Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Identification du modèle micromécanique Afin d'appliquer le modèle développé po

Identification du modèle micromécanique Afin d'appliquer le modèle développé pour la prédiction du comportement thermomécanique du composite de l’étude, à savoir le PA66-GF30, il convient d'identifier rigoureusement ses paramètres. Ces derniers sont les propriétés associées à sa microstructure, à la loi constitutive de la matrice ainsi qu’aux paramètres des lois d'évolutions des différents mécanismes d'endommagement. Pour ce faire, des algorithmes de rétro-ingénierie sont utilisés. Fondés sur les méthodes inverses, ils constituent des outils d'optimisation puissants et versatiles permettant d’extraire les paramètres d'une loi pilotant un système à partir de la seule analyse de ses réponses. La première section de ce chapitre est ainsi dédiée aux algorithmes de rétro-ingénierie utilisés dans le cadre de cette thèse. La seconde établit la modélisation de la microstructure en accord avec les observations expérimentales, et la troisième détermine le comportement rhéologique de la matrice polyamide. Finalement, les lois d'évolutions des mécanismes d'endommagement sont identifiées sur des courbes de comportement macroscopiques. 1. Outils d'optimisation a. Algorithme génétique L'architecture de l'algorithme d'optimisation ici développé est basée sur les algorithmes génétiques. Ceux-ci ont été initiés par Holland dans les années 1970 et consiste en une méthode heuristique qui imite le processus de sélection naturelle [239], tel que décrit par Charles Darwin au 19e siècle [240]. Cette approche s'appuie directement sur des techniques dérivées de la génétique, et plus particulièrement sur les notions de mutation, de sélection, de croisement et d'hérédité. Elle est en fait analogue à l'étude d'une population d'individus qui doit s'acclimater à son environnement. Ces individus engendrent de nouvelles générations qui sont de plus en plus adaptées aux conditions de vie imposées. En effet, ils sont remplacés au fur et à mesure par ceux qui sont les plus aptes à « survivre ». Au final, il ne reste plus que les solutions les plus compétitives face au problème donné. Ce genre de méthode a connu un essor dans les années 1990, grâce notamment à la vulgarisation faite par Goldberg [241]. C'est aujourd'hui une technique d'optimisation établie. Bien qu'elle ne puisse garantir l'unicité et donc l'exactitude de la solution, elle est particulièrement appréciée pour son efficacité et sa versatilité. Intéressons-nous désormais plus en détail au déroulement de cette approche évolutionnaire. De par son analogie avec la génétique, le vocabulaire usuellement employé par de tels algorithmes est proche de celui de cette discipline. Les explications suivantes sont à rapprochées du schéma de la Figure V.1. Tout commence avec la création de la population initiale, qui comprend un nombre fini d'individu. Chaque individu possède un génome, qui correspond à une solution particulière au problème donné. Chaque gène détient en fait une valeur pour l'un des paramètres du problème d'optimisation. Un génome comporte ainsi autant de gènes qu'il y a de paramètres à optimiser. L'adaptabilité de chaque génome est ensuite estimée via une fonction coût dédiée. Les individus de la population initiale peuvent dès lors être classés selon leur aptitude à satisfaire cette fonction coût. Ensuite, des individus sont sélectionnés aléatoirement afin de se reproduire. Lors de cette sélection, il est possible de donner un poids à chaque génome en fonction de son adaptabilité, de manière à favoriser les individus les plus aptes. Des opérateurs de croisement uploads/Geographie/ tinkiwinki 1 .pdf