd
force – paramètres étudiés : S0/ - détail
• Figure 4-16, Figure 4-17 : le paramètre S0 présente une forte sensibilité sur ces
différentes surfaces de réponse. La valeur optimum de S0 est facilement détectable
pour une valeur du paramètre b donnée. En revanche, le paramètre b a une
sensibilité très faible sur la fonction coût, cette sensibilité est cependant visible sur
la Figure 4-17 où le domaine d'étude est réduit autour du jeu de paramètres
optimum. Cette surface ne montre pas de couplage important entre les paramètres
b et S0 dans la zone de l'optimum.
• Figure 4-18, Figure 4-19 : cette surface de réponse présente une forte sensibilité
par rapport au paramètre ε d lorsque b est faible (b<1.5). Dans cette même zone, la
sensibilité par rapport au paramètre b est faible. La surface de réponse Figure 4-19,
où la plage de variation de b a été agrandie, fait apparaître un minimum local
(b=2.5, ε d =0.14). La sensibilité autour de ce minimum local est relativement
faible. Deux séries de calculs supplémentaires ont été réalisées pour analyser ce
minimum local. La Figure 4-22 présente l'évolution de la fonction coût en fonction
de b, pour deux valeurs de ε d . Ces deux cas sont matérialisés par les traits
pointillés sur la Figure 4-18 et la Figure 4-19. Les deux minima apparaissent. La
valeur de la fonction coût relative à ce minimum local est plus élevée que celle
relative au minimum global mais l'écart est faible.
143
Chapitre 4
0.04
Fc Fc
0.035
Epsd=0.16
0.03
Epsd=0.14
0.025
0.02
0.015
0.01
0.005
bb
0
0.5 1 1.5 2 2.5 3
Figure 4-22 : Evolution de la fonction coût en fonction de b pour deux valeurs de εd données
• Figure 4-20, Figure 4-21 : la surface de réponse présente une sensibilité forte par
rapport aux paramètres S0 et ε d . Sur les deux figures, des minima locaux
apparaissent mais ils sont le fruit du tracé des iso-valeurs de la fonction coût (voir
remarque suivante). La zone de l'optimum, la vallée, est de forme courbe, et ne
semble pas particulièrement orientée suivant un axe principal. L'identification
couplée de ces deux paramètres est donc obligatoire lorsque l’on utilise la seule
observable courbe Force/Déplacement.
Remarque relative au tracé des iso-valeurs : les iso-valeurs de la fonction coût sont tracées
sur la base d'une grille régulière et en utilisant une interpolation linéaire. Les minima locaux
qui apparaissent sur les Figure 4-20 et Figure 4-21 sont le fruit de ce tracé et ne sont pas
représentatifs de multiples extrema.
Cette analyse de sensibilité globale permet de mieux comprendre la variation de

l’observable vis-à-vis de l’espace de recherche lors d'un processus d'identification par analyse
inverse. Elle fait apparaître le caractère multi-extrema, et mal conditionné du problème de
minimisation : le gradient présente une forte anisotropie. L'utilisation d’une méthode
d'optimisation globale d'ordre 0 se justifie donc. Les méthodes d'ordre zéro sont bien adaptées
aux problèmes multi-extrema, et sont peu sensibles aux problèmes mal conditionnés. La
vitesse de convergence des méthodes d'ordre 1 ou 2 peut être fortement ralentie sur des
problèmes mal conditionnés, par exemple sur des problèmes se rapprochant de la fonction de
Rosenbrock présentés au chapitre 2.
Lors de l'identification des paramètres du modèle de Lemaitre, il est couramment fait

l'hypothèse forte que b prend une valeur fixe ; b étant alors exclu des paramètres à identifier.
Cette hypothèse provient de la faible sensibilité de l'observable force-déplacement vis-à-vis
du paramètre b (Figure 4-18). Dans les travaux de S. Fayolle [Fay08], b est fixé à 1 pour les
alliages d'aluminium et 2 pour les aciers ductiles. Mashayekhi et al. [Mas06] fixent b à 1 pour
un acier A533. Cependant, la Figure 4-19 montre l'existence d'une solution convenable
(valeur de fonction coût inférieure à 1%) pour (b=2.5, ε d =0.14). Cette valeur de b est bien
différente de la valeur initiale utilisée dans le jeu de paramètres 1 du Tableau 4-2. Le fait de
144
fixer ainsi la valeur du paramètre b est une hypothèse forte qui est généralement faite pour
simplifier le problème d'identification. Une telle hypothèse peut cependant fausser les
résultats en manquant un autre jeu de paramètres valable pour une valeur de b différente.
Toute cette problématique vient du fait que l’on essaie d’identifier trois paramètres
d’endommagement sur la base d’une seule observable, globale qui plus est. L’unicité de la
solution n’est alors pas garantie, et il est parfois nécessaire de fixer l’un des paramètres pour
permettre à l’algorithme de minimisation de converger vers un seul minimum. Une autre
solution, plus physique, consisterait à augmenter le nombre d’observables pour enrichir le
problème de minimisation.
3.3.3 Identification virtuelle

L'analyse globale de sensibilité nous a permis de matérialiser l'évolution de la fonction
coût sur l'ensemble du domaine de recherche. La prochaine étape, proposée ici, est de réaliser
une identification des paramètres matériaux. On parlera ici d’identification « virtuelle » car
l'observable expérimentale utilisée comme référence est, en réalité, issue d'un essai
numérique. Cette observable est présentée Figure 4-23. Pour ce premier test, on fait
l'hypothèse que les paramètres élasto-plastiques sont connus. Les courbes force/déplacement
coïncident donc parfaitement lorsque le processus d'endommagement n'est pas encore
déclenché (Figure 4-23).
3500
3000
2500
2000
F(N)
1500
1000
500 EP
EP + Endommagement
0
0 2 4 6 8 10 12
d(mm)
Figure 4-23 : Observable expérimentale virtuelle issue du modèle direct élasto-plastique

endommageable (courbe noire) - observable identique sans comportement couplé à
l'endommagement (courbe bleue)
145
Chapitre 4
Une première identification est menée en ne considérant que deux paramètres à identifier :
ε d et S0. Les autres paramètres du modèle direct sont fixés à leur valeur nominale définie
Tableau 4-2 et rappelée Tableau 4-3. Dans ce même Tableau 4-3, les bornes de recherche des
paramètres à identifier sont définies. L'identification est réalisée grâce à la plateforme MOOPI
en utilisant la méthode de minimisation EGO-p. 10 calculs sont réalisés dans la phase
d'initialisation de la base de données, puis 2 calculs sont réalisés par itération.
L'enrichissement virtuel s'appuie sur la méthode Kriging Believer, décrite au Chapitre 2,
Paragraphe 4.3.
Paramètres Valeur Nominale Plage de recherche Paramètres Erreur (%)

(V.N.) identifiés (4.12)
σy 46 MPa Fixé à V.N. - -
K 430MPa Fixé à V.N. - -
n 0.34 Fixé à V.N. - -
b 1 Fixé à V.N. - -
S0 0.7 MPa [0.1 - 3] 0.638 2.1%
εd 0.16 [0.04 - 0.20] 0.163 1.8%
Tableau 4-3 : Bornes de recherche pour identification virtuelle et résultats - 2 paramètres
La solution est obtenue après 6 itérations de la méthode de minimisation (10 itérations

sont cependant réalisées pour consolider le résultat). Les paramètres obtenus sont présentés
dans le Tableau 4-3. L'erreur est calculée suivant la formule suivante :
PiVN − Pi Id
err ( Pi ) = 100 (4.12)
taille domaine ( Pi )
où PiVN et Pi Id sont respectivement les valeurs nominale et identifiée du paramètre i et
taille domaine ( Pi ) représente la taille de la plage de recherche du paramètre i.
La convergence de la méthode de minimisation est présentée en Figure 4-24. La solution

optimale correspond à une valeur de fonction coût de 0.22%. La courbe force/déplacement
associée (Figure 4-25) montre une bonne corrélation entre l'observable expérimentale
« virtuelle » et l'observable numérique identifiée. La surface de réponse par krigeage associée
à la minimisation est présentée en Figure 4-26. Sur cette figure, on retrouve bien la forme de
la fonction coût tracée lors de l'étude de sensibilité globale (Figure 4-20). Enfin, l'erreur faible
obtenue sur les paramètres identifiés permet de conclure que la méthode, pour 2 paramètres,
est bien capable d’identifier les paramètres nominaux qui ont permis la génération de
l'observable virtuelle.
146
−1
10
Fc − initialisation
Fc − iteration
Fc − min
−2
Fc
10
−3
10
0 2 4 6 8 10
Iterations
Figure 4-24 : Convergence - identification virtuelle pour deux paramètres
Remarque relative à la lecture du graphique de convergence Figure 4-24 : sur ce graphe

chaque calcul de la fonction coût apparait sous forme d'un point bleu, l'abscisse correspond au
numéro de l'itération, l'ordonnée à la valeur de la fonction coût. Pour des raisons de tracé les
points d'une même itération apparaissent pour des nombres d'itération non entiers (par
exemple les points d'abscisse 7 et 7.5 ont tous deux été évalués lors de la septième itération).
3000 3000
2900
2500
2800
2000
F(N)
F(N)
2700
1500
2600
1000
2500
Observable identifiée Observable identifiée
Observable experimentale Observable experimentale
500 2400
0 2 4 6 8 10 12 4 6 8 10 12
d(mm) d(mm)
(a) (b)
Figure 4-25 : Courbes force-déplacement expérimentale et identifiée - identification virtuelle

pour deux paramètres, (a) courbe complète, (b) détail
147
Chapitre 4
Surface de Reponse
3
"Vrais" minimum
0.075
Minimum detecté
0.
2.5
07
Iso−fc
5
2 0.0
7 5
5
S0
1.5 0.0 0.05
0.0
1 5
0.
0.05 01
0.5 0.0
0.07 5
5
0.05 0.1 0.15

Epsd
Figure 4-26 : Surface de réponse εd et S0 - identification virtuelle pour deux paramètres
3.3.4 Unicité de la solution
a) Identification à valeur de b fixée

Comme l’a montré l'analyse par surface de réponse menée précédemment, le problème de
minimisation est multi-extrema. Un extremum local apparaît lorsque b prend une valeur
proche de 2.5 (Figure 4-19). On propose donc, dans un premier temps, de fixer ce paramètre b
à la valeur de 2.5 puis de réaliser une identification virtuelle des paramètres ε d et S0
(semblable à l'identification menée précédemment Tableau 4-3).
Les valeurs des paramètres, ainsi que la plage de recherche restent inchangées. Seul b est
fixé à 2.5, sa valeur nominale étant 1. Les résultats et l'ensemble des paramètres sont
présentés dans le Tableau 4-4.

n 0.34 Fixé à V.N. - -
b 1 Fixé à 2.5 - -
S0 0.7 MPa [0.1 3] 0.69 0.3%
εd 0.16 [0.04 0.20] 0.148 7.3%
Tableau 4-4 : Bornes de recherche pour identification virtuelle et résultats - paramètre b fixé à
2.5
La courbe force/déplacement identifiée est présentée Figure 4-27 ; la fonction coût

associée est de 0.31%. La solution obtenue est donc très convenable (Figure 4-27a), même si
la courbe force/déplacement identifiée présente une légère différence pour un déplacement de
9mm (Figure 4-27b). Cet exemple permet d’illustrer le fait que plusieurs solutions
148
« convenables » peuvent parfois être obtenues pour ce type de problèmes d’identification. Cet
extremum supplémentaire, identifié ici, apparaît sur la surface de réponse de la Figure 4-28.
Les paramètres ε d et S0 identifiés (Tableau 4-4) sont bien en accord avec l'analyse par surface
de réponse. Pour une valeur de S0 donnée, la valeur de b a très peu d'influence sur la fonction
coût (Figure 4-16, Figure 4-17), il est donc normal que la valeur de S0 identifiée soit fiable
(erreur inférieure à 1%) malgré l'erreur faite sur b. En revanche les Figure 4-18 et Figure 4-19
montrent une évolution couplée des paramètres ε d et b. Il est donc logique que la valeur
identifiée de ε d soit faussée (erreur de 7.3%), car la valeur de b fixée (b=2.5) ne correspond
pas à celle de la valeur nominale (b=1).
(a) (b)
Figure 4-27 : Courbes force-déplacement expérimentale et identifiée - identification virtuelle à

deux paramètres - paramètre b fixé à 2.5, (a) courbe complète, (b) détail
149
Chapitre 4
Surface de Reponse
1
Minimum detecté
0.9 0.05 Iso−fc
0.05
0.8
0.01
0.7
0.6 0.05 0.05

S0
0.5
5
0.075 0.0
0.4
0.3
0.0 0.05
75
0.2
0.1
0.05 0.1 0.15
Epsd
Figure 4-28 : Surface de réponse εd et S0 - identification virtuelle à deux paramètres -

paramètre b fixé à 2.5
b) Identification des paramètres de la loi d’évolution de l’endommagement ε d , S0, et b

L'exemple précédent a montré la non-unicité du problème d'identification tel qu'il est posé.
On réalise tout de même une identification virtuelle sur les 3 paramètres ε d , S0, et b. Les
paramètres ainsi que les plages de recherche sont résumés dans le Tableau 4-5. La plage de
variation de b est définie de manière à englober les deux minima détectés précédemment.
L'identification est réalisée grâce à la plateforme MOOPI en utilisant la méthode de
minimisation EGO-parallèle. 30 calculs sont réalisés dans la phase d'initialisation de la base
de données, puis 4 calculs sont réalisés à chaque itération. L'enrichissement virtuel s'appuie
sur la méthode Kriging Believer.

n 0.34 Fixé à V.N. - -
b 1 [0.5 3] 0.61 15.4%
S0 0.7 MPa [0.1 3] 0.78 2.75%
εd 0.16 [0.04 0.20] 0.159 0.75%
Tableau 4-5 : Bornes de recherche pour identification virtuelle et résultats - 3 paramètres
Malgré la présence de multiples solutions, la procédure d'identification retrouve bien la

valeur des paramètres nominaux. L'erreur sur chacun des paramètres est très faible, excepté
pour le paramètre b (Tableau 4-5). La valeur de la fonction coût associée au jeu de paramètres
optimal est de 0.20%. Les trois surfaces de réponse associées aux 3 paramètres à identifier
sont présentées en Figure 4-29. Pour chacune de ces surfaces de réponse 2 paramètres varient,
150
et le troisième est fixé à la valeur optimale. Ces surfaces de réponse montrent bien la présence
de minima locaux, dans les plans b - ε d (Figure 4-29a) et ε d -S0 (Figure 4-29c). Ces différents
minima locaux proposent des solutions moins bonnes que la solution nominale, mais
constituent tout de même des solutions acceptables du problème inverse. De plus, le plan de
coupe b - S0 (Figure 4-29b) met à nouveau en évidence la très faible sensibilité de la fonction
coût par rapport au paramètre b autour de la valeur optimale de S0.
Il est important de noter que les surfaces de réponse présentées ici, sont celles construites
durant le processus d'optimisation. Elles ne sont donc pas totalement représentatives des
variations réelles de la fonction, notamment dans les zones où la fonction coût est élevée.
Cette différence de construction, avec les surfaces présentées de la Figure 4-17 à la Figure
4-21, explique les différences observées.
151
Chapitre 4
Surface de Reponse Surface de Reponse

3 3
5
0.0
0.020.03
Minimum detecté Minimum detecté
0.0
0.05
0.04 2
Iso−fc Iso−fc
0.04
0.04
5
0.0
2.5 2.5
0.04
0.03
2 2
0.05
05
0.03
0.
0.05
0.00.504
b
4
0.04
0.0
1.5 4 3 1.5
0.0 0.0
0.0.02
0.
0.0
0
05
3
0.03
1 1 0.
2
1 0.0 05
0.0
0.03
0.02
0.01
0.02
0. 4
03
0.
04
0.5 0.5
0.05 0.1 0.15 0.5 1 1.5 2 2.5 3
Epsd S0
(a) (b)
Surface de Reponse
3
0.
2.5
05
0.04 0.0
2 4
0.03
0.
05
S0
1.5 0.02
0.040.030.02
0.0
0.
03
1 4
0.05
0. 0.0
01
0.04 0.0
0.
0.0 3
02
0.5 5
Minimum detecté
1
Iso−fc
0.05 0.1 0.15

Epsd
(c)
Figure 4-29 : Surface de réponse - identification virtuelle à trois paramètres - (a) b et ε d - (b) b
et S0 - (c) S0 et εd
Ce test d'identification virtuelle à 3 paramètres a permis de montrer l'existence de minima

locaux correspondant à des solutions différentes du problème d'identification. La solution
obtenue est acceptable pour les paramètres ε d -S0, les paramètres identifiés sont proches des
valeurs nominales. En revanche l'identification du paramètre b est plus délicate. L'erreur
relative à son identification est de plus de 15%. Cette erreur élevée est directement liée à la
faible sensibilité de la fonction coût par rapport à ce paramètre.
152
La convergence de la méthode est ralentie (Figure 4-30), par rapport à l'identification des
deux paramètres ε d et S0. Ceci s'explique tout d'abord par le fait que la résolution d'un
problème d'optimisation de dimension plus élevée est plus longue. De plus, l'identification du
paramètre b fait apparaître des minima locaux, ainsi que des zones de sensibilité très faibles,
ce qui a pour effet de ralentir aussi la vitesse de convergence. Après 22 itérations soit 118
calculs de la fonction coût la méthode d'optimisation ne progresse plus.
0
10
Fc − iteration
Fc − min
−1
10
Fc
−2
10
−3
10
0 10 20 30
Iterations
Figure 4-30 : Convergence - identification virtuelle à trois paramètres
3.3.5 Identification des paramètres de la loi d'évolution de l'endommagement

( ε d , S0, b) et de la loi d'écrouissage (σy, K, n)
Les tests menés montrent que l'identification des 3 paramètres ( ε d , S0, b) de la loi
d’évolution de l'endommagement est possible malgré la présence de minima locaux et de
zones de sensibilité très faibles. Cependant, tous les tests menés jusqu'à présent faisaient
l'hypothèse que les paramètres de la loi d'écrouissage étaient parfaitement connus. Pour
s'affranchir de cette hypothèse, une identification est menée en considérant les trois
paramètres de la loi d'écrouissage (décrite équation(3.5)) comme des inconnues
supplémentaires.
Afin de limiter la difficulté du problème d'identification, seuls les paramètres ε d et S0 du
modèle d'endommagement sont identifiés. Le paramètre b, qui présente une faible sensibilité,
est fixé à sa valeur nominale. Les plages de variation des différents paramètres sont décrites
dans le Tableau 4-6.
L'identification est réalisée grâce à la plateforme MOOPI en utilisant la méthode de
minimisation EGO-parallèle. 60 calculs sont réalisés dans la phase d'initialisation de la base
de données, puis 8 calculs sont effectués à chaque itération. L'enrichissement virtuel s'appuie
sur la méthode Kriging Believer. L'identification est réalisée sur les 5 paramètres
simultanément.
153
Chapitre 4

σy 46 MPa [40 100] 64.6 31.1%
K 430MPa [300 600] 417.6 4.1%
n 0.34 [0.1 0.6] 0.36 5.0%
S0 0.7 MPa [0.1 3] 0.67 0.70%
εd 0.16 [0.04 0.20] 0.163 2.35%
Tableau 4-6 : Bornes de recherche pour l’identification virtuelle et résultats - 5 paramètres
Après 240 évaluations du modèle direct, la meilleure solution obtenue est présentée dans
le Tableau 4-6. La fonction coût associée est de 0.93%, La courbe force-déplacement
identifiée est présentée en Figure 4-31.
La solution obtenue montre une erreur inférieure à 5% pour tous les paramètres, excepté
pour la limite élastique. De même que pour le paramètre b, la limite élastique σy semble avoir
peu d’influence sur l’observable. Cela peut provenir également d’une certaine corrélation
entre les paramètres élasto-plastiques, σy et K principalement. Le paramètre σy pouvant être
identifié de manière analytique, il semble préférable de le déterminer au préalable et de le
fixer pour la suite de l'identification.
Remarques :
En plus des performances de l’algorithme de minimisation utilisé, la qualité de
l’identification par analyse inverse dépend de plusieurs facteurs :
o Sensibilité des paramètres sur l’observable : lorsque certains paramètres ont peu
d’influence sur l’observable (comme pour b), leur identification ne peut se faire de
manière précise.
o Corrélation entre paramètres : lorsque deux ou plusieurs paramètres ont des effets
similaires sur l’observable, il est difficile d’identifier un jeu de paramètres unique.
o Nombre de paramètres à identifier : plus le nombre de paramètres à identifier est
important, plus il est difficile de converger de manière précise vers une solution
unique, surtout lorsque l’on n’a qu’une seule observable (globale qui plus est).
Ainsi, l’amélioration du processus d’identification des paramètres nécessite soit de
travailler avec plusieurs observables, soit d’utiliser des observables mieux adaptées
aux paramètres à identifier (peut-être plus locales), pour lesquelles il est plus facile de
découpler les paramètres à identifier.
154
Figure 4-31 : Courbes force-déplacement expérimentale et identifiée - identification virtuelle à

5 paramètres
3.4 Vers l’exploitation de mesures plus riches : mesure de

striction
Les tests menés précédemment montrent que la solution du problème d'identification des
paramètres du modèle d'endommagement n'est pas unique tel qu'il est posé. L'identification
des paramètres du modèle d’endommagement est faite principalement sur la partie
adoucissante de la courbe force-déplacement. Or ce phénomène d'adoucissement peut
provenir de deux phénomènes distincts : la localisation des déformations qui conduit à la
striction de l’éprouvette et la détérioration des caractéristiques du matériau due à la croissance
de l'endommagement. Ces deux phénomènes ne peuvent être découplés en observant
uniquement la courbe force-déplacement. De plus, le problème devient très difficile à
résoudre si l'on souhaite intégrer l'identification des paramètres de plasticité dans la
procédure.
Pour tenter de lever cette incertitude, une observable supplémentaire est ajoutée : la courbe
striction/déplacement. L'utilisation de cette observable a été proposée par Mahken [Mah99]
pour identifier les paramètres du modèle d'endommagement de Gurson, dans l'objectif de
lever en partie l'incertitude sur l'unicité de la solution.
On propose ici de mener une analyse similaire à celle proposée pour l'observable force-
déplacement afin de mettre en évidence les apports d'une mesure locale pour l'identification
des paramètres du modèle d'endommagement ductile de Lemaitre.
La mesure de striction est réalisée au centre de l'éprouvette de traction Figure 4-32. La

mesure est là encore une mesure virtuelle, la localisation de la striction est donc toujours
reproductible. La Figure 4-33 représente la réduction de la section par rapport à la section
initiale, on fait ici le choix de considérer cette réduction positive. La réduction de la largeur
ainsi mesurée est représentée Figure 4-33 en fonction de l’élongation de l’éprouvette. Deux
phases apparaissent nettement sur cette courbe. Une première phase linéaire, au cours de
155
Chapitre 4
laquelle la déformation est homogène (d<9mm), et une seconde phase où la localisation

apparaît (d>9mm) : la striction augmente rapidement vis-à-vis du déplacement.
Remarque : La mesure de la striction sur éprouvette réelle est plus délicate car cette
striction peut apparaitre à différents endroits de la zone utile.
Mesure de striction
Figure 4-32 : Mesure de striction au centre de l'éprouvette de traction
1.6
1.4
1.2
striction(mm)
0.8
0.6
0.4
0.2
EP
0
0 2 4 6 8 10 12
d(mm)
Figure 4-33 : Courbe striction - déplacement (mesuré par extensomètre numérique)
3.4.1 Analyse de sensibilité par surface de réponse

On utilise ici la même méthodologie que pour l'analyse de sensibilité de la fonction coût
calculée par rapport à l'observable force-déplacement. On utilise, pour ce test, une observable
virtuelle de mesure de striction (Figure 4-33) générée par le modèle direct en utilisant les
paramètres nominaux décrits dans le Tableau 4-2.
Les surfaces de réponse associées à la fonction coût calculée par rapport à la seule mesure
de striction sont présentées sur les figures suivantes (Figure 4-34 à Figure 4-39). Les
différentes formes de surfaces obtenues sont comparables aux surfaces obtenues
précédemment à partir des courbes force-déplacement. Aucune nouvelle zone de l'espace de
recherche n'est réellement exclue grâce à cette nouvelle observable. Le minimum local en
b=2.5 et ε d =0.14 (détecté sur la surface associée à la fonction coût force-déplacement, Figure
4-19) est toujours présent sur la surface de réponse Figure 4-37. De même, les zones proches
de l'optimum dans le plan ε d et S0 ont la même physionomie pour les deux fonctions coût
156
(Figure 4-20 pour la fonction coût force-déplacement, Figure 4-39 pour la fonction coût
déplacement/striction).
Déplacement / Striction Déplacement / Striction

2.2 1.8
0.14
0.3
2
1.6 0.12
0.25
1.8
0.1
0.2 1.4
1.6
0.08
b
b
1.4 0.15
1.2 0.06
1.2 0.1
0.04
1
1 0.05 0.02
0.8 0.8
1 2 3 0.4 0.6 0.8 1
S0 S0
Figure 4-34 : Surface de réponse - Figure 4-35 : Surface de réponse -

observable : striction - b/S0 observable : striction - b/S0- détail

1.8 6
0.14 0.18
0.16
1.6 0.12 5
0.14
0.1
0.12
1.4 4
0.08 0.1
b
0.08
1.2 0.06 3
0.06
0.04
1 2 0.04
0.02
0.02
0.8 1
0.4 0.6 0.8 1 0 0.05 0.1 0.15 0.2
S0 Epsd

observable : striction - b / ε d observable : striction - b / ε d - plage élargie du
paramètre b
157
Chapitre 4

3 1.2
1.8
0.4
2.5 1.6 1 0.35
1.4
2 0.3
1.2 0.8
0.25
S0
S0
1
1.5
0.2
0.8 0.6
1 0.15
0.6
0.4 0.4 0.1
0.5
0.2 0.05
0.2
0 0.1 0.2 0.12 0.14 0.16 0.18 0.2
Epsd Epsd

observable : striction - S0/ ε d observable : striction - S0/ ε d - détail
Une observation plus précise de ces deux zones permet tout de même d'observer une
légère différence sur la forme des surfaces de réponse. Les Figure 4-40 et Figure 4-41
présentent une superposition de la surface de réponse associée à l'observable force-
déplacement et de la surface associée à l'observable déplacement/striction .
La Figure 4-40 montre que l'observable supplémentaire de striction permet de rejeter la
zone S0<0.4 MPa et 0.17< ε d <0.18, zone qui présente une valeur de fonction coût force-
déplacement très faible. La fonction coût déplacement/striction n'apporte pas d'information
supplémentaire dans le reste du domaine de recherche, sur ce plan de coupe.
1.2
Déplacement/Force
Déplacement/Striction
1
Minimum global
0.8
S0
0.6 S0<0.4 MPa

0.17< ε d <0.18
0.4
0.2
0.12 0.14 0.16 0.18 0.2
Epsd
Figure 4-40 : Superposition des fonctions coût en force et striction- S0/ ε d
158
La Figure 4-41 détaille la forme des deux surfaces de réponse dans la zone du second
minimum détecté dans le plan b- ε d (le minimum local non désiré). Les iso-valeurs de la
fonction coût striction-déplacement (Figure 4-41, trait plein) présentent une zone minimum
décalée par rapport aux iso-valeurs de la fonction coût force-déplacement (Figure 4-41, trait
discontinu). La combinaison de ces deux fonctions coût permet, d'après l'analyse menée ici,
d'atténuer l'effet des minima locaux qui apparaissent ici non coïncidents.
3
Déplacement/Force
Déplacement/Striction
2.8
2.6
b
2.4
2.2
2
0.1 0.12 0.14 0.16
Epsd
Figure 4-41 : Superposition des fonctions coût en force et striction- b/ ε d
Il faut cependant bien noter que l'analyse de sensibilité menée ne permet pas de conclure
que la mesure de la striction permet de lever le problème de l'unicité de la solution. Nous
retrouvons toujours une faible sensibilité par rapport au paramètre b.
3.4.2 Identification virtuelle des paramètres ε d , S0, et b

Pour compléter cette étude de sensibilité de la fonction coût déplacement/striction, on
réalise une identification virtuelle en utilisant une fonction coût prenant en compte
l'observable déplacement/striction ainsi que l'observable force/déplacement. On construit
alors un problème « pseudo » multi-objectifs en sommant ces deux fonctions coût. Chacune
des fonctions coût fc force et fcstriction étant calculées d'après l'équation (4.8).
fc = p f fc force + ps fcstriction (4.13)
L'équation (4.13) fait apparaître deux coefficients de pondération, p f et ps , qui sont fixés
respectivement à 0.8 et 0.2. Cette pondération permet de normaliser les deux fonctions coût et
ainsi d'équilibrer leurs influences.
L'identification est réalisée dans les mêmes conditions que celles décrites Tableau 4-5. Les
résultats obtenus sont présentés dans le Tableau 4-7. La valeur de la fonction coût minimum
est de 0.22%, avec respectivement fc force = 0.17% et fcstriction = 0.43% .
159
Chapitre 4

n 0.34 Fixé à V.N. - -
b 1 [0.5 3] 0.51 19.3%
S0 0.7 MPa [0.1 3] 0.706 0.23%
εd 0.16 [0.04 0.20] 0.161 0.6%
Tableau 4-7 : Bornes de recherche pour identification virtuelle et résultats - 3 paramètres -
fonction coût force-déplacement et striction-déplacement
Cette identification virtuelle incluant l'observable de striction dans la fonction coût ne

permet pas de résoudre le problème de faible sensibilité de la fonction coût par rapport au
paramètre b. L'erreur d'identification liée à ce paramètre est toujours très élevée, et les
surfaces de réponse présentent toujours des zones de gradient très faible dans la direction du
paramètre b (Figure 4-43 a et b).
Cependant, l'ajout de l'observable de striction permet tout de même de limiter les minima
locaux. Cet effet est notamment visible sur la Figure 4-43.b, où le minimum local présent en
b=2.5 sur la surface de réponse associée à la fonction coût force-déplacement (Figure 4-29 b),
disparaît.
Cet ajout de l'observable de striction permet également une convergence plus rapide de la
méthode de minimisation. Une solution de qualité équivalente en terme de valeur de fonction
coût sur l'observable en force est trouvée en 10 itérations de la méthode, contre 22 pour
l'identification réalisée exclusivement avec l'observable en force (Figure 4-30).
0
10
Fc − iteration
Fc − min
−1
10
Fc
−2
10
−3
10
0 2 4 6 8 10
Iterations
Figure 4-42 : Convergence - identification virtuelle à trois paramètres - fonctions coût force-
déplacement et striction-déplacement
160
Surface de Reponse Surface de Reponse

3 3
0 .0 6
0.0 Minimum detecté
0.090.06
3
0.09
Iso−fc
0.06
2.5 2.5
2
0.06
09
0.1
0.12
0.
2 2
0.03
0.06
0.06
0.03
0.03
0.09 .06
b
0.03
0.1
0
0.09
1.5 1.5 2
0.06
6 0.00
0.0 6
0.12
1 1
0.12
0.03
0.
0.06
0.06
09
0.03
0.03
Minimum detecté
0.09
0.1
0.0
Iso−fc
0.0
0.
2
9
6
03
0.5 0.5
0.05 0.1 0.15 0.5 1 1.5 2 2.5
Epsd S0
(a) (b)
Surface de Reponse
3
0.09 2
0.1
2.5
0.12
2 0.09
0.06 0.06 0.
0.03 09
S0
1.5
0.0
0.06
0.03
6
0.06
1 0.09
0.0
0.03
3
0.1 0.09
0.15 2
0.5 0.
0.1 12detecté
Minimum 0.06
Iso−fc 5
0.05 0.1 0.15

Epsd
(c)
Figure 4-43 : Surfaces de réponse - identification virtuelle à trois paramètres - fonctions coût
force-déplacement et striction-déplacement - (a) b et ε d - (b) b et S0 - (c) ε d et S0
Lors de la procédure d'identification plusieurs jeux de paramètres sont testés. La Figure

4-44 présente les différentes valeurs de paramètres testés pendant la minimisation. La Figure
4-44a montre que la méthode converge vers une valeur unique de S0, en effet plus la valeur de
la fonction coût diminue plus les valeurs de S0 convergent vers la valeur nominale de 0.7. Le
même phénomène est observable pour le paramètre ε d sur la Figure 4-44b, la valeur de ε d
161
Chapitre 4
converge vers la valeur nominale de 0.16. En revanche pour le paramètre b il n'y a pas de
convergence vers une solution unique. La Figure 4-44c fait apparaître 3 zones de convergence
différentes. L'une de ces zones correspond bien à la valeur nominale du paramètre b=1, mais
d'autres valeurs de b semblent donner des solutions tout aussi satisfaisantes (b=0.5). Ces
graphiques mettent là encore en évidence la difficulté d'identifier le paramètre b du modèle
d'endommagement de Lemaitre.
3.5 0.2
S0 EpsD
0.18
3
0.16
2.5 0.14 Convergence
2 0.12
0.1
1.5
0.08
Convergence
1 0.06
0.04
0.5
0.02
0 Fc 0 Fc
0 0.02 0.04 0.06 0.08 0 0.02 0.04 0.06 0.08
(a) (b)
3.5
b
3
Minimum Local
2.5
1.5 Convergence vers la valeur nominale
Minimum Local
0.5
0 Fc
0 0.02 0.04 0.06 0.08
(c)
Figure 4-44 : Répartition des jeux de paramètres testés pendant la minimisation
3.4.3 Identification virtuelle des paramètres de la loi d'évolution de

l'endommagement ( ε d , S0, b) et de la loi d'écrouissage
Les tests menés précédemment montrent que l'ajout de l'observable de striction permet de
limiter l'apparition de minima locaux et d'accélérer la convergence. En revanche les
162
problèmes liés à la sensibilité de certains paramètres restent présents. On réalise tout de même
une identification virtuelle des paramètres d'endommagement et de plasticité. Cette
identification est réalisée dans les mêmes conditions que celles présentées au paragraphe
3.3.5. Ces conditions, ainsi que les résultats sont présentés Tableau 4-8.

σy 46 MPa [40 100] 60.6 23.6%
K 430MPa [300 600] 437.5 1.5%
n 0.34 [0.1 0.6] 0.377 7.5%
S0 0.7 MPa [0.1 3] 0.69 0.16%
εd 0.16 [0.04 0.20] 0.156 2.53%
Tableau 4-8 : Bornes de recherche pour l’identification virtuelle et résultats - 5 paramètres
Apres 130 évaluations du modèle direct, la fonction coût obtenue est de 1.07%. Les deux
observables sont présentées Figure 4-45et Figure 4-46.
Les résultats obtenus peuvent être considérés comme bons d'après la valeur de la fonction
coût et l'allure des observables identifiées. Les paramètres identifiés sont cependant identifiés
avec une erreur relativement importante, en particulier sur le paramètre σy. L'ajout de
l'observable de striction dans le calcul de la fonction coût ne permet donc pas une
identification plus précise, mais accélère tout de même énormément la vitesse de convergence
de la méthode de minimisation. En effet la même identification sans prendre en compte
l'observable de striction propose une solution convenable après 240 évaluations du modèle
direct contre 130 pour l'identification tenant compte de la striction.
Figure 4-45 : Courbes force-déplacement Figure 4-46 : Courbes striction-déplacement

expérimentale (« virtuelle ») et identifiée - expérimentale (« virtuelle ») et identifiée -
identification virtuelle à 5 paramètres - identification virtuelle à 5 paramètres -
Fonction coût en force et striction Fonction coût en force et striction
Cette accélération peut nous laisser penser que l'ajout de l'observable de striction permet
de mieux conditionner le problème de minimisation et de limiter le nombre des minima
163
Chapitre 4
locaux dans l'ensemble du domaine de recherche. En revanche l’ajout de la striction dans la

liste des observables ne semble pas être suffisant pour améliorer la précision de
l’identification, en particulier sur les paramètres b et σy. Si ce résultat était prévisible
concernant σy (dont l’influence sur la striction peut être considérée comme négligeable), on
peut s’interroger sur la faible sensibilité du paramètre b à la fois sur la courbe force-
déplacement et sur la striction.
3.5 Application : identification des paramètres matériaux des

tôles d'aluminium pour le clinchage
3.5.1 Procédure d'identification

L'analyse menée précédemment a notamment montré la difficulté d'identifier les
paramètres de la loi d'écrouissage et de la loi d'endommagement de manière simultanée. Pour
s'affranchir de ce problème on réalise l'identification en deux étapes :
La première étape consiste à identifier les paramètres de la loi d'écrouissage sur la
première partie de l'observable force-déplacement (Figure 4-47.a). La deuxième étape est
d'identifier les paramètres de la loi d'endommagement sur l'ensemble de la courbe de
l'observable force-déplacement (Figure 4-47.b), les paramètres de la loi d'écrouissage étant
fixés.
La principale faiblesse de cette méthode réside dans la détermination de la plage de calcul
de la fonction coût pour la première phase, en effet la valeur dmax doit être fixée de manière
empirique par observation de la courbe force-déplacement expérimentale. Cette valeur n'est
jamais facile à définir.
164
F
Obsexp
Obsnum
Zone de calcul de Fc1
dmax d
(a) phase 1
F
Obsexp
Obsnum
Zone de calcul de Fc2
(b) phase 2
Figure 4-47 : Procédure d'identification en 2 phases
165
Chapitre 4
3.5.2 Données expérimentales

L'éprouvette testée est celle décrite Figure 4-14. Le matériau considéré est un aluminium,
de dénomination EN AW-5774[AlMg3]. Cet aluminium est utilisé dans le cadre du projet
MONA LISA pour la réalisation de points d'assemblage par clinchage. La courbe force-
déplacement enregistrée pendant l'essai de traction est présentée Figure 4-48. L'essai exploité
ici a été effectué par le CETIM. Seule la courbe force-déplacement est obtenue, et nous
n’avons donc pas accès à l’observable liée à la striction. La procédure d'identification est
réalisée tout d'abord sur la courbe expérimentale brute (Figure 4-48), puis sur la courbe
expérimentale prétraitée (Figure 4-49). Le prétraitement consiste simplement à supprimer la
première partie de la courbe : le crochet de traction. Ce crochet de traction ne peut pas être
modélisé par la loi d'écrouissage présentée dans l'équation (3.5).
Figure 4-48 : Courbe force-déplacement brute - Aluminium [AlMg3]
166
Figure 4-49 : Courbe force-déplacement prétraitée - Aluminium [AlMg3]
3.5.3 Identification des paramètres de l’aluminium 5774[AlMg3]

Les deux phases d'identification sont réalisées grâce à la plateforme MOOPI en utilisant la
méthode de minimisation EGO-parallèle. 30 calculs sont réalisés dans la phase d'initialisation
de la base de données, puis 4 calculs sont effectués à chaque itération, pour chaque phase.
L'enrichissement virtuel s'appuie sur la méthode Kriging Believer.
Les bornes de recherche pour les deux phases ainsi que les résultats d'identification sont
présentés Tableau 4-9. La valeur de dmax est fixée à 6mm, les données expérimentales
prétraitées sont utilisées.
Nombre de
Plage de Paramètres Fonction
Phase Paramètres calculs du modèle
recherche identifiés coût
direct
σ y (MPa) [10 400] 93 MPa 139 calculs du
1 K (MPa) [200 1000] 441 MPa 0.77% modèle direct /
27 itérations
n [0.1 0.6] 0.44
b [0.5 3] 1.00 104 calculs du
2 S0 [0.1 3] 0.77 MPa 0.77% modèle direct /
εd [0.04 0.20] 0.097 18 itérations
Tableau 4-9 : Bornes de recherche et résultat de l'identification des paramètres de l'aluminium
[AlMg3]
167
Chapitre 4
Figure 4-50 : Courbes force-déplacement - Résultat de l'identification de l'aluminium

5774[AlMg3]
Avec la suppression du crochet de traction, la valeur du seuil d'écrouissage σ y est

identifiée à une valeur plus vraisemblable. L'identification sur cette courbe prétraitée permet
d'aboutir à une bonne superposition des courbes expérimentales et identifiées, la valeur de la
fonction coût finale est de 0.77%.
L'identification réalisée permet donc d'aboutir à un jeu de paramètres cohérent pour
modéliser le comportement de ce matériau en traction. Mais comme l'a montrée l'analyse
précédente, la solution trouvée n'est peut-être pas unique.
3.5.4 Exploitation de ces paramètres pour la modélisation du clinchage

Les simulations de clinchage avec les paramètres identifiés dans cette partie mènent à une
rupture prématurée de la tôle côté poinçon pendant la phase de pose (la rupture apparaît au
collet). Les paramètres de la loi dévolution de l’endommagement identifiés ne sont pas
exploitables pour ce procédé. En effet les paramètres de la loi d'évolution de
l'endommagement sont identifiés sur un essai de traction dans la longueur de la tôle. Or le
procédé de clinchage fait intervenir des trajets de chargement complexes dans la longueur de
la tôle mais aussi dans l'épaisseur.
Plusieurs études ont montré récemment le rôle important du taux de triaxialité des
contraintes, ainsi que de l’angle de Lode, sur l’évolution de l’endommagement ductile
[Bai08]. L'angle de Lode θ est défini sur la base du troisième invariant r du tenseur déviateur
des contraintes s et de la contrainte équivalente σ eq :
  r 3 
θ = 1 − arccos   
 σ eq  
    (4.14)
1
 27  3
avec r =  det ( s ) 
2 
168
De nouveaux modèles prenant en compte ces deux paramètres [Bai08] ainsi que de
nouvelles procédures d’identification ont été proposés. Les procédures d’identification
montrent qu’il est important d’identifier les paramètres du modèle d’endommagement dans
des conditions (en terme de trajet de chargement) les plus proches possible du procédé de
mise en forme étudié.
Ce n’est pas le cas ici entre notre essai de traction et la sollicitation subie par la matière
dans la zone endommagée lors du clinchage. La Figure 4-51 illustre le trajet de chargement
que subit la matière pendant le procédé de clinchage et celui subi par la matière pendant
l'essai de traction. Ce graphique, tracé dans l’espace Triaxialité des contraintes Tx / Angle de
Lode θ , montre clairement que l'identification des paramètres matériau en traction n'est pas
réalisée dans les mêmes conditions que le procédé de clinchage.
Cette problématique est traitée actuellement au CEMEF dans le cadre de la thèse de J.M.
Gachet [Gac10].
Procédé de Clinchage Traction
Tx
Figure 4-51 : Représentation de l'état des contraintes dans le plan de la triaxialité des
contraintes et de l’angle de Lode [Bai08] - trajet de chargement du procédé de clinchage et de
l'essai de traction
Le graphique de la Figure 4-51 met en évidence un point clé de l'identification : le modèle

dont on souhaite identifier les paramètres doit être adapté au matériau étudié et être identifié
dans un cas de chargement le plus proche possible du procédé que l'on souhaite modéliser.
Cette remarque amène un grand nombre de questions, liées au choix du modèle
d'endommagement et aux essais mécaniques qui doivent être réalisés pour identifier ses
paramètres. La méthodologie d'identification présentée ici constitue un excellent outil
169
Chapitre 4
d'investigation et d’identification de paramètres de comportement et d’endommagement à

partir d’essais mécaniques appropriés.
4 Conclusion
Dans ce chapitre, les principes généraux de l'identification de paramètres matériau par
analyse inverse ont été présentés dans un premier temps. Nous avons montré comment
l'analyse inverse s'inscrit dans le cadre, plus général, de la problématique d'optimisation. Cette
mise en relation, analyse inverse / optimisation, permet de s'appuyer sur la plateforme
MOOPI pour réaliser l'identification.
Dans un deuxième temps, l'identification des paramètres du modèle d'endommagement

ductile de Lemaitre à partir d'un essai de traction simple est abordée. La description, au
chapitre 3, du modèle mécanique retenu permet d'aboutir à la définition du modèle direct d'un
essai de traction. La définition d'une fonction coût adaptée au problème
d'endommagement/rupture permet d'obtenir un problème de minimisation mieux posé et plus
simple à résoudre. En effet, l'absence de bruit sur la fonction coût et de fortes différences de
gradient de la fonction coût par rapport aux paramètres à identifier rend la minimisation plus
efficace. Sur la base de cette fonction coût, une campagne d'analyse de sensibilité a été
menée. Cette analyse a permis de mettre en évidence l'existence de multiples solutions au
problème d'identification et la faible sensibilité par rapport au paramètre b du modèle
d'endommagement ductile de Lemaitre. Cela a permis de montrer les limitations de
l'exploitation d'une seule observable pour réaliser l'identification de plusieurs paramètres.
Un premier pas a été réalisé pour tenter de lever ces incertitudes en investiguant, par une
approche numérique, l'intérêt de l'ajout d'une observable supplémentaire : une mesure de
striction dans la section utile de l'éprouvette. Les résultats obtenus sont en demi-teinte. En
effet, l'ajout de l'observable de striction ne procure pas vraiment une meilleure précision de la
solution identifiée. Les problèmes de faible sensibilité des observables vis-à-vis de certains
paramètres subsistent. Il est à noter également que cette mesure de striction supplémentaire
permet d’enrichir plutôt l'identification de la partie plasticité que de la partie
endommagement, ce qui explique en partie la faible amélioration de l’identification du
paramètre d’endommagement b en rajoutant cette observable locale. Cependant, l'ajout de
cette observable permet de limiter les minima locaux dans le domaine de recherche et donc
d'accélérer de manière significative la vitesse de convergence de la méthode de minimisation.
L'ajout d'une information locale présente donc un intérêt.
Plusieurs enseignements peuvent être retenus grâce à cette étude :

• Choix des observables : le choix des observables doit évidemment être adapté aux
paramètres de la loi à identifier.
• Nombre d’observables : même si il est plus facile de ne travailler qu’avec une
seule observable, on se rend bien compte que l’identification de plusieurs
paramètres avec une seule observable ne peut conduire à l’identification d’un jeu
de paramètres unique, surtout pour un comportement non linéaire tel que celui
représenté par une loi élasto-plastique endommageable.
• Evaluation de la fonction coût : la fonction coût doit être évaluée dans une zone où
la sensibilité par rapport aux paramètres que l’on souhaite identifier est importante.
Dans le cas de l’endommagement, la fin de la courbe force-déplacement est bien
170
sûr plus sensible aux paramètres d’endommagement que le début de cette courbe.
L’adaptation du calcul de la fonction coût à la rupture en fin d’essai est aussi un
paramètre important à prendre en compte.
• Représentativité des lois de comportement et du modèle d’endommagement :
quelle que soit la méthode de minimisation choisie, ou le nombre d’observables
utilisé, la procédure d’identification ne peut pas fournir une représentation correcte
de l’expérience si le modèle de comportement, ou le modèle d’endommagement
n’est pas adapté au matériau étudié.
• Corrélation entre certains paramètres des lois : comme nous l’avons vu, certains
paramètres du modèle ont des effets corrélés sur l’observable. Il est alors difficile
de les identifier de manière unique. Il faut dans ce cas les identifier de manière
séparée, à partir d’observables plus sensibles à l’un ou à l’autre de ces paramètres.
• Problème d'unicité des paramètres d'endommagement : des études récentes ont
montré la sensibilité de l'endommagement ductile vis-à-vis de la triaxialité des
contraintes Tx et de l'angle de Lode θ [Bai08]. Une autre manière de converger
vers une solution unique est de baser l'identification sur plusieurs essais
mécaniques faisant varier Tx et θ . Cette approche n'a pas été traitée ici mais est
abordée dans le cadre du travail de thèse de J.M. Gachet [Gac10].
171
Identification : apport des mesures de champs
Chapitre 5
Le chapitre précédent a permis, d'une part, de mettre en évidence la limitation de

l'efficacité de l'identification de paramètres sur la base d'une observable globale (la force de
traction), et d'autre part de montrer l'intérêt de compléter la base des observables par une
mesure locale : la mesure de la striction.
Dans ce chapitre, on propose de poser les premières pierres pour exploiter une base
d'observables encore plus riche : les mesures de champs. En effet, l'utilisation de caméras
CCD couplées avec des méthodes d'analyse d'images permet d'obtenir une information
beaucoup plus riche que les observables traitées jusqu'à maintenant. Ces méthodes de mesure,
sans contact et non intrusives, permettent d'obtenir le champ de déplacement sur toute une
face de l'éprouvette et ce tout au long de l'essai mécanique. L'information collectée est donc
d'une très grande richesse.
Ce chapitre propose dans un premier temps une revue des différentes méthodes
d'identification s'appuyant sur les mesures de champs. Suite à cette revue, notre choix se porte
sur les méthodes dites par recalage éléments finis. Une méthodologie incluant une double
utilisation des mesures de champs sera alors décrite : l'utilisation des mesures de champs
comme conditions limites du problème éléments finis, et la construction d'une fonction coût
comparant les champs de déplacement obtenus par calcul éléments finis et ceux obtenus par
mesure de champs. Puis une analyse de sensibilité de cette fonction coût par rapport aux
paramètres de la loi d'écrouissage ainsi que de la loi d’évolution de l'endommagement sera
menée. Finalement, le traitement d'un premier essai expérimental est proposé.
L'étude proposée ici se focalise sur l'exploitation des mesures de champs pour
l'identification. Les aspects expérimentaux et les aspects liés au traitement d'images pour
obtenir le champ de déplacement à partir d'une série de clichés ne seront pas abordés. Pour
plus de détails sur ce point, le lecteur pourra se reporter aux travaux de thèse de Lecompte
[Lec06] et à la documentation du logiciel Aramis®, commercialisé par Gom [Gom10], et qui
est utilisé ici pour traiter les prises de vue.
173
Chapitre 5
1 Exploitation des mesures de champs pour l’identification

Dans cette première partie on propose une revue des différentes méthodes utilisées pour
l’identification de paramètres à partir de mesures de champs. L’utilisation de champs de
déplacement ou de déformation pour l’identification de paramètres associés aux propriétés
rhéologiques des matériaux est un domaine de recherche en constante évolution et
particulièrement actif, notamment en France au sein du groupe de recherche mesure de
champs [Avr08, Gre11].
1.1 Recalage par éléments finis (REF)

Conceptuellement, cette méthode est la plus intuitive. Elle consiste à réaliser plusieurs
simulations éléments finis de l'essai mécanique afin de trouver les paramètres matériau
engendrant la meilleure superposition des champs numériques et expérimentaux.
Concrètement, la méthode consiste à recaler de façon itérative le champ de déformation ou
de déplacement issu d’un calcul par éléments finis sur celui issu de mesures de champs
[Pag09]. A chaque itération, à partir de l’erreur entre les données expérimentales et simulées,
les paramètres du modèle sont redéfinis grâce à l’algorithme d’optimisation. Deux types de
recalage éléments finis sont à distinguer : l’un basé sur le champ de force (REF-F), et l’autre
basé sur le champ de déplacement (REF-U).
La méthode en force (REF-F) se base sur une parfaite connaissance du champ de
déplacement Û et de la force appliquée F̂ .
Dans ce cas le problème inverse s’écrit sous la forme :
(
 P = arg min R f ( P )

)

( )
 R f ( P ) = FFE P, Uˆ − Fˆ (5.1)

( )
 FFE P, Uˆ = K ( P ) Uˆ

où P représente le jeu de paramètres à identifier, Rf la fonction coût à minimiser, FEF est la
force résultante calculée via la résolution du problème éléments finis, et K est la matrice de
rigidité relative au problème éléments finis. La résolution de ce problème est schématisée
Figure 5-1.
174
Problème
physique
Modèle EF
Essais
(
FEF P, Uˆ )
Fonction coût
( )
Mesures de champs
R f ( P ) = FEF P, Uˆ − Fˆ Accord
F̂ et Û
Solution du problème
d'identification
Figure 5-1 : Schéma de résolution de la méthode par recalage éléments finis REF-F
L’autre méthode, REF-U, est une formulation en déplacement. Cette méthode alternative,
basée sur la concordance des champs de déplacement, consiste à minimiser le système
suivant :
(
P = arg min U ( P ) − Uˆ ) (5.2)
Où U(P) est le champ obtenu par le calcul éléments finis.
La minimisation se fait alors sous contrainte d'égalité entre la force globale mesurée et
celle obtenue par le calcul éléments finis.
Il existe ensuite plusieurs approches généralisées mêlant les méthodes REF-F et REF-U.
Giton et al. [Git06] et Pagnacco et al. [Pag07] proposent des formulations généralisées, par
exemple la formulation multi-objectifs suivante :
(
P = arg min R ( P ) = U ( P ) − Uˆ , R ( P ) = F (U , P ) − Fˆ
U F int ) (5.3)
En conclusion, l’identification par recalage éléments finis permet, d’une part de traiter des
géométries complexes, et d’autre part l’utilisation d’un champ de déplacements mesurés (il
n’est pas nécessaire de connaître le champ de déformations). Néanmoins, la mise en œuvre
d’une telle méthode nécessite de choisir une formulation du problème inverse ainsi qu’une
modélisation pour les conditions aux limites.
Concernant les méthodes présentées ci-dessus, la formulation en effort présente l’avantage
de ne pas être sensible aux mouvements de corps rigides, mais elle nécessite une parfaite
connaissance du champ de déplacement et elle s’avère assez sensible aux bruits de mesure. La
formulation en déplacement est quant à elle moins sensible aux bruits de mesure. Elle permet
d’utiliser des mesures incomplètes en déplacement, mais en contre partie elle s’avère être
sensible aux mouvements de corps rigides et elle est toujours résolue de manière itérative.
175
Chapitre 5
La formulation généralisée est plus souple. Les mesures cinématiques ne sont utilisées
qu’aux bords. Cette approche est donc particulièrement intéressante en 3D avec des mesures
de surface.
1.2 L'erreur en relation de comportement

Cette méthode a été initialement développée pour estimer et améliorer les erreurs des
modèles éléments finis [Lad83]. Elle est ensuite apparue comme un puissant outil
d’identification. Elle se base sur la minimisation d’une norme énergétique et peut servir pour
l’identification de propriétés élastiques à partir d’un seul essai. En élasticité, l’erreur en
relation de comportement est définie comme une somme d’énergies potentielles et
complémentaires. En l’absence de forces extérieures, celle-ci peut s’écrire, pour des champs
de contraintes et de déplacements admissibles :
1
E (U , σ , C ) = ∫ (σ − C : ε (U )) :C −1 : (σ − C : ε (U ))dV (5.4)
2V
Où σ est le tenseur des contraintes, C le tenseur d'élasticité, et ε (U ) le tenseur de
déformation associé au déplacement U.
Le champ de déformation est mesuré par une mesure de champs, ou calculé à partir du
champ de déplacement. Le champ de contraintes, quant à lui, est issu du modèle EF, pour un
tenseur d'élasticité C donné. La minimisation de E donne la meilleure valeur de C.
Cette méthode est applicable une nouvelle fois uniquement à l’élasticité linéaire, ce qui
dans notre cas n’est pas suffisant.
1.3 L'écart à l'équilibre

La méthode d'écart à l'équilibre [Cla04] est une méthode qui se base sur des mesures de
champs de déplacement. A partir de ces données, il est possible de remonter à un champ de
propriétés en un nombre fini de points de la surface étudiée.
Cette méthode repose sur l’écriture de l’équilibre mécanique à l’intérieur du système
étudié. Le but est de trouver l’équilibre interne du système pour un champ de déformation
donné. La variable d’ajustement étant les propriétés mécaniques. Cette relation d’équilibre
conduit à un système d’équations linéaires à résoudre, dont les inconnues sont les propriétés
mécaniques.
Cette méthode présentée par Claire et al. ([Cla04]) est utilisée dans le cadre de problèmes
d’élasticité pour la détermination de paramètres d’endommagement sur des composites
[Cro08]. Elle s’avère non encore aboutie dans un cadre plus large comme celui relatif aux
problèmes élasto-viscoplastiques ou d'endommagement ductile.
1.4 L'écart à la réciprocité

Cette méthode a été développée pour l’analyse de solides élastiques isotropes renfermant
des fissures. Le principe de l’écart à la réciprocité [And97] consiste à écrire l’expression de
Maxwell Betti, non pas entre deux solutions du problème élastique, mais entre une solution
élastique sur le domaine sain et une solution élastique sur le domaine contenant
potentiellement une fissure. Cette expression n’étant pas identiquement nulle, elle fournit une
information sur les discontinuités de déplacement traversées par la fissure.
176
Nous ne développerons pas davantage cette méthode, qui est plus une méthode servant à
détecter la présence de singularités qu'une méthode permettant d'identifier des paramètres
matériaux.
1.5 La méthode des champs virtuels

Cette méthode est basée sur le principe des puissances virtuelles, appliqué sur un champ
virtuel bien choisi. Cette méthode non itérative permet l’identification des propriétés
mécaniques à partir de mesures de champs de déplacements [Gre98]. Contrairement au
recalage éléments finis, elle ne nécessite pas l’utilisation d’une simulation numérique. Pour un
échantillon de volume V soumis à une force F, le principe des travaux virtuels impose qu’il
existe un champ de déplacements virtuel cinématiquement admissible u* et son champ de
déformations associé ε * tels que l’égalité entre travaux à l’intérieur et à la surface de V soit
vérifiée. On peut écrire :
−Cijkl ∫ ε kl ε ij* dV + ∫ Ti ui*dS = 0 (5.5)
V S
Cette expression est vraie pour tout champ virtuel cinématiquement admissible. De plus, il
existe une équation pour chaque champ virtuel. Pour un problème donné, les équations
disponibles sont les suivantes :
• Equation d’équilibre :
Forme forte :
σ ij , j + fi = 0 + conditions aux limites (5.6)
Ou l’expression écrite en formulation faible :
−Cijkl ∫ ε kl ε ij* dV + ∫ Ti ui*dS + ∫ fi ui*dV = 0 (5.7)
V S V
• Loi de comportement (exemple élastique)
σ ij = Cijkl ε kl (5.8)
• Lien déplacements-déformations
1
ε ij =
2
( ui, j + u j ,i ) (5.9)
A partir des équations précédentes on peut écrire un système de P équations à P
inconnues :
−Cijkl ε kl ε ij(1)*dV + Ti ui(1)*dS = 0
 ∫
V
∫S

−Cijkl ∫ ε kl ε ij dV + ∫ Ti ui dS = 0
(2)* (2)*
 V S (5.10)
...

−Cijkl ∫ ε kl ε ij( p )*dV + ∫ Ti ui( p )*dS = 0
 V S
Cette forme permet de résoudre directement, inconnue par inconnue, le problème

d’identification de chaque constante élastique. Des travaux récents ont permis d’étendre la
méthode à des cas non linéaires [Cha06] et [Gre06]. La principale difficulté de cette méthode
est le choix des champs virtuels.
177
Chapitre 5
1.6 Choix d’une méthode

Pour l'identification des paramètres de la loi d'évolution d'endommagent ductile, notre
choix se porte sur les méthodes par recalage éléments finis. Ce choix est motivé par deux
principaux arguments :
• L'approche par recalage permet une grande flexibilité dans le type d'essais
exploité. Ceci peut s’avérer particulièrement intéressant lorsque l’on souhaite
réaliser des essais plus complexes faisant varier le taux de triaxialité des
contraintes par exemple.
• Parmi les méthodes présentées ci-dessus, le recalage par éléments finis est une
méthode qui permet de travailler dans le cadre de problèmes non linéaires et
mettant en jeu de grandes déformations plastiques. En effet, les autres méthodes
proposées ne sont exploitables que dans un cadre de petites déformations
linéaires, ou sont encore en cours de développement pour des problèmes non-
linéaires.
2 Exploitation des mesures de champs

Dans cette partie, nous détaillons comment les mesures de champs sont exploitées dans le
cadre de l’identification par analyse inverse.
2.1 Données disponibles

Le montage de mesure de champs mis en place permet d'obtenir l'évolution des champs de
déplacement tout au long de l'essai mécanique (Figure 5-2). La prise de vue est réalisée avec
une caméra CCD de 1200x1000 pixels.
Cette caméra filme en continu une face de l'éprouvette préalablement recouverte d'un
mouchetis de peinture pour réaliser la corrélation d'images.
La corrélation d'images, réalisée à l’aide du logiciel Aramis® [Gom10] sur la base des
prises de vue, permet d'évaluer les déplacements dans le plan de l'éprouvette (le déplacement
dans la direction de l'épaisseur de l'éprouvette ne pouvant pas être mesuré avec un système
mono-caméra).
178
Le champ de déplacement ainsi obtenu est disponible sur une face, avec une résolution
temporelle dépendante de la fréquence d'échantillonnage de la caméra, et une résolution
spatiale fixée par la taille des fenêtres de corrélation et leur taux de recouvrement. La
précision de la mesure est liée notamment à la qualité du mouchetis réalisé sur la face de
l'éprouvette. Le mouchetis de peinture doit être le plus fin possible et proposer le plus large
spectre de nuance de gris possible afin d'obtenir une corrélation de qualité.
Essai mécanique
Corrélation d'image
Champs de déplacement sur

une face :
x, y, t
Champs de déplacement
Mouchetis
Figure 5-2 : Schéma de l'acquisition d'une mesure de champs
Les champs de déplacement ainsi obtenus sont convertis dans un format lisible par la
librairie CimLib de calcul éléments finis. Cette conversion est réalisée via une série de scripts
Matlab®. Trois grandeurs sont alors disponibles sur une grille régulière (correspondant aux
fenêtres de corrélation utilisées) : le déplacement selon X, selon Y et un champ binaire sur la
disponibilité de la mesure (Figure 5-3). Ces données sont disponibles pour les différents
instants fixés par la fréquence d'acquisition des images.
179
Chapitre 5
(a) déplacement selon X (b) déplacement selon Y (c) mesure disponible
Figure 5-3 : Données issues des mesures de champs
La grille de support de ces mesures est maillée par des éléments triangles pour pouvoir
utiliser les opérateurs de transport disponibles dans la librairie CimLib [Dig07] qui travaille
exclusivement avec des simplexes (triangles, tétraèdres).
2.2 Pilotage de simulations éléments finis avec des mesures de champs

La première étape proposée dans l'exploitation de la mesure de champs est d'utiliser le
champ de déplacement mesuré comme condition limite du calcul éléments finis.
2.2.1 Démarche et hypothèses

Pour réaliser ce pilotage une portion de l'éprouvette est modélisée par éléments finis. Les
bords pilotés par les données issues des mesures de champs sont définis par l'utilisateur
(Figure 5-4, cadres noirs).
Un transport, par interpolation linéaire, du champ de déplacement mesuré dans ces zones
est alors réalisé vers le modèle éléments finis. Ces déplacements mesurés sont alors imposés
comme conditions limites pour le calcul éléments finis.
Les informations provenant des mesures de champs sont uniquement disponibles suivant
deux dimensions. Il est donc nécessaire de faire une hypothèse sur le déplacement dans la
troisième dimension (l'épaisseur de l'éprouvette), le modèle éléments finis étant en 3
dimensions.
La Figure 5-4 présente une carte obtenue par mesure de champs. Il est à noter que ces
mesures sont portées par un maillage en trois dimensions (Figure 5-4 image de gauche), dont
la troisième dimension est fictive.
On fait donc les hypothèses suivantes :

• les déplacements (suivant les axes x et y) observés en surface sont invariants dans
l'épaisseur de l'éprouvette, des conditions limites identiques sont donc appliquées
suivant toute l'épaisseur de l'éprouvette.
• Dans les zones où les conditions limites sont appliquées, le déplacement suivant
l'épaisseur est laissé libre.
La méthode mise en place ici impose le pas de temps du calcul par éléments finis. En
effet, celui-ci est imposé par la fréquence d'acquisition de la prise de vue. Cette procédure est
donc itérative, elle est schématisée Figure 5-5.
180
Transport des déplacements
Zone d'application des

Conditions limites
Mesure de champs Calcul éléments finis
Figure 5-4 : Principe du pilotage d’une simulation éléments finis avec des mesures de champs
Définition des zones

de pilotage
Importation / transport des déplacements

obtenus par MDC à l'instant ti
Application des conditions limites

sur les zones pilotes en accord avec
les MDC
Calcul mécanique EF
ti+1 = ti+dt
Figure 5-5 : Processus de pilotage d'un calcul éléments finis par les mesures de champs
181
Chapitre 5
2.2.2 Validations
La superposition des champs issus de mesures de champs (Figure 5-6, zone large) et ceux
issus du calcul éléments finis (Figure 5-6, zone centrale) permettent de valider la
méthodologie proposée. Les iso-valeurs de déplacement se superposent bien sur le bord où les
conditions limites sont imposées (Figure 5-6).
(a) iso déplacement suivant x (t=23s) (b) iso déplacement suivant y (t=23s)
Mesure de champs Mesure de champs
Calcul EF Calcul EF
(c) iso déplacement suivant x (t=114s) (d) iso déplacement suivant y (t=114s)
Figure 5-6 : Validation conditions limites issues des mesures de champs - superposition des
iso-valeurs de déplacement issues des mesures de champs et obtenues par calcul éléments finis
Cette approche présente plusieurs intérêts :

• elle permet de s'affranchir des mouvements de corps rigide : le mouvement de
corps rigide expérimental est retranscrit automatiquement sur le calcul éléments
finis au travers des conditions limites issues de la mesure de champs,
• la modélisation entière de l'éprouvette n'est pas nécessaire, la réduction du
domaine permet de réduire le temps de calcul.
Cette approche possède également des inconvénients :

• à l’état initial, la coïncidence des géométries expérimentale et numérique doit être
la meilleure possible,
182
• le pilotage en déplacement est sensible au bruit de mesure. Un bruit trop important

peut créer des déplacements locaux (sur la zone de pilotage) non continus, et ainsi
générer des contraintes et déformations non physiques. Dans la plupart des cas, un
filtrage des données expérimentales est donc nécessaire.
2.3 Construction d’une fonction coût adaptée aux mesures de champs en

grandes déformations
2.3.1 Formulation
L'étape suivante dans l'exploitation des mesures de champs est de mettre en place une
fonction coût adaptée aux mesures de champs, c'est-à-dire qui est capable d'évaluer l'écart
entre une carte de déplacement numérique et expérimentale.
Pour réaliser cette évaluation on dispose, à chaque incrément, d'une carte de déplacement
expérimentale rattachée au maillage régulier issu de la prise de vue, et d'une carte de
déplacement numérique rattachée au maillage courant du calcul éléments finis.
Il est primordial de comparer les déplacements numériques et expérimentaux du même
point matériel. La première solution envisagée est de travailler avec un maillage coïncidant
entre les points de mesure expérimentaux et les nœuds du maillage éléments finis. Cette
approche est proposée par Springmann et al. [Spr06]. L'écart entre les déplacements
numériques et expérimentaux est alors évalué directement nœud à nœud. Un exemple de
maillage utilisé par Springmann est présenté Figure 5-7.
Figure 5-7 : Maillage coïncident entre les points de mesure du déplacement et les nœuds du
maillage éléments finis [Spr06]
Cette approche est peu flexible. En effet, le maillage est directement fixé par les données
expérimentales. Pour s'affranchir de cette contrainte et afin de travailler avec un maillage
quelconque, il est nécessaire de comparer les champs de déplacement rapportés à la
configuration initiale. La démarche mise en place est décrite Figure 5-8.
183
Chapitre 5
Uimp
Uimp
Calcul EF
Unum
U −1
Unum
Transport
Uimp
Uimp
Uimp Uimp
U −1
Essai - MDC Uexp Uexp Uexp, Unum
t0 : Configuration ti : Configuration ti : Configuration

initiale déformée non déformée
Figure 5-8 : Principe de comparaison des champs de déplacement
Les configurations déformées numérique et expérimentale sont obtenues respectivement

via le calcul éléments finis et la mesure de champs pendant l'essai mécanique. Ces deux
configurations sont alors ramenées dans la configuration initiale, et le champ de déplacement
numérique est transporté sur le maillage rattaché aux mesures de champs.
Cette démarche permet de regrouper sur un même maillage les informations issues du
calcul éléments finis et issues des mesures de champs.
L'utilisation des outils de transport présents dans la librairie CimLib® permet de travailler
avec des maillages numériques et de mesure de champs non coïncidents. Cette souplesse
d'utilisation a, en contre partie, un biais : le transport introduit une incertitude liée à l'erreur
d'interpolation entre les maillages.
Une fois les deux champs de déplacement exprimés sur le même maillage on peut évaluer
la fonction coût :
184
fcMDC ( P ) = ω x fcx ( P ) + ω y fc y ( P )
avec
 
∑ δ . (Ux ( P ) − Ux )
n 2
T  
num mdc
i i i
fcx ( P ) = ∑  i =1 
 n

t =1
 ∑δ i 
 i =1 
 n 2 
T  ∑  (
δ i . Uyinum ( P ) − Uyimdc  
 )
fc y ( P ) = ∑  i =1 
 n
 (5.11)
t =1
 ∑ δi 
 i =1 
où T est le nombre de clichés, n est le nombre de points de mesure, δ i la valeur binaire sur
la disponibilité de la mesure valant 0 (mesures non disponibles) ou 1(mesures disponibles),
ω x et ω y la pondération donnée aux composantes du déplacement, Uxinum et Uyinum les
déplacements suivant les deux axes issus du calcul éléments finis, et Uximdc et Uyimdc ceux issus
des mesures de champs. Afin de ne pas surcharger les notations, l'indice d'incrémentation
temporel t n'a pas été écrit : les grandeurs Uxinum , Uyinum , Uximdc , Uyimdc et δ i sont dépendantes
de t.
La formulation proposée ici permet donc de comparer et d'exploiter des mesures de
champs dans le cadre de grandes déformations et en utilisant toutes les méthodes numériques
spécifiques à ce cas, notamment les outils de remaillage adaptatif. Cette formulation ne tient
pas compte des incertitudes de mesure. Les travaux de Fazini [Faz09] proposent une
formulation proche de celle décrite équation (5.11), qui permet d'intégrer une incertitude
constante ou proportionnelle dans l'évaluation de la fonction coût.
La formulation (5.11) peut être rattachée aux méthodes de recalage éléments finis en
déplacement (REF-U) présentées précédemment. Cependant il semble préférable de conserver
l'information de la force de traction, la fonction coût utilisée sera donc une somme pondérée
des fonctions coût liées à l'observable globale de force et à l'observable locale de mesure de
champs de déplacement.
2.3.2 Gestion de la rupture

Comme pour le traitement des observables de type force/déplacement (Chapitre 4), il
existe des cas pour lesquels l'une des deux mesures de déplacement (numérique ou
expérimentale) n'est plus disponible pour un instant donné. Ces cas se présentent lorsque la
rupture de l'éprouvette numérique se produit de manière prématurée ou retardée par rapport à
la rupture observée expérimentalement.
Afin de gérer ces différents instants de rupture, une stratégie similaire à celle mise en
place pour compléter l'observable force-déplacement est mise en place (Chapitre 4,
paragraphe 3.2). Les mesures manquantes en un point sont complétées par les dernières
mesures disponibles en ce même point. La règle utilisée pour compléter les mesures
numériques et expérimentales est décrite par les conditions suivantes :
185
Chapitre 5
Uxinum = Uxinum
,t −1
Si δ inum =
,t
,t 0, alors  num
Uyi ,t = Uyi ,t −1
num
(5.12)
,t = Uxi ,t −1
Uxiexp exp
Si δ = 0, alors  exp
exp
i ,t
Uyi ,t = Uyi ,t −1
exp
Où δ i exp et δ i num représentent respectivement la disponibilité des mesures expérimentales et

numériques.
3 Etude de sensibilité par surface de réponse
3.1 Cas de référence - essai virtuel

Comme dans le chapitre précédent, l'analyse est faite sur la base d'un essai de traction.
L'essai considéré ici n'est cependant pas un essai sur une éprouvette présentant une zone utile
homogène : l'éprouvette présente un rayon dans la zone utile (Figure 5-9). L'objectif est de
créer une répartition non homogène des déformations et des déplacements.
35
Figure 5-9 : Eprouvette de traction entaillée (épaisseur 2mm)
Une simulation d'un essai de traction sur cette éprouvette est réalisée, les informations
(force résultante et champs de déplacement) obtenues sont conservées. Elles serviront de
« données expérimentales virtuelles » pour l'analyse de sensibilité. Les paramètres matériaux
utilisés pour la génération de l'essai virtuel sont rappelés dans le Tableau 4-2.
186
Paramètres Jeu 1
E 69000 MPa
ν 0.3
σy 46 MPa
K 430MPa
n 0.34
b 1
S0 0.7 MPa
wc 0.8
εd 0.16
lc 0.06 mm
h 0.2
Tableau 5-1 : Jeu de paramètres de référence pour la génération de l'essai virtuel
Le modèle direct mis en place ne modélise que la partie centrale de l'éprouvette (une zone
de 10 mm de part et d'autre du plan moyen de l'éprouvette), comme illustré Figure 5-4. On
utilise ici les mesures de champs à double titre : pilotage en déplacement sur les bords de la
zone d’étude et évaluation de la fonction coût (équation(5.11) ).
3.2 Sensibilité par rapport aux paramètres de la loi d'écrouissage

Une analyse de sensibilité par rapport aux paramètres du modèle d'écrouissage est réalisée.
240 évaluations du modèle direct sont effectuées. Les surfaces de réponse ainsi obtenues sont
présentées Figure 5-10. Pour chacun des couples de paramètres, les différentes contributions
de la fonction coût sont détaillées. Ainsi, nous observons dans les trois premières colonnes, la
fonction coût relative à la force fcF , relative aux déplacements en X fcx , et relative aux
déplacements en Y fc y , et dans la dernière colonne la fonction coût globale. Cette fonction
coût globale est une somme pondérée des différentes contributions (équation(5.13)), les poids
1
sont choisis égaux pour ces tests : ω x = ω y = ωF = .
3
fc ( P ) = ω x fcx ( P ) + ω y fc y ( P ) + ωF fcF ( P ) (5.13)
187
Chapitre 5
fcF : Force de traction fcx : Déplacement Ux fc y fc : Fonction coût globale

: Déplacement Uy
(direction transverse à la traction) (Moyenne)
(direction de traction)
Figure 5-10: Surfaces de réponse - analyse de sensibilité des contributions de la fonction coût par rapport aux paramètres de la loi d'écrouissage
188
Tout d'abord, nous pouvons noter que la forme des surfaces de réponse associées à la
contribution en force (Figure 5-10, colonne 1) ont une allure classique : le problème est mal
conditionné, les surfaces de réponse présentent une vallée importante. Ces vallées sont
significatives d'un problème de corrélation entre les paramètres du modèle, notamment
lorsque l’on n’utilise qu’une observable globale.
Plusieurs remarques peuvent être formulées par rapport à l'apport des mesures de champs :
• Analyse de sensibilité par rapport aux couples de paramètres (K, n) et (K, Sig0)
(Figure 5-10, lignes 1 et 2) :
o Observable force (Figure 5-10, colonne 1, lignes 1 et 2) : les deux surfaces
de réponse présentent une vallée relativement étroite (pointillés rouges), un
ensemble de jeux de paramètres (K, n) et (K, Sig0) proposent des fonctions
coût de valeur faible et sont donc des solutions potentielles du problème.
L'identification menée sur cette seule observable présente donc une
incertitude importante, due à la corrélation entre les paramètres du modèle.
o Observable Ux (Figure 5-10, colonne 2, lignes 1 et 2) : les deux surfaces de
réponse présentent une zone de minimum relativement large. La sensibilité
de la fonction coût aux paramètres est donc relativement faible. On
remarque cependant que les vallées observées précédemment ont disparues.
Ceci dénote d’une meilleure décorrélation des paramètres.
o Observable Uy (Figure 5-10, colonne 3, lignes 1 et 2) : les deux surfaces de
réponse présentent des vallées relativement étroites (pointillés rouges). Ces
vallées dénotent encore une fois d’une certaine corrélation entre les
paramètres vis-à-vis de l’observable. Cependant, ces vallées ont comme
principale caractéristique d'être orientées différemment de celles observées
sur la surface de réponse relative à la force (Figure 5-10, colonne 1, lignes
1 et 2) et sont donc, à ce titre, très riches d'informations.
o Combinaison des 3 contributions (Figure 5-10, colonne 4, lignes 1 et 2) :
une combinaison de ces surfaces de réponse permet de lever les problèmes
de sensibilité et de corrélation des paramètres liés aux couples de
paramètres (K, n) et (K, Sig0). En effet, ces surfaces de réponse présentent
un minimum bien défini et ne font plus apparaitre de vallées,
caractéristiques d'une corrélation entre les paramètres du modèle.
• Analyse de sensibilité par rapport au couple de paramètres (n, Sig0) (Figure 5-10,
ligne 3) : les trois surfaces de réponse (Figure 5-10, ligne 3, colonnes 1, 2 et 3)
présentent des vallées similaires (pointillés rouges). Pour ce couple de paramètres
les mesures de champs ne permettent pas de lever les problèmes de corrélation
entre les paramètres n et Sig0. Ce problème de corrélation est récurrent pour les
différentes observables, l'une des solutions couramment employée est de fixer le
seuil Sig0 en analysant la courbe force déplacement.
Cette analyse de sensibilité par rapport aux paramètres de la loi d'écrouissage, réalisée sur
un essai virtuel, permet de mettre en évidence l'intérêt d'exploiter des observables issues de
mesures de champs : cet ajout permet d'obtenir un problème de minimisation mieux
conditionné, limitant les corrélations entre paramètres. Le problème d'inversion est donc
mieux posé, il sera donc plus simple à résoudre et les paramètres identifiés le seront avec plus
de fiabilité.
189
Chapitre 5
3.3 Sensibilité par rapport aux paramètres de la loi d'évolution de

l'endommagement ductile de Lemaitre
Une analyse similaire est menée par rapport aux paramètres de la loi d'évolution de
l'endommagement ductile de Lemaitre. Les surfaces de réponse obtenues sont présentées
Figure 5-11, et les trois contributions de la fonction coût (Force, Ux, et Uy) sont détaillées.
La fonction coût globale, somme pondérée des différentes contributions (équation(5.13) ),
est tracée en colonne 4. Les poids sont choisis de manière à équilibrer l’influence des trois
contributions : ω x = ω y = 0.1, ωF = 1 .
190
Chapitre 5
fcF : Force de traction fcx : Déplacement Ux fc y fc : Fonction coût globale

: Déplacement Uy
(direction transverse à la traction) (Moyenne)
(direction de traction)
Figure 5-11: Surfaces de réponse - analyse de sensibilité des contributions de la fonction coût par rapport aux paramètres de la loi d'endommagement
192
L'analyse de sensibilité et le tracé des surfaces de réponse associées permettent de faire

plusieurs remarques :
• Analyse de sensibilité par rapport au couple de paramètres (b, S0) (Figure 5-11,
ligne 1) :
o L'extremum local présent en b=2.7, S0=0.7 MPa (Figure 5-11, ligne 1,
colonne 1, croix rouge) sur l'observable en force, est invalidé grâce à
l'observable du champ de déplacement Ux (Figure 5-11, ligne 1, colonne
2) : ce minimum local n'apparaît plus. Cette observation est tout à fait en
accord avec les observations réalisées en considérant l'observable de
striction (Chapitre 3, paragraphe 3.5). En effet, la mesure de striction est
indirectement comprise dans la mesure du champ de déplacement Ux.
o La somme des trois surfaces de réponse (Figure 5-11, ligne 1, colonne 4)
fait toujours apparaitre ce minimum local. Ici, apparait l'influence de la
pondération des trois contributions, un poids plus important sur la fonction
cout fcx permettrait d'estomper ce minimum local.
• Analyse de sensibilité par rapport au couple de paramètres (EpsD, S0) (Figure

5-11, ligne 2) :
o Observable force (Figure 5-11, ligne 2, colonne 1) : la surface de réponse
présente une vallée, signe d'une corrélation entre paramètres du modèle
(pointillés rouges).
o Observables Ux et Uy (Figure 5-11, ligne 2, colonnes 2 et 3) : les surfaces
de réponse ne présentent plus de vallée, mais la sensibilité de la fonction
coût aux paramètres du modèle est assez faible, pour le déplacement Ux par
exemple.
o La somme des trois surfaces de réponse (Figure 5-11, ligne 2, colonne 4) ne
fait plus apparaitre de vallée. Les mesures de champs permettent donc de
supprimer la corrélation entre ces deux paramètres, et le minimum est
clairement identifié.
• Analyse de sensibilité par rapport au couple de paramètres (b, EpsD) (Figure 5-11,
ligne 3) :
o Observable force (Figure 5-11, ligne 3, colonne 1) : la surface de réponse
présente une vallée (pointillés rouges), tout de même moins prononcée que
sur les surfaces préalablement étudiées.
o Observables Ux et Uy (Figure 5-11, ligne 3, colonnes 2 et 3) : les surfaces
de réponse présentent également des vallées, qui sont cependant moins
prononcées que pour l’observable Force.
o La somme des trois surfaces de réponse (Figure 5-11, ligne 3, colonne 4)
fait toujours apparaitre cette vallée. Elle est cependant un peu moins
prononcée que celle relative à l'observable de force. Le paramètre EpsD
semble clairement identifié, mais c’est le paramètre b qui présente une zone
(0.5<b<1.1) de faible sensibilité de l’observable par rapport à ce paramètre.
Cette analyse de sensibilité permet de montrer l'apport des mesures de champs pour
l'identification des paramètres de la loi d'évolution de l'endommagement.
La faible sensibilité par rapport au paramètre b (à S0 fixé) reste présente mais moins
marquée.
193
Chapitre 5
L’amélioration obtenue ici est en accord avec l’amélioration qui avait été obtenue avec la
mesure locale de la striction. Sur le plus long terme, la mesure des champs de déplacement
peut s’avérer plus intéressante, notamment pour l’identification de propriétés anisotropes.
Cette analyse de sensibilité met aussi en évidence une difficulté liée aux mesures de
champs et plus particulièrement à l'aspect multi-objectifs de l'identification. La fonction
minimisée est une somme pondérée de 3 contributions. Or pour le cas traité ici les 3
contributions ont un ordre de grandeur différent (une décade entre la contribution de la force
et les contributions des mesures de champs). La pondération choisie aura donc un impact fort
sur la solution du problème.
Enfin notons que la forme du problème de minimisation, et particulièrement la présence

de minima locaux, justifie l'utilisation d'une méthode d'optimisation globale telle que celle
que nous utilisons ici et qui est basée sur l'algorithme EGO-p.
4 Identification des paramètres matériaux d'un acier DC04
4.1 Données expérimentales : prétraitement – filtrage

L'essai de traction, sur l'éprouvette présentée en Figure 5-9, est réalisé sur une machine de
traction conventionnelle. La vitesse de traverse est fixée à 0.1mm/s. L'acquisition des images
est faite à une fréquence de 5Hz. Les champs de déplacement sont ensuite obtenus par
traitement de 1 image sur 6 avec Aramis®. On choisit pour cette étude de conserver une
image sur 6 pour limiter la durée de la simulation, le nombre de pas de temps étant fixé par la
cadence des images. Les champs ainsi obtenus sont présentés Figure 5-12. Sur ces champs de
déplacement, l'effet de striction apparait nettement (Figure 5-12 b et d). Sur ces vues
apparaissent aussi le fait que les mesures de champs ne sont pas « disponibles » ou erronées
sur les bords de l'éprouvette. L'exploitation de ces données nécessite donc, pour le pilotage,
d'extrapoler les déplacements sur les bords de l'éprouvette.
194
(a) Uy - t=120s (b) Ux - t=120s
(c) Uy - t=156s (d) Ux - t=156s
Figure 5-12 : Mesures de champs issues de l'essai de traction (Acier DC04)
Pour compléter ces mesures, on propose de réaliser une extrapolation des mesures suivant
des lignes perpendiculaires à l'axe de l'éprouvette (Figure 5-12 a et b, lignes blanches). Les
mesures disponibles sur ces lignes (Figure 5-13, cercles bleus) sont ensuite extrapolées par un
polynôme du second ordre, polynôme qui sert ensuite à compléter les mesures (Figure 5-13,
points rouges). Cette méthode de complétion des mesures est appliquée dans les zones
supérieure et inférieure de l'éprouvette, zones qui serviront ensuite pour le pilotage du modèle
éléments finis. Les cartes de déplacement ainsi obtenues sont présentées Figure 5-14. Il est à
noter que ces mesures complétées ne servent que pour le pilotage de la simulation ; seules les
données brutes sont utilisées pour le calcul de la fonction coût.
195
Chapitre 5
Mesures brutes Mesures brutes

Mesures extrapolées Mesures extrapolées
(a) Uy - t=120s (b) Ux - t=120s
Figure 5-13 : Extrapolation des mesures sur le bord de l'éprouvette pour l’application des
conditions aux limites
(a) Ux - mesures brutes (b) Ux - mesures complétées
(a) Uy - mesures brutes (b) Uy - mesures complétées
Figure 5-14 : Complétion des mesures pour le pilotage
196
On dispose, pour cet essai, de 140 clichés allant du début de l'essai à la rupture complète
de l'éprouvette, ainsi que de l'enregistrement de l'effort de traction (Figure 5-15).
Figure 5-15 : Effort de traction sur éprouvette de traction DC04 - Identification de la loi
d'écrouissage
4.2 Identification des paramètres d’écrouissage

Pour réaliser cette identification, un modèle direct, décrit au Chapitre 3, est utilisé.
L'identification est réalisée en minimisant une fonction coût prenant en compte les champs de
déplacement suivant x et y ainsi que la force de traction. Pour identifier les paramètres relatifs
à la loi d'écrouissage on ne tient compte que de la première partie de l'essai de 0 à 84s. La
pondération des différents termes de l'équation (5.13) est choisie de manière à donner à
chaque fonction coût un poids comparable : ω x = ω y = 0.1, ωF = 1 .
4.2.1 Résultats de l'identification

Les surfaces de réponse obtenues sont présentées en Figure 5-17. Elles sont obtenues
après 58 calculs du modèle direct. La solution optimale est présentée Figure 5-15 pour la
force et Figure 5-16 pour les champs de déplacement. Les valeurs des paramètres identifiés
ainsi que les bornes de recherche utilisées sont données dans le Tableau 5-2.
Les résultats sont relativement bons par rapport à la force (Figure 5-15) : la fonction coût
est de fcF = 0.019 . En revanche, l'erreur sur les champs de déplacement est plus importante :
fcx = 1.82 et fc y = 1.19 . Cet écart apparait sur les cartes de déplacement tracées en Figure
5-16.
L'écart est important sur les champs de déplacement suivant x (Figure 5-16a), où l'erreur
observée est de 0.15mm pour une mesure de l'ordre de 0.42mm, soit une erreur relative de
35%. Sur le champ de déplacement suivant y (Figure 5-16c), l'erreur est de 0.05mm pour une
mesure de l'ordre de 1mm soit une erreur relative de 5%.
Les écarts observés peuvent être expliqués par plusieurs causes :
• Le matériau testé présente une anisotropie marquée, due au procédé de laminage
utilisé pour obtenir les tôles. Cette anisotropie n’est pas prise en compte par le
critère de plasticité de von Mises. La striction, plus marquée expérimentalement
que numériquement, peut provenir en partie de cette approximation.
197
Chapitre 5
• Pour ce test de faisabilité un seul essai a été réalisé. La fiabilité des mesures
expérimentales n'est donc pas assurée. Des essais de répétabilité sont donc
indispensables.
(a) Ecart sur le champ de déplacement selon x (b) superposition des champs de
- t=84s déplacement suivant x expérimentaux (trait)
et numériques (couleur) - t=84s
(c) Ecart sur le champ de déplacement selon y (d) superposition des champs de
- t=84s déplacement suivant y expérimentaux (trait)
et numériques (couleur) - t=84s
Figure 5-16 : Résultats de l'identification - champs de déplacement
198
Plage de Paramètres Nombre de calculs

Paramètres
recherche identifiés du modèle direct
σ y (MPa) [40 ; 200] 147 MPa 98 calculs du
K (MPa) [100 ; 800] 430 MPa modèle direct /
15 itérations
n [0.15 ; 1] 0.47
Tableau 5-2 : Bornes de recherche et résultat de l'identification des paramètres de la loi
d'écrouissage de l'acier [DC04]
4.2.2 Surfaces de réponse
199
Chapitre 5
Force de traction Déplacement Ux Déplacement Uy Fonction coût globale

(direction transverse à la traction) (direction de traction) (Moyenne pondérée)
Figure 5-17 : Identification de la loi de plasticité de l'acier DC04 - surfaces de réponse - contributions des fonctions coût
200
Conclusion générale et perspectives
Le tracé des surfaces de réponse présentées sur la Figure 5-17 permet de faire plusieurs
remarques :
• Surfaces de réponse relatives à la force (Figure 5-17, colonne 1) : la forme de ces
trois surfaces est comparable à celle obtenue lors de l'étude de sensibilité. Des
vallées, caractéristiques de la corrélation des paramètres vis-à-vis de l’observable
force, sont visibles. Sur chacune de ces surfaces, le minimum détecté par rapport à
la fonction coût globale (donc le résultat final de toute la procédure
d’identification) est représenté par une croix bleue.
• Surfaces de réponse relatives aux champs de déplacement (Figure 5-17, colonnes 2

et 3) : les valeurs sont toutes assez élevées.
o Les surfaces de réponse relatives au déplacement Ux (Figure 5-17, colonne
2) présentent une sensibilité relativement faible, et apporte donc peu
d'informations supplémentaires.
o Les surfaces de réponse relatives au déplacement Uy (Figure 5-17, colonne
3) présentent une sensibilité plus significative. Le minimum est bien défini
et la mesure de champs apporte ici une source d'informations
supplémentaires intéressante.
• Surfaces de réponse relatives à la fonction coût globale (Figure 5-17, colonne 4) :

la forme de ces trois surfaces montre un problème d'optimisation relativement
simple à résoudre. Il est cependant important de garder à l'esprit que la solution
obtenue est fortement liée à la pondération des différentes contributions.
4.3 Identification des paramètres de la loi d'évolution de

l'endommagement
Pour réaliser cette identification, un modèle direct élasto-plastique couplé à un modèle
d'endommagement (décrit Chapitre 3) est utilisé. L'identification est réalisée en minimisant
une fonction coût prenant en compte les champs de déplacement suivant x et y ainsi que la
force de traction.
Pour identifier les paramètres relatifs à la loi d'évolution de l'endommagement on exploite
la totalité des données expérimentales. La pondération des différents termes de l'équation
(5.13) est choisie de manière à ce que chaque fonction coût ait un poids comparable
: ω x = ω y = 0.1, ωF = 1 .
Les paramètres de la loi d'écrouissage sont fixés aux valeurs déterminées lors de
l'identification précédente. Pour cette identification seuls deux paramètres de la loi d'évolution
de l'endommagement sont identifiés, le paramètre b est fixé à 2 (cette valeur est une valeur
classique pour les aciers ductiles [Lem05, Fay08]).
Les résultats obtenus sont présentés sur les Figure 5-18 et Figure 5-19, et les paramètres
identifiés sont donnés dans le Tableau 5-3.
201
Plage de Paramètres Nombre de calculs

Paramètres
recherche identifiés du modèle direct
b Fixé 2 48 calculs du
S0 [0.5 ; 3] 0.94 MPa modèle direct /
εd [0.02 ; 0.18] 0.02 9 itérations
Tableau 5-3 : Bornes de recherche et résultat de l'identification des paramètres de la loi
d'évolution de l'endommagement de Lemaitre de l'acier DC04
Les résultats obtenus ne sont pas satisfaisants, notamment en terme de champs de

déplacement, et dans une moindre mesure la force identifiée (Figure 5-18). Ce résultat était
prévisible à la vue de la mauvaise précision obtenue sur l'identification des paramètres de la
loi d'écrouissage.
La courbe de la force de traction fait apparaitre que le jeu des paramètres
d'endommagement identifié a tendance à trop adoucir le comportement du matériau, et cela
dès le début de l'essai, pour des faibles déformations. La minimisation de la fonction coût a
donc tendance à favoriser un adoucissement du matériau pour mieux accommoder les
déplacements.
Figure 5-18 : Effort de traction sur éprouvette de traction DC04 - Identification de la loi
d'endommagement
202
(a) Ecarts sur le champ de déplacement (b) Ecarts sur le champ de déplacement
selon y - t=153s selon x- t=153s
Figure 5-19 : Résultat d'identification de la loi d'endommagement - écarts des champs de

déplacement
Les résultats proposés ici sur l'identification des paramètres de la loi d'endommagement à
partir des mesures de champs ne sont pas vraiment satisfaisants. Le fort écart déjà introduit
en termes de déplacements lors de l'identification des paramètres du modèle d'écrouissage
peut expliquer l'inefficacité de l'identification des paramètres de la loi d'endommagement sur
cette base.
4.4 Bilan de l'identification des paramètres de l'acier DC04

Les résultats obtenus montrent une assez bonne corrélation en terme de force mais pas en
terme de déplacement, notamment selon la direction transverse à l’axe de traction. Les causes
de cet écart peuvent être de natures diverses : modèle d’écrouissage non représentatif du
matériau (anisotropie) ou encore mesures expérimentales entachées d'erreur.
Les résultats présentés dans ce chapitre sont de précision moindre que ceux présentés dans
la littérature. Par exemple ceux présentés par Springmann et al. [Spr06] où les paramètres
d'endommagement de Gurson-Tevgaard-Needleman sont identifiés sur la base de mesures de
champs, aboutissent à un écart de l'ordre de 15% sur les champs de déplacement.
La majeure partie de l'analyse présentée dans ce chapitre est basée sur une approche
numérique. Pour approfondir et fiabiliser la méthode mise en place, une campagne d'essais
plus vaste est nécessaire. La précision des moyens de mesure doit être évaluée. De même,
l’utilisation de lois d’écrouissage plus riches et mieux adaptées aux matériaux étudiés serait
nécessaire. Une fois la plasticité correctement identifiée, l’identification des paramètres
d’endommagement sera également plus facile.
5 Conclusion
Dans ce chapitre, une approche permettant d’exploiter les mesures de champs pour
l'identification des paramètres matériaux a été mise en place dans le cadre de grandes
203
déformations. L'approche retenue pour notre étude est une approche par recalage éléments
finis. La méthodologie appliquée est basée sur deux étapes : le pilotage du modèle direct par
des mesures issues des mesures de champs, et la construction d'une fonction coût comparant
les champs de déplacement numériques et expérimentaux.
L'analyse de sensibilité par surface de réponse, menée sur un essai virtuel, montre l'apport
très intéressant des mesures de champs pour identifier les paramètres de loi d'écrouissage : la
plupart des problèmes de corrélation entre les paramètres sont levés. Les gains sont moins
importants sur l'identification des paramètres de la loi d'évolution de l'endommagement, mais
on note tout de même que le couple de paramètres (S0, EpsD) est plus facilement identifiable.
La faible sensibilité par rapport au paramètre b reste présente.
L'application de cette méthodologie à un essai réel a nécessité, au préalable, un traitement

des données expérimentales dans le but de minimiser le bruit et compléter les mesures de
déplacement dans les zones de l'éprouvette utilisées pour le pilotage de la simulation. Les
résultats obtenus permettent tout d'abord de montrer la souplesse de la méthode retenue. Les
mouvements de corps rigide ne sont pas problématiques, et le choix d'une méthode
d'interpolation-transport des mesures permet de traiter des cas ne présentant pas de
coïncidence entre les nœuds du maillage et les points de mesure. Ceci rend l'utilisation du
remaillage automatique possible, ce qui est indispensable dans le cadre de grandes
déformations. Les résultats mettent aussi en évidence la carence du modèle de plasticité utilisé
à retranscrire les déplacements transverses observés.
De nombreuses questions restent en suspend, des questions liées notamment à l'impact de
l'incertitude de mesure, ou encore l'impact de l'erreur de calage entre la géométrie réelle et
numérique. Certains aspects numériques doivent également être étudiés plus en détail : le pas
de temps est fixé par la fréquence des clichés, cette contrainte a une influence non négligeable
sur la pertinence des résultats numériques pour le calcul du couplage entre la loi de
comportement et l'endommagement.
Même si de nombreux points restent à approfondir, les résultats obtenus sont
encourageants. La méthodologie proposée et analysée via les surfaces de réponse, a permis de
bien mettre en évidence l'aspect multi-objectifs du problème inverse incluant des mesures de
champs, et notamment le problème lié au choix du poids de chacune des observables dans le
calcul de la fonction coût globale. L'analyse par surfaces de réponse a aussi permis de montrer
qu'il était possible de lever les problèmes de corrélation entre les paramètres du modèle en
exploitant les mesures de champs, particulièrement celles apparaissant lors de l'identification
des paramètres de la loi d'écrouissage. Ainsi, l’approche et les développements réalisés dans
le cadre de cette thèse permettront à l’avenir une meilleure identification des paramètres de
comportement (notamment anisotrope) et d’endommagement en un nombre limité d’essais.
204
Depuis quelques années, il a été démontré l’intérêt d’intégrer la phase de mise en forme
dans le dimensionnement des structures mécaniques en service. Ainsi, l’optimisation de la
tenue mécanique des structures nécessite la construction d’une chaîne de simulation virtuelle
intégrant mise en forme et propriétés en service. C’est dans le cadre de l’assemblage par
déformation plastique que cette approche a été illustrée ici.
Ce travail de thèse a permis dans une première partie de mettre en place la plateforme
MOOPI (MOdular software dedicated to Optimization and Parameters Identification). Cet
outil, dédié à l'étude de sensibilité, l'analyse inverse et l'optimisation, est capable de
communiquer avec un large panel de logiciels de calcul scientifique. La solution proposée
atteint les objectifs initialement fixés : la plateforme est capable de résoudre différents types
de problèmes d'optimisation et sa structure orientée objet permet l'intégration de nouvelles
méthodes d'analyse et d'optimisation, ce qui assure son évolutivité.
Un algorithme d'optimisation adapté à la problématique des assemblages par déformation
plastique a été implémenté. Une version parallèle de l'algorithme est également proposée. Les
principales caractéristiques et points forts de l'algorithme EGO-p implémentés dans MOOPI
sont les suivants :
• Une méthode d’optimisation globale, évitant de rester piégée dans des
minima locaux.
• Un algorithme adapté aux problèmes lourds en terme de temps de calcul
(optimisation assistée par métamodèle par krigeage et parallélisation de la
méthode).
• Un faible nombre de paramètres de réglage de l'algorithme, ce qui facilite son
utilisation dans un cadre industriel.
• Un algorithme non intrusif par rapport au logiciel de calcul, permettant ainsi de
coupler MOOPI à différents logiciels de calcul.
La seconde partie du travail est axée sur l'exploitation de la plateforme MOOPI. Deux
applications principales ont été développées :
• La mise en place d'une procédure d'optimisation des procédés d'assemblage par
déformation plastique.
• L'identification par analyse inverse des paramètres d'une loi de comportement
élasto-plastique couplée à un modèle d’endommagement ductile de Lemaitre.
La Première application fait l'objet du chapitre 3. Une procédure d'optimisation des

assemblages par déformation plastique à été définie, les étapes de cette procédure sont :
205
• La validation de la modélisation du procédé et de la tenue mécanique de

l'assemblage.
• La mise en place d'un chaînage automatique des deux modélisations (clinchage et
tenue à l’arrachement), en conservant notamment l'historique thermomécanique du
matériau.
• L'étude de sensibilité dans l'objectif de discriminer les paramètres procédé les plus
influents et donc les plus pertinents en vue de l’optimisation.
• L'optimisation automatique de la tenue mécanique du point d’assemblage.
Cette procédure a été appliquée à la technologie de clinchage. Les résultats de
l'optimisation réalisée avec MOOPI ont permis un gain de 13.5% de la tenue mécanique à
l'arrachement en traction pure et de 41% en cisaillement. La solution optimisée propose une
géométrie d'outils limitant la croissance de l'endommagement dans la zone du collet du point
clinché. De plus, l’approche mise en place permet de repérer les zones de l’espace de
recherche présentant un maximum stable. Cette stabilité du maximum est importante dans la
mesure où elle indique qu’une variabilité des paramètres d’entrée n’auront qu’une faible
influence sur le résultat de le tenue mécanique.
La seconde application fait l'objet des chapitres 4 et 5. Dans ces chapitres ont été
investiguées les possibilités d'identification des paramètres de la loi d'endommagement
ductile de Lemaitre sur la base d'essais de traction. La définition d'une fonction coût adaptée
au problème d'adoucissement/rupture a permis tout d'abord de mieux définir le problème
inverse. Ensuite, une analyse de sensibilité par étapes successives a été réalisée : à chaque
étape la base d'observable a été enrichie. Tout d'abord l'analyse de sensibilité menée par
rapport à l'observable force/déplacement a permis de mettre en évidence la difficulté liée à
l'identification du paramètre b du modèle d'endommagement de Lemaitre. En effet les
surfaces de réponse tracées font apparaitre une très faible sensibilité de la fonction coût par
rapport à ce paramètre ainsi que des minima multiples. Ensuite, la base d'observables a été
enrichie par une mesure locale de striction de l'éprouvette. Contrairement à ce qui était
attendu, cet ajout ne modifie pas sensiblement la nature du problème inverse : les faibles
sensibilités et les minima locaux restent présents. Cependant les sensibilités sont améliorées,
ce qui explique l'accélération de la vitesse de convergence de la minimisation. Cette
accélération met en évidence l'intérêt d'enrichir la base d'observables.
Finalement, au chapitre 5, des mesures de champs sont ajoutées à la base d'observables.
Les tests numériques menés montrent que ce type d'observables est très riche et améliore la
forme du problème inverse. Cette amélioration est très nette pour l'identification des
paramètres de la loi d'écrouissage : les problèmes de corrélation entre paramètres sont levés
grâce à l'utilisation des mesures de champs. Concernant les paramètres d’endommagement, la
corrélation entre les paramètres S0 et ε d est aussi diminuée. En revanche, même si l’on peut
noter une légère amélioration, l'identification du paramètre b reste délicate. On remarque
notamment l’importance du choix des poids associés aux différentes parties de la fonction
coût. Le premier test d'identification à partir de mesures de champs expérimentales n'est pas
tout à fait concluant, et plusieurs raisons ont été évoquées : précision des mesures de champs
expérimentales, représentativité de la loi de comportement élasto-plastique utilisée,
anisotropie… Ce test a cependant permis de tester la totalité de la méthodologie qui a été mise
en place, notamment le traitement du bruit de mesure et le lien entre le logiciel de corrélation
d'image (Aramis®) et la librairie CimLib®.
Au travers de ces deux derniers chapitres, il est important de noter la grande difficulté de
dissocier la plasticité de l’endommagement ductile à partir d’observables globales (courbes
force-déplacement) et locales (mesures de striction). L’observation des mécanismes
d’endommagement à l’échelle de la microstructure peut permettre, à terme, de mieux
206
quantifier cet endommagement ductile. Les techniques d’observation, telles que la

tomographie à rayons X, ont beaucoup évolué ces dernières années et permettent d’observer
l’évolution de porosités au cours d’essais mécaniques. Ces observations, couplées à des
modèles d’endommagement plus physiques, permettront à terme de mieux dissocier plasticité
et endommagement ductile. Cela nécessite cependant de travailler sur des éprouvettes de très
petites dimensions.
Globalement, ces travaux ont permis de mettre en place un outil d'optimisation efficace et
fiable, qui a pour vocation d'être utilisé au sein du laboratoire pour d’autres applications.
Plusieurs collaborations ont d’ailleurs été mises en place au cours de la thèse pour utiliser la
plateforme MOOPI avec d’autres logiciels ou pour d’autres problèmes physiques. Quelques
exemples sont présentés en Annexe pour illustrer cela. Dans le cadre du projet MONA LISA,
cet outil a permis d'apporter des solutions en termes d'identification de paramètres matériaux
et d'optimisation des assemblages par déformation pastique. Cependant de nombreuses
perspectives et améliorations sont envisageables.
Tout d'abord, la pérennisation de la plateforme MOOPI passe par le développement d'une

interface utilisateur, notamment une interface dédiée à l'analyse inverse qui est l'application la
plus couramment utilisée au CEMEF. Il semble ensuite très prometteur d'intégrer de nouvelles
méthodes d'analyses à la plateforme, par exemple des méthodes d'optimisation sous
contraintes et multi-objectifs adaptées aux problématiques de la mise en forme au sens large.
Ces aspects multi-objectifs ont été traités au CEMEF, dans les travaux de thèse de M. Ejday
[Ejd11].
Une notion très importante liée aux variabilités et incertitudes est encore peu prise en
compte dans l'optimisation des procédés de mise en forme. Les outils mathématiques existent
pour répondre à ces problématiques. Les métamodèles par krigeage se prêtent par exemple
très bien à ce type d'exercice au travers de la prise en compte d'une incertitude sur la valeur
même de la fonction coût. Il serait également intéressant d’y intégrer des méthodes
probabilistes afin d'évaluer la variabilité d'un procédé en fonction de la variabilité des
paramètres d'entrée (paramètres matériaux, paramètres procédé). La plateforme MOOPI de
par sa conception modulaire est capable d'intégrer ce type d'analyse, ainsi que tout nouvel
algorithme d’optimisation.
L'identification des paramètres matériaux et notamment des paramètres de loi

d'endommagement ductile à l'échelle macroscopique ouvre aussi de nombreuses perspectives.
L'étude des assemblages par déformation plastique a montré la nécessité d'identifier les
paramètres matériaux pour des sollicitations mécaniques représentatives du procédé en termes
de triaxialité et d'angle de Lode. En particulier, le développement d'essais spécifiques, et
l'identification à partir de ces essais constituent une voie très prometteuse pour mieux
identifier les paramètres des lois d'endommagement ductile. Des travaux sont actuellement en
cours au laboratoire sur ces problématiques [Gac10].
Dans cet objectif d'identification et de compréhension des phénomènes

d'endommagement, les mesures de champs semblent être un très bon moyen d'investigation.
En effet, les premiers tests menés pendant la thèse ont montré l'intérêt de telles méthodes,
sous réserve de l’amélioration de la précision des mesures. Le suivi de la localisation de la
déformation devrait s'avérer être, à terme, un outil puissant pour comprendre les mécanismes
d'endommagement. Les travaux de mesures de champs réalisés au laboratoire lors des travaux
de thèse de C. Pradille [Pra11] sur l'utilisation de mouchetis par speckle laser semblent très
prometteurs, notamment pour les déformations à chaud. La méthode développée permet de
207
mesurer des déplacements dans des conditions extrêmes, aussi bien en grande déformation
qu’à haute température. La Figure i, montre l’évolution du champ de déplacement, et du
champ de déformation sur une éprouvette percée de deux trous de diamètre 1 mm. Les essais
sont réalisés sur une éprouvette en acier inox, à 850°C. L’hétérogénéité du champ de
déformation résultant de la présence des deux trous est particulièreemnt intéressante.
L’influence de la température sur les mécanismes de localisation de la déformation, ou encore
l’influence de la distance et la forme des porosités sur les mécanismes d’endommagement à
chaud sont autant de thèmes scientifiques très prometteurs pour l’avenir.
Figure i : Champs de déplacement (à gauche) et de déformation (à droite) obtenus par mesures

speckle sur une éprouvette percée lors d’un essai de traction à 850°C
Enfin l'optimisation du cycle de vie complet d'une pièce est un grand défi. La démarche
présentée dans ce manuscrit propose l'optimisation des technologies d'assemblage par rapport
à la tenue statique en service. L'une des perspectives de ces travaux est d'optimiser le point
d'assemblage par rapport à la tenue en fatigue. À termes, ces deux objectifs pourront être
optimisés par des méthodes multi-objectifs.
208
Références
Références
[And97] : S. Andrieux, A. BenAbda, H. Bui, On the identification of planar cracks in

elasticity via reciprocity gap concept, Comptes Rendus De L'academie Des Sciences Serie I-
mathematique 324, pp.1431-1438, 1997.
[Arb11] : L. Arbaoui, Modélisation numérique du Procédé PROFIL, thèse de doctorat,

Mines ParisTech, 2011.
[Avr08] : S. Avril, M. Bonnet, A.-S. Bretelle, M. Grediac, F. Hild, P. Ienny, F. Latourte,

D. Lemosse, S. Pagano, E. Pagnacco, F. Pierron, Overview of identification methods of
mechanical parameters based on full-field measurements, Experimental Mechanics 48,
pp.381-402, 2008.
[Bai08] : Y. Bai, T. Wierzbicki, A new model of metal plasticity and fracture with
pressure and Lode dependence, International Journal of Plasticity 24, pp.1071-1096, 2008.
[Bee03] : W.C.M. van Beers, J.P.C. Kleijnen, Kriging for interpolation in random
simulation, Journal of the Operational Research Society 54, pp.255–262, 2003.
[Boc10] : S. Bochkanov, V. Bystritsky, AlgLib user guide - Univariate and multivariate

optimization, www.alglib.net/optimization/, lien actif le 6-2010.
[Bon07] : M. Bonte, Optimisation strategies for metal forming processes, thèse de

doctorat, University of Twente, 2007.
[Bou10] : P.O. Bouchard, L. Bourgeon, S. Fayolle, K. Mocellin, An enhanced Lemaitre

model formulation for materials processing damage computation, International Journal of
Material Forming , pp.1-17, 2010.
[Bou08] : P.O. Bouchard, T. Laurent, L. Tollier, Numerical modelling of self-pierce

riveting from riveting process modelling down to structural analysis, Journal of Materials
Processing Technology 202, pp.290-300, 2008.
[Bro70] : C.G. Broyden, The convergence of a class of double-rank minimization

algorithms, Journal of the Institute of Mathematics and Its Applications 6, pp.222-231, 1970.
[Car08] : D. Cardinaux, Etude et modélisation numérique 3D par éléments finis d’un

procédé de traitement thermique de tôles embouties après chauffage par induction :
209
Références
Application à un renfort de pied central automobile, thèse de doctorat, Mines ParisTech,

2008.
[Cas11] : Castem, http://www-cast3m.cea.fr/cast3m/index.jsp, lien actif le 3-2011.
[Cha06] : H. Chalal, S. Avril, F. Pierron, F. Meraghni, Experimental identification of a

nonlinear model for composites using the grid technique coupled to the virtual fields method,
Composites Part A-applied Science And Manufacturing 37, pp.315-325, 2006.
[Che11] : N. Chen, R. Ducloux, C. Pecquet, J. Malrieux, M. Thonnerieux, M. Wan, J.-L.

Chenot, Numerical and experimental studies of the riveting process, International Journal of
Material Forming 4, pp.45-54, 2011.
[Che02] : J.-L. Chenot, L. Fourment, K. Mocellin, Numerical treatment of contact and

friction in FE simulation of forming processes, Journal of Materials Processing Technology
125-126, pp.45-52, 2002.
[Cla04] : D. Claire, F. Hild, S. Roux, A finite element formulation to identify damage

fields: the equilibrium gap method, International Journal For Numerical Methods In
Engineering 61, pp.189-208, 2004.
[Cou00] : T. Coupez, H. Digonnet, R. Ducloux, Parallel meshing and remeshing, Applied

Mathematical Modelling 25, pp.153-175, 2000.
[Cro08] : L. Crouzeix, Identification de champs de propriétés mécaniques de structures

composite à partire de mesures de champs de déplacement, thèse de doctorat, universitй de
Toulouse III - Paul Sabatier, 2008.
[Dig07] : H. Digonnet, L. Silva, T. Coupez, Cimlib: A Fully Parallel Application For

Numerical Simulations Based On Components Assembly, AIP Conference Proceedings 908,
pp.269-274, 2007.
[Dix94] : L.C.W. Dixon, D.J. Mills, Effect of Rounding Errors on the Variable Metric
Method, Journals of optimization theory and application 80, pp.175-179, 1994.
[Do06] : T.T. Do, Optimisation de forme en forgeage 3D, thèse de doctorat, Mines
ParisTech, 2006.
[Doc10] : S.G.E. Documentation, Sun Grid Engine Documentation, http://docs.sun.com/,

lien actif le 5-2010.
[Dro97] : J. Droesbeke, M. Lejeune, G. Saporta, Analyse statistique des données spatiales,

Editions TECHNIP, M. Lejeune, 1997.
[Ejd11] : M. Ejday, Optimisation Multi-Objectifs à base de Métamodèle pour les Procédés

de Mise en Forme, thèse de doctorat, Mines ParisTech, 2011.
[Emm06] : M. Emmerich, K. Giannakoglou, B. Naujoks, Single- and Multi-objective

Evolutionary Optimization Assisted by Gaussian Random Field Metamodels, IEEE
Transactions on Evolutionary Computation Vol 10, pp.421-439, 2006.
210
Références
[Fay08] : S. Fayolle, Etude de la modélisation de la pose et de la tenue mécanique des

assemblages par déformation plastique Application au rivet auto-poinçonneur, thèse de
doctorat, Mines ParisTech, 2008.
[Faz09] : M. Fazzini, Dévelopement de méthodes d'intégration des mesures de champs,

thèse de doctorat, universitй de Toulouse, 2009.
[Fis25] : R. Fisher, Statistical Methods for Research Worker, Olivier and Boyd, 1925.
[Fle63] : R. Fletcher, M.J.D. Powell, A Rapidly Convergent Descent Method for

Minimization, Computer Journal 6, pp.163-168, 1963.
[Fle64] : R. Fletcher, C.M. Reeves, Function Minimization By Conjugate Gradient,

Computer Journal 7, pp.149-154, 1964.
[Fog92] : D.B. Fogel, Evolving Artificial Intelligence, thèse de doctorat, University of

California, 1992.
[For04] : R. Forestier, Développement d'une méthode d'identification de paramètres par

analyse inverse coulée avec un modèle éléments finis, thèse de doctorat, Mines ParisTech,
2004.
[Gac10] : J.-M. Gachet, Conception Integree De Flasques De Sieges Automobiles Etude

De L'endommagement Ductile - Mémoire d'avancement, Mines ParisTech, 2010.
[Gar07] : G. GaryWang, S. Shan, Review of Metamodeling Techniques in Support of

Engineering Design Optimization, Journal of Mechanical Design 129, pp.370-380, 2007.
[Gin10] : D. Ginsbourger, R. Riche, L. Carraro, Kriging Is Well-Suited to Parallelize

Optimization, Springer Berlin Heidelberg, Chapitre de Computational Intelligence in
Expensive Optimization Problems, pp.131-162, 2010.
[Git06] : M. Giton, A.S. Caro-Bretelle, P. Ienny, Hyperelastic behaviour identification by

a forward problem resolution: Application to a tear test of a silicone-rubber, Strain 42,
pp.291-297, 2006.
[Gol89] : D.E. Goldberg, Genetic Algorithms in Search, Optimization, Machine Learning,

Addison-Wesley Publishing company, 1989.
[Gom10] : Gom, http://www.gom.com/fr/systemes-de-mesure/apercu-systeme/aramis.html,

lien actif le 9-2010.
[Gou03] : J. Goupy, Introduction aux plans d'expériences, Dunod, 2003.
[Gre11] : H.F. Grediac Michel, Mesures de champs et identification en mécanique des

solides (Série matériaux et métallurgie, MIM), Hermès-Lavoisier, 2011.
[Gre06] : M. Grediac, F. Pierron, Applying the virtual fields method to the identification
of elasto-plastic constitutive parameters, International Journal Of Plasticity 22, pp.602-627,
211
Références
2006.
[Gre98] : M. Grediac, F. Pierron, A T-shaped specimen for the direct characterization of

orthotropic materials, International Journal For Numerical Methods In Engineering 41,
pp.293-309, 1998.
[Ham00] : V. Hamel, J.M. Roelandt, J.N. Gacel, F. Schmit, Finite element modeling of
clinch forming with automatic remeshing, Computers & Structures 77, pp.185-200, 2000.
[Han06] : A. Hana, Study and evaluation of fretting critical slip conditions by applying the
design of experiments method, Wear 261, pp.1080-1086, 2006.
[Har04] : T. Harth, S. Schwan, J. Lehn, F. Kollmann, Identification of material parameters

for inelastic constitutive models: statistical analysis and design of experiments, International
Journal of Plasticity 20, pp.1403-1440, 2004.
[He10] : X. He, Recent development in finite element analysis of clinched joints, The
International Journal of Advanced Manufacturing Technology 48, pp.607-612, 2010.
[Hed10] : A.-R. Hedar, Global Optimization Test Problems, http://www-

optima.amp.i.kyoto-u.ac.jp/member/student/hedar/Hedar_files/TestGO.htm, lien actif le
Septembre-2010.
[Hol75] : H.J. Holland, Adaptation in natural and artificial system, Ann Harbor, The
University of Michigan Press, 1975.
[Hol62] : H.J. Holland, Outline for a logical theory of adaptative systems, journal of the
association of computing machinery 9, pp.297-314, 1962.
[Hua06] : D. Huang, T. Allan, W. Notz, N. Zeng, Global Optimization of Stochastic

Black-Box Systems via Sequential Kriging Meta-Models,, Journal of global optimization 34,
pp.441-466, 2006.
[Jom07] : M. Jomaa, R. Billardon, Simulation du procédé d'assemblage par clinchage : de

la mise en forme à la résitance, 18ieme congrès Francais de Mécanique , 2007.
[Jon01] : D.R. Jones, A Taxonomy of Global Optimization Methods Based on Response

Surfaces, Journal of global optimization 21, pp.345-383, 2001.
[Jon98] : D.R. Jones, M. Schonlau, W.J. Welch, Efficient global optimization of

expensive black-box function, Journal of global optimization 13, pp.455-492, 1998.
[Kha10] : R.E. Khaoulani, Prédiction fiable de l'endommagement ductile par la méthode

des éléments finis mixtes : endommagement non local et adaptation de maillage, thèse de
doctorat, Mines ParisTech, 2010.
[Kic92] : J. Kichenin, Comportement thermomécanique du polyéthylène application aux

structures gazières, thèse de doctorat, Ecole Polytechnique, 1992.
[Kle09] : J.P. Kleijnen, Kriging metamodeling in simulation: A review, European Journal
212
Références
of Operational Research 192, pp.707-716, 2009.
[Kov07] : J. Kovach, Development of a d-optimal robust design model for restricted

experiments, International Journal of Industrial Engineering-Theory Applications and
Practice 14(2), pp.117-128, 2007.
[Koz92] : J.R. Koza, Genetic Programming : On the Programming of Computers by

means of Natural Evolution, MIT Press, 1992.
[Lad83] : P. Ladeveze, D. Leguillon, Error Estimate Procedure In The Finite-element

Method And Applications, Siam Journal On Numerical Analysis 20, pp.485-509, 1983.
[Lau08] : J. Laurenceau, P. Sagaut, Building efficient response surface of aerodynamic

function with kriging and cokriging, AIAA journal 46, pp.498-507, 2008.
[Lem01] : J. Lemaitre, J.L. Chaboche, Mécanique des matériaux solides, Dunod, 2001.
[Lem05] : J. Lemaitre, R. Desmorat, Background on Continuum Damage Mechanics,

Springer Berlin Heidelberg, 2005.
[Lip00] : S.B. Lippman, J. Lajoie, L'essentiel du C++, Vuibert, 2000.
[Lop11] : S. Lophaven, H. Nielsen, J. Sondergaard, Aspects of the Matlab Toolbox

DACE, Report IMM-REP-2002-13, Informatics and Mathematical Modelling,
http://www.imm.dtu.dk/~hbn/publ/TR0213.ps, lien actif le 4-2011.
[Mah99] : R. Mahnken, Aspects on the finite-element implementation of the Gurson

model including parameter identification, International Journal of Plasticity 15, pp.1111-
1137, 1999.
[Mar05] : J.D. Martin, T. Simpson, Use of kriging models to approximate deterministic

computer models, AIAA Journal 43, pp.853-863, 2005.
[Mas06] : M. Mashayekhi, S. Ziaei-Rad, Identification and validation of a ductil damage

model for A533 steel, journal of materials processing technology, 177, pp.291-295, 2006.
[Min98] : M. Minkowycz, W.J. Sparrow, G.E. Schneider, R.H. Pletcher, Handbook of

Heat Transfert, Wisley&Sons, 1998.
[Pag09] : E. Pagnacco, A. Caro-Bretelle, Identification par Recalage de Modèles Eléments

Finis, Ecole thématique CNRS "Identification à partir de mesures de champs-Application à la
mécanique des matériaux et des structures", 2009.
[Pag07] : E. Pagnacco, A. Moreau, D. Lemosse, Inverse strategies for the identification of

elastic and viscoelastic material parameters using full-field measurements, Materials Science
and Engineering: A 452-453, pp.737-745, 2007.
[Pee01] : R.H.J. Peerlings, M.G.D. Geers, R. de Borst, W.A.M. Brekelmans, A critical

comparison of nonlocal and gradient-enhanced softening continua, International Journal of
Solids and Structures 38, pp.7723-7746, 2001.
213
Références
[Pil05] : M. Pillet, Plan d'expériences par la méthode Taguchi, Les Edition d'Organisation,
2005.
[Pol69] : E. Polak, G. Ribière, Note sur la converge de méthode de directions conjuguées,

Revue française d’informatique et de recherche opérationnelle 3, pp.35-43, 1969.
[Por06] : R. Porcaro, A.G. Hanssen, M. Langseth, A. Aalberg, The behaviour of a self-

piercing riveted connection under quasi-static loading conditions, International Journal Of
Solids And Structures 43, pp.5110-5131, 2006.
[Pra11] : C. Pradille, Vers une meilleure compréhension et caractérisation du

comportement des aciers à trés hautes températures, thèse de doctorat, Mines ParisTech,
2011.
[Rec73] : I. Rechenberg, Evolutionsstrategie: Optimierung technischer Systeme nach

Prinzipien der biologischen Evolution, Frommann-Holzboog, 1973.
[Rev10] : B. Revil-Baudard, Simulation du comportement mécanique des alliages de

titane pour les procédés de mise en forme à froid de produits plats, thèse de doctorat, Mines
ParisTech, 2010.
[Rey07] : B. Rey, Méthode multigrilles pour les grandes déformations et simulation

numérique du procédé de roulage, thèse de doctorat, Mines ParisTech, 2007.
[Sch81] : H.-P. Schwefel, Numerical Optimization of Computer Models, JohnWiley &

Sons, 1981.
[Spr06] : M. Springmann, M. Kuna, Determination of ductile damage parameters by local

deformation fields: Measurement and simulation, Archive Of Applied Mechanics 75, pp.775-
797, 2006.
[Spr03] : M. Springmann, M. Kuna, Identification of material parameters of the Rousselier

model by non-linear optimization, Computational Materials Science 26, pp.202-209, 2003.
[Sun11] : Sun, http://wikis.sun.com/display/GridEngine/Home, lien actif le 02-2011.
[Tag87] : G. Taguchi, Orthogonal arrays and linear graph, American Supplier Institute
Press, 1987.
[Tag78] : G. Taguchi, Off-line and on-line quality control systems, In Proceedings of

International Conferences on Quality Control , 1978.
[Tan93] : B. Tang, Orthogonal array-based latin hupercubes, Journal of the American

statistical association 88, pp.1392-1397, 1993.
[Tox11] : Tox, http://www.tox-fr.com, lien actif le 1-2011.
[Ulm03] : H. Ulmer, F. Streichert, A. Zell, Evolution strategies assisted by gaussian

processes with improved pre-selection criterion, IEEE Congress on Evolutionary
214
Références
Computation 1, pp.692-699, 2003.
[Vil09] : J. Villemonteix, E. Vazquez, E. Walter, An ifomational approach to the global

optimization of expensive-to-evaluate functions, Journal of Global Optimization 44, pp.509-
534, 2009.
[Wol97] : D.H. Wolpert, W.G. Macready, No free lunch theorems for optimization, IEEE
Transactions On Evolutionary Computation 1, pp.67-82, 1997.
215
Annexe
Annexe : MOOPI au laboratoire
Cette annexe a pour objectif de présenter succinctement les différentes utilisations de la

plateforme MOOPI au CEMEF. Ces applications ont été mises en place durant la thèse en
collaboration avec d’autres étudiants. Elles ont permis notamment de tester l'adaptivité de
MOOPI à différents codes de calcul. Des applications utilisant Forge et Castem sont
présentées ici.
D'autres utilisations avec Matlab® et une application Fortran de calcul monodimensionnel

pour l'identification des paramètres du modèle de plasticité anisotrope de Cazacu [Rev10] sur
la base d'essais de traction et cisaillement ont été réalisées mais les résultats et les détails ne
sont pas présentés ici.
1 Optimisation du chauffage par induction

Auteurs des travaux : Raphaëlle Naar, François Bay
1.1 Contexte général de l'étude : la simulation numérique du chauffage

par induction
Le procédé de chauffage par induction électromagnétique est de plus en plus couramment
utilisé dans l’industrie pour, d’une part, préchauffer une pièce avant sa mise en forme et,
d’autre part, pour les traitements thermiques métallurgiques locaux après mise en forme. Les
principaux avantages des procédés de chauffage par induction sont une augmentation de
température très rapide, un chauffage local et précis, une très faible inertie du système, la
facilité de contrôle et d’automatisation, la propreté inhérente à son mode de fonctionnement et
enfin une très bonne reproductibilité.
Le procédé de chauffage par induction consiste à faire circuler un courant variable dans un
inducteur placé autour de la pièce à chauffer. Les phénomènes de base responsables des
échauffements sont la circulation des courants de Foucault, l’effet Joule et les phénomènes de
propagation de la chaleur.
Le chauffage par induction implique de nombreux problèmes de couplages multi-
physiques et il en découle des difficultés pour contrôler les distorsions générées par ce
procédé. C’est la raison pour laquelle une modélisation numérique a été développée afin de
mieux contrôler la zone thermiquement affectée. Ce modèle a été développé à partir du
logiciel commercial Forge®. Cet outil inclut un modèle numérique multi-physiques qui
couple les champs magnétiques, le transfert de chaleur, le comportement mécanique ainsi que
les changements de phase métallurgiques.
1.2 Objectif de l'optimisation : contrôler la zone thermiquement affectée

(champs de températures et caractéristiques métallurgiques)
Afin de mieux contrôler le procédé de chauffage par induction et principalement la zone
thermiquement affectée, l’outil MOOPI a été utilisé. Pour cette étude, deux configurations
217
Annexe
d’optimisation différentes ont été testées avec MOOPI. Dans un premier temps, il s’agissait
d’optimiser la densité de puissance dans une pièce soumise à un préchauffage avant mise en
forme. Le deuxième test consistait à atteindre une température cible en un point de la pièce.
1.3 Modèle direct :

Outil numérique tridimensionnel développé au Cemef pour l’électromagnétisme couplé au
logiciel Forge® en thermique et mécanique [Car08].
1.4 Observables / grandeurs optimisées :

Dans nos deux différents cas, il s’agissait d’optimiser la fréquence et la densité de courant
(problème de dimension 2).
• Cas 1
Obtenir une répartition de la densité de puissance particulière en fonction de la
profondeur dans la pièce. La fonction coût quantifie l'écart quadratique entre un champ de
puissance dissipée cible et le champ de puissance dissipée obtenu par le modèle direct dans
toute la pièce.
• Cas 2
Obtenir une évolution particulière de la température en un point de la pièce (pyromètre,
montée en température de 1°C / s). La fonction coût évalue l'écart quadratique entre la courbe
de chauffe cible et la courbe de chauffe obtenue par le modèle direct.
1.5 Spécificité du problème d'optimisation :

Le problème est mono objectif. La principale spécificité du problème réside dans les
intervalles de recherche très larges ainsi que dans le temps de calcul important du modèle
direct.
1.6 Résultats :
• Cas 1
Pour la répartition de la densité de puissance, nous avons obtenu une très bonne
corrélation après 216 itérations (Figure A-1) :
3,00E+07
2,50E+07
Optimized power
density
2,00E+07
Power density ( W/m3 )
Computed power
density
1,50E+07
1,00E+07
5,00E+06
0,00E+00
0 0,01 0,02 0,03 0,04 0,05 0,06
Distance to the surface of the piece (m)
Figure A-1 : Puissance dissipée par effet joule - résultat de l'optimisation
218
Annexe
• Cas 2
Pour l’évolution en un point de la température, nous obtenons le résultat présenté Figure
A-2 après 67 itérations.
Température visée 1°C/s Température optimisée
1000
Profil obtenu par optimisation

950
Température en °C
900
Profil Cible
850
800
0 20 40 60 80 100 120 140 160 180 200
Temps en secondes
Figure A-2 : Contrôle de la montée en température d'un point de la pièce - résultat de l'optimisation
La moins bonne corrélation que nous observons est principalement due au modèle direct
utilisé qui ne prend pas encore en compte la dépendance thermique de certains paramètres
magnétiques et électriques.
2 Stratégie d'identification de paramètres thermo-dépendants pour la

modélisation d'un procédé de prototypage rapide par fusion laser
de fil métallique
Auteurs des travaux : Larbi Arbaoui, Katia Mocellin
2.1 Contexte général de l'étude : La simulation du procédé PROFIL
Ces travaux s'inscrivent dans le cadre du travail de thèse de L. Arbaoui ([Arb11]).

Le prototypage PROFIL est une variante du prototypage rapide par apport de poudre. Ces
deux procédés se différencient par rapport à la forme du matériau apporté. Pour le prototypage
PROFIL, un apport continu de matière est utilisé pour la réalisation de prototypes (Figure
A-3).
La modélisation de ce procédé présente de nombreux défis, notamment la prise en compte
des couplages entre les différentes physiques mises en jeu : mécanique des solides, des
fluides, thermique, physique des plasmas, optique. Un second défi réside dans la
détermination des différents paramètres physiques des modèles utilisés. C'est dans cet objectif
que MOOPI est utilisé, notamment pour la détermination des paramètres de l'interaction laser
métal.
219
Annexe
Figure A-3 : Prototypage rapide PROFIL
2.2 Objectif : optimiser la procédure d'identification par analyse inverse

de lois d'évolution thermo-dépendantes de l'interaction laser matière
Afin d’obtenir une simulation prédictive du procédé PROFIL, il est indispensable
d’identifier les paramètres du modèle d’interaction laser/matière. Ces paramètres sont soit liés
au procédé (comme la puissance laser et le rayon du faisceau sur la zone d’interaction du
faisceau laser sur le substrat), soit liés au matériau (tel que l’absorptivité à hautes
températures et le plasma). Pour évaluer ces paramètres, une analyse inverse est effectuée sur
des essais expérimentaux de type évolution thermique avec l’appui de la simulation
numérique de ces essais.

Le modèle direct est basé sur Forge, seule la résolution thermique avec source de chaleur
laser est utilisée ici.

L'objectif est de calibrer une loi point à point de thermodépendance de l'absorptivité du
métal, la puissance effective et le rayon effectif du faisceau laser à l'impact par rapport à des
données expérimentales. Les données expérimentales sont issues de mesures de température
par thermocouples lors d'un essai de chauffage par un impact laser puis de refroidissement.
Les observables sont donc des courbes de température en fonction du temps.

La sensibilité de la fonction coût est faible par rapport aux paramètres, notamment si une
unique observable est utilisée. Plusieurs pistes sont étudiées pour palier à ce problème de
220
Annexe
sensibilité : l'augmentation du nombre d'observables en utilisant plusieurs thermocouples ou

plusieurs essais à des puissances différentes, et l'intégration de la dérivée de l'observable dans
le calcul de la fonction coût pour mieux capter les fortes variations temporelles de la
température.
La fonction coût utilisée est la suivante :
∑( ) ∑ (Tɺ ( p ) − Tɺ )
n n
Ti num ( p ) − Ti exp
2 2
num exp
i i
f ( p) = i =1
+ i =1
∑( ) ∑ (Tɺ )
n 2 n 2
Ti exp i
exp
i =1 i =1
num exp
Où p est le jeu de paramètres, T et T les observables numériques et expérimentales en
température et Tɺ représente leur dérivée temporelle.
Pour construire la loi thermo-dépendante point à point, l'hypothèse est faite que
l'absorptivité est croissante suivant la température. Il faut donc imposer une contrainte de
croissance entre les paramètres d'optimisation, une version fonction spécifique a donc été
ajoutée à MOOPI pour cette étude.
2.6 Résultats :
Les champs de température à la fin de l'impact laser et après refroidissement sont
présentés Figure A-4. Les résultats en terme d'observable sont présentés Figure A-5 et Figure
A-6. On observe une bonne corrélation à la fois pendant la phase de chauffe et pendant la
phase de refroidissement.
(a) 5 secondes : fin de l’impact laser (b) 10 secondes après 5 secondes de

refroidissement
Figure A-4 : Champs de température obtenus après identification des paramètres de

l'interaction laser matière - (a) t=5 : fin de l'impact laser, (b) t=10 : refroidissement
221
Annexe
2000
1500 Observable pseudo-

expérimentale
Température en °C
Observable numérique
1000 identifiée
500
0
0 2 4 6 8 Temps (s) 10
Figure A-5 : Profil de température associé au thermocouple situé dans la zone d'impact du
laser
250
200
Température en °C
150
100
Observable pseudo-experimentale
50
Observable numérique identifiée
0
Temps (s)
0 2 4 6 8 10
Figure A-6 : Profil de température associé au thermocouple déporté de 3mm par rapport à la
zone d'impact du laser
222
Annexe
3 Identification de paramètres pour des lois de comportement élasto-

viscoplastique : application au polyéthylène gaz
Auteurs des travaux : Ziad Chebbo, Yannick Tillier
3.1 Contexte général de l'étude : étude et modélisation des structures

gazières
La modélisation des structures gazières en polyéthylène et l’identification des paramètres
rhéologiques des matériaux utilisés dans le réseau de distribution de gaz depuis le milieu des
années 70 s’inscrit dans un projet global mené par la Direction de la Recherche et de
l’innovation de GDF SUEZ afin de mieux appréhender le comportement mécanique sur le
long terme, notamment dans des conditions s’écartant des conditions d’exploitation usuelles.
3.2 Objectif : caractériser différentes nuances de polyéthylène par

analyse inverse sur la base d'essais de traction spécifiques
L’objectif est d’identifier de manière fiable les paramètres du modèle rhéologique du
polyéthylène proposé dans la thèse de J. Kichenin [Kic92]. L'identification est réalisée par
analyse inverse sur la base d'essais rhéologiques spécifiques : essais de Traction-Relaxation-
Recouvrance à différentes températures.

Le modèle direct est CASTEM® [Cast11], qui est un logiciel de calcul éléments finis
développé par le CEA.

L'objectif est d'identifier les 6 paramètres du modèle proposé par J. Kichenin [Kic92]. Les
observables utilisées sont de deux natures : la force de traction pendant les phases de l'essai
pilotées en déplacement (traction et relaxation) et l’allongement pendant la phase de
recouvrance pilotée en force.
La fonction coût utilisée est la somme des fonctions coût φPhase relatives à chaque phase
de l'essai :
∑ (y )
nbpo int s
2
exp
i − yinum
φPhase = i =1
∑( y )
2
exp
i
i
où y correspond aux valeurs des observables respectivement expérimentales et
numériques.
L'exploitation de cet essai complexe à plusieurs phases conduit donc à la construction d'un
problème de minimisation multi-objectifs :
Nb pahse
φ= ∑
J =1
ω J φJ
où ω J est la pondération de chaque phase.
223
Annexe

Le problème de minimisation se heurte à plusieurs problèmes : le temps de résolution du
modèle direct et la faible sensibilité de la fonction coût par rapport aux paramètres du modèle,
l'aspect multi-objectifs et notamment le choix de la pondération.
3.6 Résultats :
CONFIDENTIEL
Le résultat obtenu permet de bien reproduire les données expérimentales. Et notamment de

bien retranscrire les chargements de type relaxation et recouvrance qui sont les sollicitations
les plus proches des chargements rencontrés pas ces structures.
224
Assemblage Mécanique : Stratégies d’optimisation des procédés et d’identification
des comportements mécaniques des matériaux
RESUME : Ce travail de thèse porte sur la mise en place d'une méthodologie d'optimisation des
procédés d'assemblage, ainsi que sur l'identification de paramètres de lois de comportement et
d’endommagement pour la modélisation des assemblages par déformation plastique. La première
partie du travail est axée sur la création d'une plateforme d'optimisation et d’analyse inverse
permettant d'exploiter des calculs par éléments finis. Dans le cadre du développement de cette
plateforme, un algorithme d'optimisation basé sur l'exploitation d'un méta-modèle par krigeage a été
développé. Afin de répondre aux problématiques de temps de calcul, une version parallèle de cet
algorithme exploitant les propriétés du krigeage est proposée. Cette version parallèle montre des
accélérations significatives par rapport à la version séquentielle, accélérations qui permettent un gain
de temps substantiel pour résoudre le problème d'optimisation. Le second axe de ce travail propose
une procédure d'optimisation de la tenue mécanique des assemblages par déformation plastique.
Cette optimisation est basée sur une chaîne de modélisations incluant la phase d'assemblage et de
tenue mécanique à l’arrachement. L'application de cette procédure à la technologie de clinchage
permet un gain de 13% de la tenue mécanique à l'arrachement par rapport à la solution de référence.
La troisième partie du travail est axée sur l'identification par analyse inverse de paramètres de lois de
comportement élasto-plastique et d’endommagement. L'identification, basée sur des essais de
traction, se focalise sur une loi de type élasto-plastique, couplée au modèle d'endommagement ductile
de Lemaitre. Une attention particulière est portée au type d'observables utilisées pour réaliser
l'identification. Trois types d'observables sont étudiées : la courbe force/déplacement, la mesure de
striction, et le champ de déplacement issu de mesures de champs. L'enrichissement de la base
d'observables permet de mieux définir le problème inverse en diminuant notamment les corrélations
entre paramètres et rend donc l'identification plus efficace.
Mots clés : Assemblage mécanique, Optimisation, Analyse inverse, Identification, Endommagement

ductile
Mechanical Joining: Strategies dedicated to processes optimisation and

mechanical behaviour identification
ABSTRACT: This study deals with the development of a numerical strategy dedicated to
mechanical joining processes optimisation and to parameters identification by inverse analysis. The
first part is dedicated to the definition and development of an optimisation and inverse analysis
platform. This platform is adapted to finite element computations. An optimisation algorithm with a
kriging meta-model has been developed and included in the platform. In order to deal with time
consuming computation a parallel version of this algorithm, based on kriging properties, has been
developed. Significant acceleration of the parallel algorithm has been observed, leading to a
decrease in time of the resolution of the optimisation issue. In the second part of this work an
optimisation methodology has been carried out for mechanical joining processes. This procedure
enables to optimize a global simulation chain, including both the joining process and the mechanical
strength analysis of the joined component. This procedure is applied to the clinching joining process
and gives rise to an 13% increase of the mechanical strength of the component. The third part of
this work deals with a parameter identification study of an elastic-plastic law coupled with a ductile
damage model. The identification procedure is based on a tensile test. A power hardening law and a
Lemaitre model are chosen respectively for the elastic-plastic behaviour and for ductile damage.
Three different observables have been taken into account: the load/displacement curve, the necking
measurement, and displacement fields. Displacement fields are measured by full field measurement
methods. It is shown how the enrichment of the observables database improves the definition of the
inverse problem and decreases correlation issues between parameters.
Keywords: Mechanical joining, Optimisation, Inverse analysis, Identification, Ductile damage

These E ROUX C

Transféré par

Droits d'auteur :

Formats disponibles

These E ROUX C

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These E ROUX C

Transféré par

Droits d'auteur :

Formats disponibles

Assemblage mécanique : stratégies d’optimisation des

procédés et d’identification des comportements

To cite this version:

HAL Id: pastel-00628034

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

École doctorale n° 364 : Sciences fondamentales et appliquées

l’École nationale supérieure des mines de Paris

présentée et soutenue publiquement par

Directeur de thèse : François BAY

Je tiens dans un premier temps à exprimer toute ma reconnaissance et mon amitié à

Je remercie le CEMEF et le CETIM d'avoir construit ce projet ambitieux et de m'avoir

Encore Merci à tous.

Table des abréviations et des sigles......................................................................................9

Chapitre 1 Optimisation dans le cadre de la modélisation par éléments finis

3 Optimiser avec un métamodèle par krigeage .................................................................. 39

4 Proposition d’extension parallèle de l’algorithme EGO............................................... 48

Chapitre 2 MOOPI un outil d’optimisation dédié aux calculs éléments finis....

2 Implémentation de l’algorithme EGO .................................................................................. 66

3 Validations et analyse des performances de la plateforme MOOPI........................ 73

Chapitre 3 Optimisation numérique d’un point d’assemblage : application

2 Définition d’un cas de référence ......................................................................................... 100

3 Analyse de sensibilité .............................................................................................................. 118

5 Conclusion .................................................................................................................................... 123

Chapitre 4 Identification de paramètres matériaux par analyse inverse ..125

2 Le modèle direct ........................................................................................................................ 129

3 Identification à partir d’observables globales .............................................................. 130

Chapitre 5 Identification : apport des mesures de champs .............................173

2 Exploitation des mesures de champs ............................................................................... 178

3 Etude de sensibilité par surface de réponse.................................................................. 186

4 Identification des paramètres matériaux d'un acier DC04 ..................................... 194

5 Conclusion .................................................................................................................................... 203

Conclusion générale et perspectives ...............................................................................205

Annexe : MOOPI au laboratoire .........................................................................................217

Contexte Général : Projet MONA LISA

Organisation du manuscrit - guide de lecture

Le manuscrit de thèse est divisé en 5 chapitres. Après une brève présentation de la

Dans le cadre de l'optimisation des procédés d'assemblage, l'évaluation de la fonction coût

1 Assemblages par déformation plastique : contexte

1.2 Contexte industriel

1.3 Vers l'optimisation des assemblages

Figure 1-3 : Optimisation de la tenue mécanique des assemblages

2.1 Généralités sur l’optimisation

2.1.1 Définition du vocabulaire

a) Fonction coût -Fonction objectif

b) Variables d'optimisation - paramètres

c) Dimension du problème d'optimisation

2.1.2 Formulation mathématique du problème d'optimisation

La solution du problème d'optimisation vérifie ces quatre conditions. x représente les

L'objectif de l'algorithme d'optimisation est de résoudre ce problème dont la complexité

Figure 1-4 : Problème d'optimisation

2.1.3 Les algorithmes à direction de descente

Pour atteindre cet objectif, définissons la notion de direction de descente.

En utilisant un développement de Taylor d’ordre 1 de (1.7), et en considérant un

On peut alors approcher la solution optimale par une récurrence :

Où λk > 0 est le pas de descente, d k la direction de descente de f en x k .

Les différentes méthodes résident dans la manière de choisir la direction de descente et de

b) Choix de la direction de descente

c) Bilan des algorithmes à direction de descente

Méthode Principe Direction de descente Avantage Inconvénient