3.4 Calibration du modèle
3.4.1 Calibration des paramètres de raideur et de la longueur de transi-
transition du pourtour
Nous réalisons la calibration des paramètres de raideur et de la longueur de transition
du pourtour à partir du chargement monotone des anneaux sollicités en traction 2 points.
Cette configuration est plus riche du point de vue des non-linéarités géométriques et le
modèle présente plus de degrés de liberté en traction 2 points qu’en traction 4 points.
Formulation du problème de minimisation
Nous désirons reproduire le comportement en traction 2 points d’un anneau réel à
l’aide de la formulation analytique développée section 3.3. Le déplacement axial δ est
imposé en un point de l’anneau, celui-ci se déforme et développe des efforts de réaction. La
calibration doit donc tenir compte de ces deux réponses : la cinématique de déformation et
les efforts de réaction. Concernant les efforts de réaction, nous nous intéressons à la force
de traction axiale F. Concernant la cinématique de déformation, nous nous intéressons
à la longueur de la diagonale d, celle-ci caractérise entièrement l’ovalisation de l’anneau
lorsque le déplacement axial est imposé. Nous définissons dans ce but les deux fonctions
objectif suivantes :
S
F(θ) = kF
e−F
a(θ)k
22(3.24)
S
d(θ) = kd
e−d
a(θ)k
22(3.25)
Afin de simplifier la minimisation, la longueur de transition des bords s
rest considérée
comme un paramètre n’appartenant pas à l’ensemble des paramètresθ et est choisie dans
un intervalle [s
infr
;s
supr
] parcouru avec un pas∆s
r. Le problème de minimisation est alors
résolu pour toutes les valeurs de s
rdans l’intervalle et la valeur minimale des fonctions
objectif parmi l’ensemble des résultats sera retenue afin d’obtenir les paramètres optimaux
(s
∗r
,θ
∗). Le vecteur paramètre est alors θ= (k
b,k
t,k
d)>.
Les fonctions objectif (3.24) et (3.25) ne sont pas des applications linéaires du vecteur
paramètre θ. Nous utilisons la méthode des moindres carrés non-linéaires de
Levenberg-Marquardt (LM) [Levenberg, 1944,Levenberg-Marquardt, 1963] afin de les minimiser. Cette méthode
consiste à résoudre le problème non-linéaire initial en le remplaçant par une suite de
problèmes quadratiques résolus de façon itérative. A l’itération courante n, la grandeur
analytique étudiée est linéarisée X
a=X
na+J
n∆θ
net introduite dans l’équation (3.23).
Nous obtenons alors les équations normales de la méthode de Gauss-Newton (3.26).
J
n>J
n∆θ
n=J
n>(X
e−X
na) (3.26)
La résolution de ces équations peut devenir problématique dans le cas où la matrice
J
n>J
nest mal conditionnée, en particulier, la condition de descente de l’algorithme
n’est pas toujours garantie. Levenberg [Levenberg, 1944] puis Marquardt [Marquardt,
1963] proposent d’introduire un terme d’amortissement diagonal qui permet d’améliorer
le conditionnement de cette matrice. Marquardt introduit un paramètre d’amortissement
λ
n> 0, qu’il applique à la partie diagonale de la matrice J
n>J
n, définissant ainsi le
système d’équations de Levenberg-Marquardt :
J
n>J
n+λ
ndiag J
n>J
n∆θ
n=J
n>(X
e−X
na) (3.27)
Dans le cas où l’algorithme ne parvient pas à trouver une plus faible valeur de la
fonc-tion objectif, le facteur d’amortissement λ
nest augmenté. La direction de descente se
rapproche alors de celle du gradient et le pas diminue, garantissant ainsi la diminution
de la fonction objectif. L’équation (3.27) est résolue pour ∆θ
n, le vecteur paramètre est
actualisé θ
n+1=θ
n+ ∆θ
net le processus est poursuivi jusqu’à convergence vers un
mi-nimum de la fonction objectif. Étant donné que les problèmes non quadratiques peuvent
avoir plusieurs minima, la résolution est effectuée pour différents points de départ θ
0qui
convergent vers différentes valeurs deθ
∗. La valeur minimale de la fonction objectif ainsi
que l’ensemble de paramètres optimaux correspondant sont obtenus en retenant la valeur
minimale parmi les minima explorés.
Intuitivement, il semble peu probable que l’ensemble optimal (s
∗r
,θ
∗)
Fminimisant la
fonction S
Fet l’ensemble optimal (s
∗r
,θ
∗)d minimisant la fonction S
dsoient identiques.
En d’autres termes, les paramètres qui fournissent le comportement optimal du modèle
en terme d’efforts sont possiblement très différents des paramètres fournissant le
com-portement optimal du modèle en terme de déformation. La calibration par rapport à une
grandeur peut donner de très mauvais résultats sur l’autre. Ce résultat peut être aisément
vérifié à partir de données expérimentales. Nous disposons de la mesure de l’effort axial
F et de la longueur de la diagonaled pour un anneau soumis à un chargement monotone
de traction 2 points piloté en déplacement axialδ. Plus de détails sur la réalisation de ces
essais et l’obtention des résultats sont donnés en section 3.5. Nous appliquons la méthode
de Levenberg-Marquardt sur les deux fonctions objectif S
FetS
d, nous obtenons ainsi les
paramètres optimaux(s
∗r,θ
∗)F et(s
∗r,θ
∗)dainsi que les valeurs des deux fonctions objectifs
associées à ces paramètres. Nous déterminons également l’ensemble des valeurs possibles
de ces fonctions objectifs. Ces valeurs sont obtenues à l’aide d’un tirage homogène de
1 000 000 valeurs de paramètres choisies sur une plage estimée à partir des valeurs
opti-males des paramètres minimisantS
FetS
d. Toutes les valeurs des fonctions objectif ainsi
obtenues sont tracées dans l’espace des objectifs (Figure 3.8).
Nous observons d’abord, et de façon claire, de fortes différences entre les valeurs
des fonctions objectifs issues de la minimisation sur l’effort axial (3.24) et sur la
lon-gueur transversale (3.25). Les paramètres fournissant le comportement optimal en effort
fournissent un très mauvais comportement en longueur diagonale et réciproquement :
S
F(s
∗r,θ
∗)d S
F∗et S
d(s
∗r,θ
∗)F S
d∗. Par ailleurs, nous observons également que
parmi l’ensemble des solutions, il en existe de nombreuses pour lesquelles il est possible
Figure3.8 – Ensemble des valeurs des fonctions objectif et valeurs optimales pour chaque
objectif dans l’espace des objectifs
de fortement diminuer l’une des fonctions objectif sans beaucoup augmenter l’autre. Par
conséquent, il apparait impératif de définir une stratégie de minimisation multicritère
tenant compte des deux grandeurs F et d. Les notions et les méthodes d’optimisation
multicritère employées ci-après sont issues de [Colette and Siarry, 2002, Ehrgott, 2005].
Il existe pour les problèmes d’optimisation multicritère un ensemble de solutions
opti-males dites non-dominées, appelées solutions de Pareto. Il n’existe pas de solution qui soit
meilleure sur tous les objectifs qu’une solution de Pareto. Dans notre cas (Figure 3.8), les
solutions de Pareto forment la frontière inférieure gauche de l’ensemble des valeurs des
fonctions objectif déterminées. Nous ne pouvons néanmoins nous contenter d’un ensemble
de solutions optimales et devons arbitrer afin de définir une solution unique et
détermi-niste à notre problème multicritère. Nous utilisons une méthode scalaire d’approximation
de la solution idéale. Le point idéal est défini comme le point dont les coordonnées dans
l’espace des objectifs sont les valeurs optimales de chaque fonction objectif prise
sépa-rément, soit dans notre cas P
I= (S
F∗,S
d∗). Lorsque les objectifs sont contradictoires,
ce point n’est pas atteignable, nous cherchons donc la solution la plus proche du point
idéal parmi les solutions possibles P(θ) = (S
F(θ),S
d(θ)). La distance entre ces deux
points est définie à partir d’une norme. Nous choisissons la norme k · k
1pour des raisons
de simplicité, toutes les normes étant équivalentes en dimension finie. Étant donné que
l’effort axial F et la longueur de la diagonale d ne sont pas des grandeurs homogènes,
nous utilisons une distance relative, obtenue en normalisant chaque fonction objectif par
sa valeur optimale. La distance à minimiser s’exprime alors :
d
1P
I,P(θ)
=
S
F(θ)−S
F∗S
F∗,
S
d(θ)−S
d∗S
d∗ 1(3.28)
Minimiser la distance (3.28) est équivalent à minimiser la fonction S
F d(Équation 3.29).
La calibration des paramètres de raideur du modèle d’anneau est donc effectuée en
mini-misant la fonction scalaire multicritère S
F d:
S
F d(θ) = S
F(θ)
S
F∗+ S
d(θ)
Nous appliquons la méthode de Levenberg-Marquardt (LM) à la fonction objectif
S
F dpour les mêmes données expérimentales que celles présentées Figure 3.8. Le tracé
des valeurs obtenues dans l’espace des objectifs normalisé est présenté Figure 3.9. Nous
observons que la minimisation de la fonction objectif (3.29) nous permet de nous
rappro-cher très fortement du point idéal et de demeurer dans le même ordre de grandeur que
la solution idéale sur chacun des objectifs pris séparément.
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
S
F/S
F∗S
d/S
d ∗Ensemble des valeurs des fonctions objectif Point id´eal
Valeur issue de la minimisation deSF d
Figure 3.9 – Point idéal et valeurs optimales issues de la minimisation multicritère
Calcul des paramètres
Les détails de l’application et de l’implémentation de la méthode de
Levenberg-Marquardt aux fonctions objectifs (3.24), (3.25) et (3.29) sont maintenant présentés.
La minimisation de S
F drequiert la connaissance des valeurs de S
F∗et S
d∗et donc la
minimisation de (3.24) et (3.25). La minimisation de ces deux fonctions objectif se fait à
l’aide de l’algorithme de Levenberg-Marquardt (3.27), nous devons donc déterminer pour
un ensemble θ de paramètres donné, les valeurs analytiques et les matrices Jacobiennes
des grandeursF et d.
Calcul de S
F∗Dans un premier temps, S
F∗est calculé. Les valeurs analytiques de
l’effort de traction axiale F
asont obtenues en résolvant la relation force-déplacement
implicite (3.18) à l’aide de la méthode de Brent [Brent, 1973]. La matrice Jacobienne
de F
a, notée J
F, est déterminée analytiquement à partir du théorème des fonctions
implicites. Une fois F
aet J
Fconnus, la valeur minimale S
F∗est déterminée à l’aide de
l’algorithme LM (3.27).
Calcul de S
d∗Dans un second temps, S
d∗est calculée. Les valeurs analytiques de la
longueur de la diagonale d
asont obtenues directement à partir de l’équation (3.19), en
notée J
d, est obtenue en calculant directement ses dérivées partielles. Il est intéressant
de noter que F n’est pas une variable indépendante dans l’équation implicite (3.19),
par conséquent, les dérivées partielles de F, obtenues à travers le calcul de J
Fdétaillé
précédemment, interviennent dans le calcul de J
d. De même que pour S
F∗, la valeur
optimale S
d∗est déterminée à l’aide de l’algorithme LM (3.27).
Calcul de S
F d∗Une fois les valeurs minimales S
F∗et S
d∗obtenues, la fonction S
F d(3.29) est minimisée de façon similaire. En utilisant les propriétés de linéarité du gradient,
les équations de Levenberg-Marquardt appliquées à la fonction objectif multicritère S
F ddeviennent (en omettant le marqueur de l’itération n) :
J
F>J
FS
F∗+ J
d >J
dS
d∗+λdiag
J
F>J
FS
F∗+J
d >J
dS
d∗∆θ = J
F >(F
e−F
a)
S
F∗+J
d >(d
e−d
a)
S
d∗(3.30)
et ont pour solution le vecteur paramètre optimal θ
∗= (k
b∗,k
∗t,k
d∗)
>. Nous obtenons ainsi
l’ensemble des valeurs optimales (s
∗r
,k
∗ b,k
∗t
,k
∗d
) à l’exception de k
∗s
. En effet, la raideur
des liaisons de bord k
sn’apparait pas dans les équations de chargement monotone en
traction 2 points, nous utilisons donc une configuration de chargement supplémentaire
pour déterminer la valeur optimale k
∗s
à partir des données de chargement monotone
uniquement. La valeur optimale du paramètre de raideur des liaisons de bord est donnée
par (3.31) oùδ
2Pr
représente le déplacement axial à l’état de transition en traction 2 points
(Figure 3.7a). La relation (3.31) est démontrée en annexe B.3.
k
∗s= 2k
∗bφ−s
0+δ
2P r ∗φ+s
0+δ
2P r ∗−2s
∗ r−1
(3.31)
Dans le document
Modélisation numérique discrète du comportement mécanique sous impact des structures d'écrans de filets pare-pierres
(Page 85-89)