Dialogue essais-simulation et identification de lois de comportement ...
Dialogue essais-simulation et identification de lois de comportement ...
Dialogue essais-simulation et identification de lois de comportement ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Partie B – Chapitre 7 : I<strong>de</strong>ntification <strong>de</strong>s paramètres du <strong>comportement</strong> superélastique du NiTi<br />
Au sein <strong>de</strong> notre équipe <strong>de</strong> recherche, ces métho<strong>de</strong>s sont modifiées <strong>et</strong> étendues au<br />
<strong>comportement</strong> avec endommagement en fatigue <strong>de</strong> composites à matrice thermoplastique<br />
renforcée. Dans le cadre <strong>de</strong> sa thèse, Nouri (Nouri 2009) a utilisé une technique <strong>de</strong> recalage<br />
par éléments finis pour déterminer les paramètres d’un modèle d’endommagement <strong>de</strong><br />
matrices thermoplastiques renforcées par <strong>de</strong>s fibres <strong>de</strong> verre (PA6/GF30 <strong>et</strong> P/GFL35)<br />
(Meraghni <strong>et</strong> al. 2011). Mohammad Sa<strong>de</strong>ghi (Mohammad Sa<strong>de</strong>ghi 2010) a utilisé c<strong>et</strong>te<br />
métho<strong>de</strong> pour i<strong>de</strong>ntifier les paramètres <strong>de</strong> <strong>de</strong>ux modèles, ceux d’un modèle semi-physique<br />
(viscoélastoplastique) <strong>et</strong> ceux du modèle <strong>de</strong> Lemaitre <strong>et</strong> Chaboche, pour différents aciers<br />
(TRIP800 <strong>et</strong> Inox). Dans la thèse <strong>de</strong> Payan<strong>de</strong>h (Payan<strong>de</strong>h 2010), la métho<strong>de</strong> <strong>de</strong> type gradient<br />
proposée par Levenberg <strong>et</strong> Marquardt, basée sur l’algorithme <strong>de</strong> Gauss Newton, a été<br />
appliquée pour la résolution du problème inverse afin <strong>de</strong> déterminer les paramètres du<br />
<strong>comportement</strong> avec décohésion interfaciale <strong>de</strong> composites renforcés par <strong>de</strong>s fils en alliage à<br />
mémoire <strong>de</strong> forme <strong>de</strong> NiTi (Payan<strong>de</strong>h <strong>et</strong> al. 2010).<br />
pastel-00910076, version 1 - 27 Nov 2013<br />
Dans ce travail, une métho<strong>de</strong> <strong>de</strong> type gradient, selon l’algorithme <strong>de</strong> Levenberg <strong>et</strong> Marquardt,<br />
est appliquée pour résoudre le problème inverse en vue d’i<strong>de</strong>ntifier les paramètres gouvernant<br />
le <strong>comportement</strong> superélastique d’un AMF.<br />
L’utilisation <strong>de</strong> c<strong>et</strong>te métho<strong>de</strong> peut être limitée par les instabilités caractérisant les problèmes<br />
mal conditionnés. Pour résoudre ces problèmes d’instabilité, plusieurs métho<strong>de</strong>s <strong>de</strong><br />
stabilisation sont proposées dans la littérature (Gavrus 1996, Tillier 1998). Toutes ces<br />
métho<strong>de</strong>s <strong>de</strong> stabilisation ont pour but <strong>de</strong> borner la zone <strong>de</strong> recherche admissible pour les jeux<br />
optimaux <strong>de</strong> paramètres. La métho<strong>de</strong> <strong>de</strong> Levenberg-Marquardt peut être vue comme un cas<br />
particulier <strong>de</strong>s métho<strong>de</strong>s à région <strong>de</strong> confiance. Pour ces <strong>de</strong>rnières, la recherche du jeu <strong>de</strong><br />
paramètres optimal est limitée à une hypersphère au-<strong>de</strong>là <strong>de</strong> laquelle la non-linéarité <strong>de</strong> la<br />
fonction objectif <strong>de</strong>vient trop importante.<br />
Une autre approche est celle <strong>de</strong>s statisticiens qui stabilisent souvent le problème<br />
d’<strong>i<strong>de</strong>ntification</strong> <strong>de</strong> paramètres en ajoutant <strong>de</strong> l’information a priori sur les paramètres.<br />
Augmenter la quantité d’informations a pour conséquence d’améliorer le conditionnement du<br />
problème inverse d’<strong>i<strong>de</strong>ntification</strong> <strong>de</strong>s paramètres <strong>et</strong> donc <strong>de</strong> limiter les instabilités.<br />
7.2.2. Démarche <strong>de</strong> résolution du problème inverse<br />
Les phases nécessaires pour la résolution du problème inverse sont :<br />
La construction d’une base expérimentale pertinente avec une condition <strong>de</strong> sensibilité<br />
<strong>de</strong>s données expérimentales observables aux paramètres à i<strong>de</strong>ntifier,<br />
La définition d’une fonction objectif, qui définit l’écart pondéré (normé) entre les<br />
valeurs mesurées <strong>et</strong> les valeurs calculées,<br />
Le choix <strong>de</strong> l’algorithme d’optimisation, perm<strong>et</strong>tant la minimisation <strong>de</strong> la fonction<br />
objectif en actualisant itérativement les paramètres recherchés,<br />
Le calcul <strong>de</strong> la matrice <strong>de</strong> sensibilité,<br />
182