Simulation numérique et expérimentale du comportement ...
Simulation numérique et expérimentale du comportement ...
Simulation numérique et expérimentale du comportement ...
- No tags were found...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
IV. Choix <strong>et</strong> identification des lois de <strong>comportement</strong>IV.2.2.2.5 Identification à partir d’essais homogènesNous avons étudié en détail la loi viscoélastique spectrale <strong>et</strong> la procé<strong>du</strong>re d’identification àadopter pour identifier ses paramètres au regard de la bibliographie. Nous allons maintenantdécrire les outils mis en œuvre pour identifier la loi spectrale. Le mo<strong>du</strong>le d’optimisation <strong>du</strong>logiciel Zebulon nous perm<strong>et</strong> de déterminer les coefficients de la loi spectrale, afin derepro<strong>du</strong>ire au mieux le <strong>comportement</strong> observé lors d’essais expérimentaux.La méthode des essais homogènes est une technique couramment utilisée pour identifier lavaleur des paramètres d’une loi de <strong>comportement</strong> [Kleinermann 2000]. Elle consiste àappliquer les consignes des différents essais sur un seul élément.Dans ce cadre, différentes méthodes analytiques, propres à l’expérience choisie <strong>et</strong> à la loi de<strong>comportement</strong> à identifier, perm<strong>et</strong>tent, moyennant certaines simplifications, de dé<strong>du</strong>ire <strong>du</strong>résultat expérimental les valeurs des paramètres à identifier. Nous utiliserons comme base<strong>expérimentale</strong> de l’identification, des courbes de fluage recouvrance à température ambiantepuis à -60°C.La précision <strong>et</strong> la validité <strong>du</strong> jeu de paramètres que nous allons identifier sont étroitementliées au choix de la procé<strong>du</strong>re d’optimisation employé lors <strong>du</strong> processus d’identification.Elles sont aussi fonction <strong>du</strong> choix des fonctions objectif à minimiser, que ce soit pour lafonction erreur (image de l’écart entre le résultat obtenu par simulation <strong>et</strong> le résultat souhaité)ou pour la fonction d’optimisation (générant les nouveaux jeux de paramètres à optimiser).Au sein de c<strong>et</strong>te méthode de nombreux paramètres influent sensiblement sur la précision <strong>et</strong> l<strong>et</strong>emps des calculs. Ainsi, les paramètres qui se sont révélés les plus influents (paramètres del’algorithme d’optimisation <strong>et</strong> paramètre de résolution de la loi de <strong>comportement</strong> par la w-méthode) ont fait l’obj<strong>et</strong> d’étude <strong>et</strong> de campagnes d’essais comparatives afin d’aboutir auxchoix d’optimisation adéquats.IV.2.2.3 Identification <strong>du</strong> jeu de paramètre optimalIV.2.2.3.1 Identification à température ambianteL'identification des paramètres <strong>du</strong> spectre n 0 <strong>et</strong> n c a été réalisée à partir de trois essais defluage normalisés. Les autres paramètres sont identifiés sur un essai de fluage multiple.L'algorithme choisi pour l'optimisation est de type Levenberg-Marquardt. La convergence del'optimisation pour l'identification des paramètres de spectre est atteinte après 45 itérationspour un temps CPU de 34 secondes. La valeur de la fonction coût finale pour les 3 essais estde 1,26. En ce qui concerne l'identification sur l'essai de fluage multiple, la convergence est96