Chapitre V : Prédiction de la fatigue des pales d’éoliennes
V.5 Prédiction de la tenue en fatigue sous l’effet d’orientation de fibres
V.5.4 Résultats de la prédiction utilisant RNA-OEP
Différents matériaux à base de différents tissus de renfort (voir tableau V.3) ont été comparés en termes de contrainte maximale à la fatigue par traction et qui peuvent être supportés des cycles de contraintes de l’ordre de , le tout ont été déterminés à partir de la courbe qui s’inscrit dans le tableau (V.4). D’autres mesures de résistance à la fatigue telles que les exposants de la courbe S-N s’inscrivent aussi dans le tableau (V.4) montreraient des tendances cohérentes.
Fig.V.18 : Prédiction de la tenue en fatigue de « PPG1200-EP1 fibre de verre/Epoxy » pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
0 100 200 300 400 500 600 700 800 900 1000 0 0.5 1 1.5 2 2.5 3 3.5 Epochs P e rf o rm a n c e ( M S E )
epochs vs performance (PSO-ANN)
average error error goal 0 100 200 300 400 500 600 700 800 0 1 2 3 4 5 6 7 8 Co n tr ai n te m ax (M Pa)
Log (nombre de cycles à la rupture)
Multidirectionnel (Exp) Multidirectionne (RNA-OEP) Unidirectionnel (Exp) Unidirectionnel (RNA-OEP)
96
Les figures (V.18 à V.22) montrent une comparaison entre les valeurs expérimentales et prédites pour différents matériaux composites. Chaque graphique est constitué de deux orientations différentes de couches où les stratifiés multidirectionnels [(±45)2/(0)2]S sous une charge de fatigue par traction ( ) sont très sensibles à l’orientation des fibres par contre les laminés basés sur un tissu-uni [0]2 dévoilent une bonne performance à la fatigue, en termes de fatigue exposant et capacité de déformation aux cycles de .
Fig.V.19 : Prédiction de la tenue en fatigue de « PPG1200-UP5 fibre de verre/Polyester » pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
Fig.V.20 : Prédiction de la tenue en fatigue de « PPG1200-VE4 fibre de verre/Vinylester » pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
Par conséquent, ces figures montrent des prédictions typiques de la tenue en fatigue des matériaux en fibre de verre/époxy, polyester et d’esters vinyliques en utilisant une architecture de réseau de neurones feedforward « feedforward neural network ». Les valeurs des erreurs quadratiques moyennes « MSE » obtenues par l’approche RNA-OEP sont incluses dans (9,2 % à 28,3 %). Les figures montrent aussi un décalage entre les courbes expérimentales et prédites le long de l’axe des contraintes pour tous les stratifiés étudiés [(±45)2/(0)2]S et [0]2.
0 100 200 300 400 500 600 0 1 2 3 4 5 6 7 Co n tr ai n te m ax (M Pa)
Log (nombre de cycle à la rupture)
Multidirectionnel (Exp) Multidirectionell (RNA-OEP) Unidirectionnel (Exp) Unidirectionnel (RNA-OEP) 0 100 200 300 400 500 600 700 800 0 1 2 3 4 5 6 7 Co n tr ai n te m ax (M Pa)
Log (nombre de cycles à la rupture)
Multidirectionnel (Exp) Multidirectionnel (RNA-OEP) Unidirectionnel (Exp) Unidirectionnel (RNA-OEP)
Chapitre V Prédiction de la fatigue des pales d’éoliennes
97
Fig.V.21 : Prédiction de la tenue en fatigue de « PPG1200-VE5 fibre de verre/Vinylester » pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
Fig.V.22 : Prédiction de la tenue en fatigue de « PPG1200-VE6 fibre de verre/Vinylester » pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
Fig.V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de [0]2
0 100 200 300 400 500 600 0 1 2 3 4 5 6 Co n tr ai n te m ax (M Pa)
Log (nombre de cycles à la rupture)
Multidirectionnel (Exp) Multidirectionnel (RNA-OEP) Unidirectionnel (Exp) Unidirectionnel (RNA-OEP) 0 100 200 300 400 500 600 0 1 2 3 4 5 6 7 Co n tr ai n te m ax (M Pa)
Log (nombre de cycles à la rupture)
Multidirectionnel (Exp) Multidirectionnel (RNA-OEP) Unidirectionnel (Exp) Unidirectionnel (RNA-OEP) 0 100 200 300 400 500 600 700 800 0 1 2 3 4 5 6 7 8 C o n tr ain te m ax ( M Pa)
Log (nombre de cycles à la rupture)
UD-PPG1200-EP1 (Exp) UD-PPG1200-EP1 (RNA-OEP) UD-PPG1200-UP5 (Exp) UD-PPG1200-UP5 (RNA-OEP) UD-PPG1200-VE4 (Exp) UD-PPG1200-VE4 (RNA-OEP) UD-PPG1200-VE5 (Exp) UD-PPG1200-VE5 (RNA-OEP) UD-PPG1200-VE6 (Exp) UD-PPG1200-VE6 (RNA-OEP)
98
Les données expérimentales et les prédictions en utilisant la méthode RNA-OEP peuvent être également représentées pour les stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnels [0]2 à la fois, comme illustrée dans les figures (V.23 et V.24). Ainsi, ces figures comparent la résistance à la fatigue par traction des stratifiés basés sur les tissus UD et MD mentionnés dans le tableau (V.3).
Fig.V.24 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de [(±45)2/(0)2]S
Tous les matériaux ont montré une certaine diminution de la résistance à la fatigue par traction pour l’empilement de [(±45)2/(0)2]S ; la diminution de la résistance à la fatigue a été très importante pour le PPG1200-UP5 fibre de verre/polyester, mais mineure pour les matériaux restants.
V.6 Conclusion
Ce chapitre a été devisé en deux parties ; d’après les résultats obtenus de la première section, la température et l’humidité ont des effets très importants sur la tenue en fatigue des matrices de résine. L’iso-polyester est le moins sensible à l’environnement parmi les quatre systèmes de résine étudiés; il est préconisé d’être la matrice de résine minimum acceptée pour la conception des pales d’éoliennes.
D’après les résultats de la deuxième section : les matériaux à base de tissu unidirectionnel conservent une bonne résistance à la fatigue par traction. Le PPG1200-EP1 fibre de verre/époxy est le moins sensible à l’orientation des fibres parmi les cinq matériaux étudiés.
En outre, l’avantage de l’approche RNA utilisée dans le présent chapitre est de fournir une relation précise entre le nombre de cycles à la rupture et les contraintes maximales de compression. De ce fait, les RNA ont été choisis pour produire constamment la prédiction appropriée de la tenue en fatigue, quel que soit le type du matériau utilisé. De plus, l’algorithme RNA-OEP est une excellente combinaison pour les applications qui nécessitent un apprentissage rapide. 0 100 200 300 400 500 600 0 1 2 3 4 5 6 7 Co n tr ai n te m ax (M Pa)
Log (nombre de cycle à la rupture)
MD-PPG1200-EP1 (Exp) MD-PPG1200-EP1 (RNA-OEP) MD-PPG1200-UP5 (Exp) MD-PPG1200-UP5 (RNA-OEP) MD-PPG1200-VE4 (Exp) MD-PPG1200-VE4 (RNA-OEP) MD-PPG1200-VE5 (Exp) MD-PPG1200-VE5 (RNA-OEP) MD-PPG1200-VE6 (Exp) MD-PPG1200-VE6 (RNA-OEP)
99
Conclusion générale
“Wind Engineering is of the utmost value to everybody involvedwith wind as a source of energy…” …WE Journal
Comme la structure d’une éolienne est formée d’un assemblage de composants aux formes géométriques complexes telles que : nacelle, pylône et pales ; l’étude de cet ensemble est souvent compliquée.
La conception, le calcul et la réalisation d’une pale d’éolienne destinée à fournir une puissance électrique bien déterminée sont une tâche qui demande plusieurs disciplines, à savoir : l’aérodynamique, les matériaux, la sécurité et la modélisation.
Pour ces raisons ; nous avons pu recueillir par le biais de cette thèse tous les risques qui peuvent engendrer dans un parc éolien, et les classés dans un tableau d’APR. Ainsi, nous les avons évalués afin de mettre en place quelques mesures de sécurité qui peuvent intervenir dans la prévention et la limitation des phénomènes dangereux listés dans le même tableau.
100
À l’issue de l’analyse approfondie des risques. Les cinq catégories de scénarios étudiées sont :
L’effondrement des éoliennes ; La chute d’élément
La chute de glace ;
La projection de tout ou partie de pale ; La projection de glace.
À partir des recensements publiés, nous avons trouvé que le risque de la projection de tout ou partie de pale est le plus fréquent dans une industrie d’éoliennes. Nous avons essayé de l’isoler et l’étudier séparément. Alors, nous nous sommes orientés vers les matériaux constitutifs d’une pale d’éolienne, tout en étudiant les différents endommagements qui peuvent la détruire. La fatigue est l’un des problèmes posés par les éoliennes en termes d’ingénierie, qui réside dans la charge variable à laquelle les pales du rotor sont soumises.
Pour modéliser ce phénomène « fatigue », nous avons utilisé les RNA pour prédire le comportement en fatigue (durée de vie et tenue en fatigue). Les RNA appliqués dans cette thèse mettent en lumière les conclusions suivantes :
Les limitations des méthodes traditionnelles de prédiction de la fatigue qui se base sur l’expérience humaine, d’où la nécessité d’utiliser les réseaux de neurones (RN) qui peuvent apporter d’excellents résultats ;
La prédiction du comportement en fatigue des pales d’éoliennes peut aider considérablement à améliorer la qualité de leur prévention ;
La réduction du temps des essais dans les laboratoires, ce qui réduit aussi le coût ; Corriger et ajuster les essais expérimentaux par la régression linéaire des valeurs
prédites ;
Optimiser l’erreur quadratique moyenne entre les résultats expérimentaux et prédits ; La taille et la qualité de la base de données ont une influence majeure sur
l’apprentissage des RNA. C’est pour laquelle le choix d’une base de données est parfois le seul paramètre décidant de la qualité de l’apprentissage ;
L’architecture du RNA (nombre de couches cachées, nombre de neurones, fonctions d’activations) est un facteur important décidant de la qualité de l’apprentissage plus que les paramètres d’apprentissage (taux d’apprentissage…) ;
L’optimisation d’un réseau n’est pas une tâche facile et sa convergence peut être lente, comme il pourrait diverger complètement. La caractéristique locale de l’algorithme de rétropropagation « Levenberg-Marquardt (LM) » évite ce problème ;
Conclusion générale
101
Un réseau supervisé entrainé par un algorithme métaheuristique pour la prédiction donne des résultats ayant une précision et une souplesse qu’avait chacun d’eux séparément ;
La combinaison réseau de neurone et optimisation par essaim de particules « RNA-OEP » est une très bonne combinaison pour les applications qui nécessitent un apprentissage rapide ;
La sélection des paramètres de l’algorithme d’OEP joue un rôle primordial dans l’optimisation.
Par l’utilisation des méthodes de l’intelligence artificielle (RNA, OEP,…), nous avons pu créer un modèle capable de prédire la durée de vie et la tenue en fatigue de plusieurs matériaux composites stratifiés sous l’effet de plusieurs facteurs (environnement, orientation de fibres…). En outre, les résultats obtenus par les RNA nous ont aidés à proposer quelques types de matériaux composites de point de vue durabilité et durées de vie pour une éventuelle conception des pales d’éoliennes, en prenant en considération les points suivants :
la température et l’humidité ont des effets très importants sur la tenue en fatigue des matrices de résine.
L’iso-polyester « CoRezyn 75-AQ-010 » est le moins sensible à l’environnement parmi les quatre systèmes de résine étudiés ; il est se doit d’être la matrice de résine minimum acceptée pour la conception des pales d’éoliennes.
Les matériaux à base de tissu unidirectionnel donnent une bonne tenue en fatigue par traction par rapport à ceux à base de tissu multidirectionnel ;
Le matériau à renfort de fibres de verre/époxy « PPG1200-EP1 » est le moins sensible à l’orientation des fibres entre les cinq matériaux étudiés.
La présente thèse est loin d’être achevée. Plusieurs points peuvent être traités en perspectives futures :
Des recherches supplémentaires sont nécessaires pour déterminer la possibilité de trouver des combinaisons uniques dont résultent toujours les meilleures prédictions de la fatigue.
Développer la filière des matériaux composites, et ce, dans l’espoir d’établir une activité de recherche et d’innovation dans le domaine des énergies renouvelables et particulièrement de l’énergie éolienne.
Moderniser le procédé de fabrication des pales d’éoliennes avec la prise en compte des aspects d’éco-conception et d’autre part, développer et améliorer des procédures de qualification, de réparation et de recyclage après la fin de vie de ces pales.
102
Bibliographie
[1] Pérol. C: d’où vient le vent. Portrait et magazine aux multiples POMM, www.pomms.org (Consulté le 16 octobre 2015)
[2] Circulation générale; Glossaire de la météorologie; Météo-France, www.meteofrance.fr (consulté le 17 octobre 2015)
[3] Leguay. J.P: l’air et le vent au moyen âge. Presses universitaires de Rennes, France, 2011
[4] Force de Coriolis; Glossaire de la météorologie; Météo-France; www.meteofrance.fr (consulté le 17 octobre 2015)
[5] Encyclopédie libre Wikipédia: www.wikipedia.org/wiki/Vent (consulté le 17 octobre 2015)
Bibliographie
103
[7] Multon. B, Gergaud. O, Ben Ahmed. H, Roboam. X, Astier. S : Etat de l'art des aérogénérateurs. L'électronique de puissance vecteur d'optimisation pour les énergies renouvelables, ed. NOVELECT-ECRIN, pp.97-154, 2002
[8] Dale E.B: Wind energy conversion. Handbook of Energy Efficiency and Renewable Energy, by Taylor & Francis Group LLC, 2007
[9] Boyette. A: Contrôle-commande d'un générateur asynchrone à double alimentation avec système de stockage pour la production éolienne. Thèse de Doctorat, Université Henri Poincaré, Nancy (France), 2006
[10] Enercon constructeur d'éolienne: http://www.enercon.de/ (consulté le 29 novembre 2015)
[11] Global Wind Energy Council (GWEC): http://www.gwec.net/global-figures/graphs/ (consulté le 29 novembre 2015)
[12] La production d'électricité d'origine renouvelable dans le monde; 15è inventaire; édition chapitre 1 perspectives générales pp.6-9; www.energies-renouvelables.org; 2014
[13] Kasbadji Marzouk. N: l’exploitation de l’éolien à des fins énergétiques. workshop sur les énergies renouvelables et leurs applications, Batna (Algérie), 2010
[14] Hamane. L: les ressources éoliennes de l’Algérie. Bulletin des énergies renouvelables CDER N°3, pp. 10-11, 2003
[15] Kasbadji Marzouk. N: Quel avenir pour l’Energie Eolienne en Algérie?. Bulletin des énergies renouvelables CDER N°14, pp.6-7, 2008
[16] Semmar. M: L’énergie éolienne pour prévenir l’avenir sous un climat sain et propre. Bulletin des énergies renouvelables CDER N°14, pp.8-10, 2008
[17] Merdaouil. M, Houha. H, Smaili. A: Etude et dimensionnement du futur parc éolien de Kaberten situé dans la région d’Adrar. Revue des Energies Renouvelables SMEE’10 Bou Ismail Tipaza, pp. 269-274, 2010
[18] France Energie Eolienne: Guide technique, élaboration de l’étude de dangers dans le cadre des parcs éoliens. France, 2012
[19] Melloul. A: Simulation et diagnostic d’une machine asynchrone à double alimentation d’une éolienne. Mémoire de magister, Université de Sétif, Sétif (Algérie), 2011
[20] Guérette. D: Asservissement d'une éolienne à vitesse variable et à pas fixe dans le cadre d’un système de jumelage éolien-diesel à haute pénétration; Thèse de Doctorat, Université du Québec à Rimouski, Rimouski (Canada), 2010
[21] Milha Touati. M: Conception et réalisation de pales de petites éoliennes. Exposé de projet (www.saharawind.com Consulté : Janvier 2016)
104
[22] Nadjah. M, Khechana. M, Laiche. L, Ouksel. T et Mahfoudi. C: Etude de l’hélice d’une éolienne de 5 kW. Revue des Energies Renouvelables CISM’O8 Oum El Bouaghi, pp. 37-48, 2008
[23] Multon. B, Robin. G, Gergaud. O, Ben Ahmed. H: Le génie électrique dans le vent: état de l’art et recherches dans le domaine de la génération éolienne. JCGE'03, Saint-Nazaire, France, 2003
[24] Ghennam. T: Supervision d’une ferme éolienne pour son intégration dans la gestion d’un réseau électrique, Apports des convertisseurs multi niveaux au réglage des éoliennes à base de machine asynchrone à double alimentation. Thèse de Doctorat, Ecole Militaire Polytechnique d’Alger; Algérie 2011
[25] Ministère de l’écologie, de l’énergie, du Développement durable et de la Mer, en charge des Technologies vertes et des Négociations sur le climat: Guide de l’étude d’impact sur l’environnement des parcs éoliens. France, 2010
[26] Encyclopédie libre WikiEolienne: http://eolienne.f4jr.org/eolienne_impact (consulté le 02 Janvier 2016)
[27] Agence de l’Environnement et de la Maitrise de l’Energie AMEM: Des éoliennes dans votre environnement?. France, 2002
[28] Abalain. JP, Chazal. JY, Schumpp. B: La sécurité publique des centrales éoliennes industrielles, Constat de carence. France, 2007
[29] SOMIVAL: Projet de parc éolien de la Champagne Berrichonne, Résumé non technique de l’étude de dangers. France, 2013
[30] Ziane. K, Zebirate. S: Identification des potentiels de dangers liés au fonctionnement d'un parc éolien. 5ème Journée des Doctorants, Maison des Doctorants. Oran (Algérie), 2014
[31] Eole Generation: Projet de parc éolien d’Ypreville-Biville et de Trémauville. France, 2012
[32] Ziane. K, Zebirate. S, Lounis. Z, Chaker. A: Mesures de prévention et de protection d'un parc éolien contre le risque d'incendie. International Conference on Engineering of Industrial Safety and Environment ICISE'14, Oran (Algeria), 2014
[33] France Energie Eolienne, INERIS, Syndicat des Energies Renouvelable: Elaboration de l’étude de dangers dans le cadre des parcs éoliens. France, 2012
[34] Ziane. K, Zebirate. S, Lounis. Z: Description des mesures générales de prévention et d’intervention pour la réduction des risques d'un parc éolien. Cinquièmes Journées d'Etudes Nationales sur l'Environnement et les conditions de Travail JECT5. Batna, Algérie, 2014
Bibliographie
105
[35] Bangalore. P: Load and risk based maintenance management of wind turbines. Engineering Thesis, Chalmers University of Technology, Sweden, 2014
[36] MMI Engineering Ltd: Study and development of a methodology for the estimation of the risk and harm to persons from wind turbines. Warrington, UK, 2013
[37] Vinçotte International Algérie: Ferme éolienne de Kabertene « Adrar » (10MW), Etude de danger. Algérie, 2011
[38] Attaf. B: Eco-conception et développement des pales d’éoliennes en matériaux composites. Revue des Energies Renouvelables SMEE’10, pp.37-48, 2010
[39] Attaf. B: Eco-moulage des Pales d’Eoliennes et Panneaux Solaires en Matériaux Composites via la Technologie RTM. Journal of Fundamental and Applied Sciences Vol. 2 (1), pp.35-46, 2010
[40] Tardif. T: Modélisation et analyse des phénomènes aéroélastiques pour une pale d'éolienne. Thèse de MS, UQAR, Rimouski (Canada), 2009
[41] Prombut. P: Caractérisation de la propagation de délaminage des stratifies composites multidirectionnels. Université Paul Sabatier, Toulouse (France), 2007 [42] Hachmane. B: Analyse expérimentale du comportement mécanique d’un matériau
composite soumis à des sollicitations d’impact. Thèse de Doctorat, UMBB, Boumerdes (Algérie), 2013
[43] Djouabi. N: Analyse de l’endommagement de plaque composite en verre/époxy soumises à la fatigue par chocs. Mémoire de Magister. UMBB, Boumerdes (Algérie), 2012.
[44] Attaf . B: Pales d’Eoliennes: Procédés de Fabrication, Procédures de Qualification, Réparation et Recyclage. Rendez-vous du Composite, Marché spécial éolien, Gosnay (France), 2012
[45] ISO 2394: General principles on reliability for structures. Fourth edition, 2015
[46] Attaf B. Optimisation du Processus de Développement des Pales d’Eoliennes en Matériaux Composites: Cas d’Etude d’un Avant-projet. MateriaTech-Carma, 2002 [47] Renard. J: Fatigue des matériaux composites renforcés de fibres continues.
Techniques de l’ingénieur AM 5410.
[48] Maltais. P: Développement d'une méthode de prédiction de la durée de vie en fatigue de structures tubulaires soudées en aluminium. Mémoire de maîtrise, UQAC, Chicoutimi (Canada), 2008
[49] Encyclopédie libre Wikipédia:
106
[50] Darwiche. M: Apprentissage statistique pour l'évaluation et le contrôle non destructifs: application à l'estimation de la durée de vie restante des matériaux par émission acoustique sous fluage. Thèse de Doctorat, Université du Maine, France, 2013.
[51] Mokhnache. L: Application des réseaux de neurones dans le diagnostic et la prédiction des isolations de haute tension. Thèse de Doctorat, ENP d’Alger (Algérie), 2003
[52] Touzet. C: Les réseaux de neurones artificiels introduction au connexionnisme cours, exercices et travaux pratiques. EC2 Edition, Paris, 1992.
[53] Saha. O, Boutaleb. A: Applications des réseaux de neurones aux matériaux dans le génie civil : état de l’art. Colloque Méditerranéen sur les Matériaux CMEDIMAT, Oran (Algérie), 2005
[54] Antonelo. E, Schrauwen. B, Dutoit. X, Stroobandt. D, Nuttin. M: Event detection and localization in mobile robot navigation using reservoir computing. Artificial Neural Networks ICANN, pp. 660-69, 2007
[55] Réseaux de neurones: http://www.pinville.com/reseaux-de-neurones.php (Consulté le 22 Février 2016)
[56] Intelligence artificielle: http://intelligence-artificielle-robotique.weebly.com (Consulté le 22 Février 2016)
[57] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de Doctorat, Université Mohamed Khider, Biskra (Algérie), 2013
[58] Widrow. B, Hoff. M.E: Adaptive switching circuits. Western Electric Show and Convention Record part 4, pp. 96-104, 1960
[59] Minsky. M, Papert. S: Perceptrons. Cambridge, Mass: MIT Press, 1969
[60] Hopfield. J.J: Neural networks and physical systems with emergent collective computational abilities. Proc.Natl.Acad.Sci, 79: 2554-58, 1982
[61] Hinton. G.E, Sejnowski. T.J: Optimal perceptual inference. Proceeding of The IEEE on Computer Vision and Pattern Recognition, pp. 448-453, 1983
[62] Ziane. H, Benkaida. S: Utilisation des réseaux de neurones non supervisés dans la prédiction des propriétés des câbles haute tension sous vieillissement thermique. Mémoire d’ingéniorat, UZA, Djelfa (Algérie), 2008
[63] Sorin. F, Broussard. L, Roblin. P: Régulation d’un processus industriel par réseaux de neurones. Techniques de l’Ingénieur S 7582, 2001
[64] Hebb. D.O: The organization of behavior, a neuropsychological theory. New York: John Wiley, Chapter 4, pp. 60-78, 1949
Bibliographie
107
[65] Rosenblatt. F: The perceptron: a probabilistic model for information storage and organization in the brain. Psych. Rev. 65:386-408, 1957.
[66] Wikipédia perceptron multicouche: www.wikipedia.org/wiki/Perceptron_multicouche (Consulté le 05 Avril 2016)
[67] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de Doctorat. Université Mohamed Khider, Biskra (Algérie), 2013
[68] Kennedy. J, Eberhart. R.C: Particle swarm optimization. In Proceedings of the IEEE International Conference on Neural Networks IV, Perth (Australia), pp. 1942–48, 1995.
[69] Lepagnot. J: Conception de métaheuristiques pour l'optimisation dynamique. Application à l'analyse de séquences d'images IRM. Thèse de Doctorat. Université Paris-Est, Paris (France), 2011
[70] Zaitri. A: Caractérisation du comportement d’un Isolateur HT par la méthode des réseaux de neurones optimisée par essaim de particules. Mémoire de Master. Université de Djelfa, Algérie, 2015.
[71] Ziane. K, Zebirate. S, Zaitri. A: Particle swarm optimization-based artificial neural network for predicting fatigue strength in composite laminates of wind turbine blades. Composites: Mechanics, Computations, Applications: An International Journal. 6: 321-338
[72] Attaf. B: Designing composite wind turbine blades from cradle to cradle. Book of recent advances in composite materials for wind turbine blades, The world academic publishing, pp. 2-24, 2013
[73] Eker. AA, Eker. B: General assessment of fiber-reinforced composites selection in wind turbine blades. Book of recent advances in composite materials for wind turbine blades, The world academic publishing, pp.61-77, 2013
[74] Ladean. RM, Cairns. DS, Mandell. J, Combs. DC, Rabern. DA, Van Luchene RD: Analysis of a composite blade design for the AOC 15/50 wind turbine using a finite element model. Sandia report SAND2001-1441, 2001
[75] Van Dam. J, Jacobson. E, Link. H, Meadors. M: Wind turbine generators system duration test report for the Atlantic orient 15/50 wind turbine. National Renewable Energy laboratory NREL/EL-500-34017, 2003.
[76] Nijssen RPL: Fatigue Life Prediction and Strength Degradation of Wind Turbine Rotor Blade Composites. PhD Thesis, Delft University the Netherlands, 2006.
[77] Mandell J F, Samborsky D D, Li M, Orozco R, Cairns D S. Selection of fiberglass matrix resins for increased toughness and environmental resistance in wind turbine blades. AIAA, 57:354-366, 2000
108
[78] Li. M: Temperature and moisture effects on composite materials for wind turbine blades. MS Thesis, Montana State University-Bozeman, 2000.