2.4 Résultats et corrélations obtenus
2.4.2 Méthode de classement mécanique
Sur les 188 poutres (présentant toutes des noeuds sur la partie tendue des faces latérales),
seulement 152 possèdent un noeud critique sur les chants tendus. Il a été donc fait le choix
de distinguer ces deux types de populations et d’étudier leurs comportements mécaniques
en utilisant les corrélations obtenues entre les forces ultimes prédites,Fmax
preditepar les
modèles statistiques et la force ultime réelle, Fmax
reelle.
Ainsi pour les trois lots de poutres suivants :
• 188 poutres : toutes les poutres,
• 152 poutres : les poutres qui ont des noeuds sur les faces latérales et le chant tendu,
• 36 poutres : les poutres qui n’ont des noeuds que sur les faces latérales,
les variables explicatives de la force ultime ont été définies à partir de la régression linéaire
pas à pas ascendante et des modèles prédictifs ont été mis en place.
+ PREMIÈRE POPULATION : 188 POUTRES
Les variables explicatives retenues pour cette population sont les suivantes :
→ M OEdyn : le module d’élasticité dynamique,
→ Ycrit
F L: la position selon y du noeud critique des faces latérales,
→ Acrit
CT: la surface du noeud critique du chant tendu.
A noter que parmi ces trois variables, le module d’élasticité dynamique est la variable la
plus explicative avec un coefficient de détermination de 0.59 (comme vu précédemment).
La régression linéaire multiple, suite à la régression linéaire pas à pas (avec toute la
base de donnée : pas de séparation apprentissage/validation) mène quant à elle, à un
coefficient de détermination de 0.68.
Dans le cas de l’approximation de fonction, le meilleur modèle prédictif est obtenu avec
un modèle neuronal constitué de deux neurones dans la couche cachée (AnnexeA). Pour
cette architecture, la régression non-linéaire mène à un coefficient de détermination de
0.72 pour la partie apprentissage (représentée par des triangles bleus) et un coefficient
de détermination de 0.71 dans la partie validation (représentée par des carrés verts).
Figure 2.19: Corrélation obtenue par réseau de neurones pour les 188 poutres
Un gain de 4% sur le coefficient de détermination, R2, a été obtenu entre la régression
linéaire multiple et la régression non-linéaire par réseau de neurones pour des valeurs
explicatives données. Parmi les variables explicatives, nous retiendrons que deux d’entre
elles sont spécifiques aux hétérogénéités (Ycrit
F Let Acrit
CT), et elles désignent le
carac-tère local du défaut. Ce résultat permet de mettre en évidence la pertinence d’intégrer
des propriétés morphologiques spécifiques aux noeuds puisqu’entre la régression linéaire
simple (M OEdynvsFmax) et la régression linéaire multiple, il est obtenu un gain de 15%
(R2de 0.59 entre leM OEdynetFmax et unR2 de 0.68 par régression linéaire multiple).
Finalement, entre la prise en compte des défauts et l’intégration d’un modèle non linéaire
prédictif, on obtient un gain de 21% entre la régression linéaire simple et la régression
neuronale.
+ DEUXIÈME POPULATION : 152 POUTRES
La régression linéaire ascendante pas à pas pour cette population a mis en avant quatre
variables explicatives, à savoir :
• M OEdyn : le module d’élasticité dynamique,
Classement mécanique 80
• Ccrit
F L: la circularité du noeud critique des faces latérales
• Acrit
LS: la surface du noeud critique du chant tendu.
On constate que trois des quatre variables explicatives sont communes à la première
population. La quatrième variable correspond à la forme du noeud critique des faces
la-térales (sa circularité,Ccrit
F L). LeM OEdynest de nouveau la variable la plus explicative
avec un R2 de 0.58. La régression linéaire multiple mène à un R2tot (sans la séparation
de la base de données en apprentissage et validation) de 0.66, donnant un gain entre la
régression linéaire simple et multiple de 14%.
Pour cette population, un modèle non linéaire neuronal à 2 neurones cachés a été retenu
(AnnexeB). Le graphe suivant, Fig.2.20, illustre les relations obtenues en apprentissage
et validation.
Figure 2.20: Corrélation obtenue par réseau de neurones pour les 152 poutres
Il est alors obtenu des coefficients de détermination en apprentissage (triangles bleus)
de 0.71 (contre 0.72 pour la première population) et en validation (carrés verts) de
0.73 (contre 0.71 pour la première population). Aucune amélioration n’est remarqué en
apprentissage comparativement au résultat de la première population. Néanmoins, en
validation (partie qui nous intéresse, car c’est celle qui permet de vérifier la robustesse
du modèle et de généraliser l’équation obtenue), il est obtenu un gain de 3% entre les
deux populations. La corrélation totale entre les forces ultimes prédites et réelles de ces
152 poutres mène à un coefficient de détermination de 0.72. Entre la régression linéaire
multiple et la régression neuronale, il est obtenu un gain de 6% et un gain de 25% si on le
compare à la régression simple (M OEdyn vsFmax). Nous pouvons remarquer une moins
bonne homogénéisation de la répartition des valeurs sur le nuage de points. En effet, sur
la Fig.2.20, on peut constater que les valeurs prédites se répartissent à des seuils voisins
de 32 kN, 50 kN et 68 kN. Ainsi nous retiendrons que la seconde population améliore
légèrement la corrélation mais que la première population aboutit à une répartition des
données plus homogène.
+ TROISIÈME POPULATION : 36 POUTRES
Pour cette dernière population, les poutres ne présentent pas de noeuds sur le tiers central
du chant tendu. Les variables explicatives identifiées par la régression linéaire ascendante
pas à pas sont alors :
• M OEdyn : le module d’élasticité dynamique,
• Hell
critF L: Hauteur du noeud selon l’axe Y de la poutre,
• N : le nombre total de noeuds compris dans le tiers central (somme des nœuds des
deux faces),
Le module d’élasticité dynamique est encore le paramètre le plus pertinent avec un
coefficient total de détermination,R2 égal à 0.56. La régression linéaire multiple mène à
un R2 de 0.62 (soit un gain de 11% entre les deux régressions linéaires). Nous pouvons
constater (si on exclut le fait qu’il y ait peu d’échantillons dans cette population) que
les coefficients de détermination obtenus par régressions linéaires sur cette population
sont plus faibles. Un modèle neuronal à deux neurones cachés a été utilisé et donne les
résultats illustrés sur la Fig.2.21(AnnexeC).
Classement mécanique 82
Contrairement à la régression linéaire multiple, la corrélation obtenue par réseau de
neurones est plus forte. Il est obtenu par l’approche neuronale, un coefficient de
déter-mination total de 0.80, ce qui donne un gain de 30% entre la régression linéaire et la
régression non linéaire. Cette population affiche donc des corrélations très intéressantes,
cependant il serait nécessaire de valider l’approche avec d’autres échantillons afin de
va-lider les résultats et conclusions obtenus pour les poutres qui ne possèdent pas de noeuds
dans le tiers central du chant tendu.
Nous pouvons remarquer que pour les deux premières populations (188 poutres et 152
poutres), la régression par réseau de neurones apporte peu à la prédiction
comparative-ment à une régression linéaire multiple. L’effet des variables explicatives peut donc être
considéré comme linéaire sur la réponse recherchée,Fmax. Ainsi les variables explicatives
d’une poutre présentant des noeuds sur la partie tendue dans le tiers central des faces
latérales et des noeuds dans le tiers central du chant tendu agissent de manière linéaire
sur la force ultime en flexion. Cependant, lorsque les poutres ne présentent pas de noeuds
dans le tiers central du chant tendu, les variables explicatives ont un effet non linéaire sur
la force ultime(puisqu’il est observé une forte amélioration de la corrélation par réseau de
neurones comparativement à la régression linéaire multiple). De ces trois populations, on
constate que les deux premiers lots de poutres intègrent, en plus du module d’élasticité
dynamique, des variables propres aux noeuds critiques (position, taille et forme). Tandis
que la dernière population présente une variable explicative propre au noeud critique de
la face latérale et un paramètre d’effet de groupe, le nombre de noeuds présent dans le
tiers central, N. Nous pouvons alors supposer que la rupture des éléments de structure
présents dans les deux premières populations est due à un comportement mécanique
local en zone pré-nodale, tandis que la dernière population présente un comportement
mécanique à la rupture plus global (puisqu’il y a deux variables explicatives qui prennent
en compte le comportement de toute la poutre, M OEdyn et le nombre total de noeuds
dans le tiers central, N, et seulement une variable propre au noeud critique de la face
latérale,Hell
critF L).
La suite de ces travaux vise à essayer de mieux appréhender les phénomènes de rupture.
Une analyse inverse basée sur la force ultime est donc proposée afin de comprendre les
différents comportements mécaniques entre ces différents lots de poutres. Ceci permettra
alors de mieux identifier les paramètres à l’origine de la rupture.
Dans le document
Une modélisation de la résistance en flexion du pin maritime utilisé en construction
(Page 91-95)