HAL Id: tel-02147050
https://tel.archives-ouvertes.fr/tel-02147050
Submitted on 4 Jun 2019
HAL
is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire
HAL, estdestinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Contribution aux choix de modélisations pour la conception de structures multi-échelle sous incertitudes
Ernesto Rodriguez Pila
To cite this version:
Ernesto Rodriguez Pila. Contribution aux choix de modélisations pour la conception de structures
multi-échelle sous incertitudes. Mécanique des structures [physics.class-ph]. Université de Bordeaux,
2018. Français. �NNT : 2018BORD0222�. �tel-02147050�
THÈSE PRÉSENTÉE POUR OBTENIR LE GRADE DE
DOCTEUR DE
L’UNIVERSITÉ DE BORDEAUX
ÉCOLE DOCTORALE SCIENCES PHYSIQUES ET DE L’INGENIEUR SPÉCIALITÉ MECANIQUE
Par Ernesto Cristino RODRIGUEZ PILA
CONTRIBUTION AUX CHOIX DE MODELISATIONS POUR LA CONCEPTION DE STRUCTURES MULTI-ECHELLE
SOUS INCERTITUDES
Sous la direction de : Hervé WARNIER
Soutenue le 16 novembre 2018…
Membres du jury :
M. CHATEAUNEUF, Alaa Professeur, Polytech Clermont-Ferrand Président
M. GUILLAUMAT, Laurent Professeur, ENSAM Rapporteur
M. EL HAMI, Abdelkhalak Professeur, INSA Rouen Normandie/Laboratorie LMN Rapporteur M. BREYSSE, Denys Professeur, Université de Bordeaux Examinateur M. BES, Christian Professeur, Institut Clément ADER Examinateur Mme. GUILLEBAUD, Claire Maître de Conférences, Université de Bordeaux Examinateur M. WARGNIER, Hervé Professeur, Université de Bordeaux Examinateur
Remerciements
Table des matières
Introduction générale
Chapitre 1 – Modélisation de structures en milieu incertain
1. Modélisation multi-échelle des structures
1.1. Pyramide des modélisations expérimentale et prédictive
𝐸
𝑥𝑥𝐹
𝑥𝛿
𝑥𝐿 𝑏 𝑒
𝐸
𝑥𝑥= 𝜎
𝑥𝑥𝜀
𝑥𝑥=
𝐹
𝑥𝑏 ∗ 𝑒
𝛿
𝑥𝐿
= 𝐹
𝑥∗ 𝐿
𝛿
𝑥∗ 𝑏 ∗ 𝑒
𝐸
𝑥𝑥𝐸
𝑥𝑥𝐸
𝑓𝐸
𝑚𝑉
𝑓𝐸
𝑥𝑥= 𝐸
𝑓∗ 𝑉
𝑓+ 𝐸
𝑚∗ (1 − 𝑉
𝑓)
1.2. Choix de modélisation associée à la pyramide
2. Modélisation et propagation des incertitudes
2.1. Sources d’incertitude
2.1.1. Incertitudes liées aux essais expérimentaux
Exemples de
qualification
d’incertitudes
expérimentales
𝑎 Méthode générale
d’identification et de traitement des
incertitudes
expérimentales
𝑢𝐵= 1,48 ∗ 𝑎 𝑢𝐵= 1,033 ∗ 𝑎
𝑢𝐵= 𝑎 √3⁄ 𝑢𝐵= 𝑎 √12⁄
𝑢𝐵= 𝑎 √6⁄
𝑎
𝑢
𝐵= 0,05 √12 ⁄
𝑢
𝐶𝑢
𝑐= √𝑢
𝐴2+ 𝑢
𝐵2𝑥 = 𝑓(𝑝
1, … , 𝑝
𝑛)
𝑝
1, … , 𝑝
𝑛𝑥
𝑢
𝑐(𝑥) 𝑢(𝑝)
𝑢(𝑝
𝑖, 𝑝
𝑗) 𝑝
𝑖𝑝
𝑗𝑢
𝑐(𝑥) = √∑( 𝜕𝑓
𝜕𝑝
𝑖)
2∗ 𝑢
2(𝑝
𝑖)
𝑛
𝑖=1
+ 2 ∗ ∑ ∑ 𝜕𝑓
𝜕𝑝
𝑖∗ 𝜕𝑓
𝜕𝑝
𝑗∗ 𝑢(𝑝
𝑖, 𝑝
𝑗)
𝑛
𝑗=𝑖+1 𝑛−1
𝑖=1
2.1.2. Incertitudes liées aux matériaux
Géométrie des constituants élémentaires
Processus de
mise en œuvre
2.1.3. Incertitudes liées aux modèles
𝜃
𝑃(𝜃)
𝜃 𝜃
𝑃(𝜃) 𝑦
𝑖(𝜃) 𝑖
𝜎
𝑦(𝜃)𝑃(𝑦|𝜃)
𝑦̂
𝑖(𝜃) 𝑦
𝑖(𝜃)
𝑃(𝑦|𝜃) = 1
𝜎
𝑦(𝜃)√2𝜋 ∑ exp(− 1
2 ∗ [ 𝑦̂
𝑖(𝜃) − 𝑦
𝑖(𝜃) 𝜎
𝑦(𝜃)]
𝑁 2 𝑖=1
)
𝑃(𝜃|𝑦)
𝑃(𝜃|𝑦) = 𝑃(𝑦|𝜃) ∗ 𝑃(𝜃)
∫ 𝑃(𝑦|𝜃) ∗ 𝑃(𝜃) ∗ 𝑑𝜃
𝜃Calibration
bayésienne
𝐴
0𝐴
0𝑁 𝑥
0𝑦
0𝐴
0(𝑥
0, 𝑦
0) 𝑥
0𝑦
0𝐴
0𝐴
0𝐴
0𝑜𝑝𝑡𝑖𝑚𝑖𝑠𝑚
𝑒
𝐴𝑖𝑎𝑝𝑝𝑒
𝐴𝑖𝑣𝑎𝑙 𝐴
𝑖(𝑥
𝑗𝐴𝑖, 𝑦
𝑗𝐴𝑖)
𝑜𝑝𝑡𝑖𝑚𝑖𝑠𝑚 = 1
𝐼 ∗ ∑ 𝑒
𝐴𝑖𝑣𝑎𝑙− 𝑒
𝐴𝑖𝑎𝑝𝑝𝐼
𝑖=1
𝑒
𝐴𝑖𝑎𝑝𝑝𝐴
𝑖(𝑥
𝑗𝐴𝑖, 𝑦
𝑗𝐴𝑖) Méthodes de
rééchantillonnage et validation
croisée
𝑒
𝐴𝑖𝑎𝑝𝑝= 1
𝑁 ∗ ∑ (𝑦̂
𝑖(𝑥
𝑗𝐴𝑖) − 𝑦
𝑗𝐴𝑖)
2𝑁
𝑗=1
𝑒
𝐴𝑖𝑣𝑎𝑙𝐴
𝑖𝐴
0𝑒
𝐴𝑖𝑣𝑎𝑙𝑒
𝐴𝑖𝑣𝑎𝑙= 1
𝑁 ∗ ∑(𝑦̂
𝑖(𝑥
𝑗𝐴0) − 𝑦
𝑗𝐴0)
2𝑁
𝑗=1
2.2. Représentation des incertitudes
2.2.1. Représentation par intervalles
2.2.2. Ensembles flous
2.2.3. Approche probabiliste
𝜇 𝜎
2𝜇 𝑥
𝑓(𝑥)
𝜇 = 𝐸[𝑥] = ∫ 𝑥 ∗ 𝑓(𝑥)𝑑𝑥
∞
−∞
𝜇
2= 𝜎
2= 𝐸[(𝑥 − 𝐸[𝑥])
2]
2.2.4. Approche non-paramétrique
2.2.5. Théorie des méconnaissances
2.2.6. Méthode d’analyse retenue
2.3. Propagation des incertitudes
2.3.1. Analyse de dispersion
Méthodes
d’échantillonnage
𝜇′
𝑞 𝑦 = 𝑓(𝑥)
𝑦 Méthode des
perturbations
Méthode de
quadrature
𝜇′
𝑞= ∑ … ∑ 𝑤
𝑘1… 𝑤
𝑘𝑁[𝑓(𝑥
𝑘1, … , 𝑥
𝑘𝑁)]
𝑞𝐾
𝑘𝑁=1 𝐾
𝑘1=1
𝑤
𝑘𝑥
𝑦
𝑦
2.3.2. Analyse de fiabilité
2.3.3. Analyse de la distribution
Méthodes spectrales
Méthode de
krigeage
𝐹(𝑥)
𝐹(𝑥)
𝑓(𝑥)
𝑇𝛽
𝑓(𝑥)
𝑇𝑍(𝑥)
𝐹(𝑥) = 𝑓(𝑥)
𝑇∗ 𝛽 + 𝑍(𝑥)
2.4. Méthode d’analyse et de propagation d’incertitude retenue
2.4.1. Distributions de probabilité pour les matériaux composites
𝑁(𝜇, 𝜎) 𝜇 𝜎
Distribution de
Laplace-Gauss
𝑓(𝑥; 𝜇, 𝜎) = 1
𝜎√2𝜋 𝑒
−12(𝑥−𝜇𝜎 )2
; 𝜎 > 0; −∞ < 𝑥, 𝜇 < ∞
𝜇
𝜇 ± 𝜎
Distribution log-
normale
𝑋 𝑙𝑛(𝑋)
𝑓(𝑥; 𝜇, 𝜎) = 1
𝑥𝜎√2𝜋 𝑒
−12(𝑙𝑛(𝑥)−𝜇𝜎 )2
; 𝑥 > 0, 𝜎 > 0, −∞ < 𝜇 < ∞
𝜇
ln(𝑁)𝜎
ln(𝑁)𝑁(𝜇
𝑁, 𝜎
𝑁)
𝜇
ln(𝑁)= ln( 𝜇
𝑁√1 + (𝜎 𝜇
𝑁𝑁)
2)
𝜎
ln(𝑁)= √ln(1 + ( 𝜎
𝑁𝜇
𝑁)
2)
𝑘 > 0 𝜆 > 0
𝑓(𝑥; 𝜆, 𝑘) = { 𝑘 𝜆 ∗ ( 𝑥
𝜆 )
𝑘−1∗ 𝑒
−(𝑥𝜆)𝑘
𝑥 ≥ 0, 0𝑥 < 0 Distribution de
Weibull
Distribution
d’extremum
généralisé
𝜆 𝛿
𝑓(𝑥; 𝜆, 𝛿) = 1
𝛿 ∗ exp[( 𝑥 − 𝜆
𝛿 ) − exp ( 𝑥 − 𝜆 𝛿 )]
𝑓(𝑥; 𝜆, 𝛿) = 1
𝛿 ∗ exp[(− 𝑥 − 𝜆
𝛿 ) − exp (− 𝑥 − 𝜆 𝛿 )]
𝜇 𝜎
𝐶𝑉
𝐶𝑉 = 𝜎 𝜇 Type de
distribution
retenu
2.4.2. Proposition de prise en compte et de propagation des incertitudes au moyen de modèles prédictifs
𝜎
2𝑚𝑜𝑑è𝑙𝑒
𝑦
𝑖𝑦̂
𝑖𝑥̂
𝑖𝜎
2𝑚𝑜𝑑è𝑙𝑒= 𝑀𝑆𝐸 = ∑
𝑁𝑖=1(𝑦̂
𝑖− 𝑦
𝑖)
2𝑁 Méthode
proposée pour le calcul d’incertitude des
modèles
𝜎
𝑚𝑜𝑑è𝑙𝑒𝑦
𝑖𝑦̂
𝑖𝑦̂
𝑖𝑥̂
𝑖𝑓(𝑥) = 𝑓
0(𝑥) + ∑ 𝑓
𝑖(𝑥
𝑖)
𝑖
+ ∑ ∑ 𝑓
𝑖𝑗(𝑥
𝑖, 𝑥
𝑗)
𝑗>𝑖 𝑖
+ ⋯ + 𝑓
12…𝑁𝑦̂
𝑖𝑦̂
𝑖𝑦̂
𝑖𝑦̂
𝑖𝜇
𝑦̂𝑖𝜎
𝑦̂𝑖𝑥
𝑖𝜎
2𝑦̂
𝑖𝜇
𝑦̂𝑖𝜎
2𝑦̂𝑖Méthode proposée pour l’agrégation de l’incertitude des
modèles
𝜎
2𝑚𝑜𝑑è𝑙𝑒𝑦̂
𝑖𝑦̂
𝑖= 𝜇
𝑦̂𝑖+ 𝑁(0, 𝜎
𝑦̂𝑖) + 𝑁(0, 𝜎
𝑚𝑜𝑑è𝑙𝑒)
3. Conclusion
Chapitre 2 – Prise en compte du coût de modélisation dans le cadre de
la modélisation multi-échelle sous incertitude
[115]–[117], [110], [118]
1. Présentation générale du processus de conception
Définition du problème
Elaboration du
concept
1.1. Incertitudes dans le processus de conception Conception
préliminaire
Conception
détaillée
1.2. Coût du processus de conception
1.3. Intégration du coût de modélisation et des incertitudes propres à la
modélisation de structures
2. Proposition d’une méthode de calcul du coût de modélisation par
logique floue
2.1. Coût des modèles prédictifs
2.2. Coût des modèles expérimentaux
3. Cas de contrôle : Poutre sandwich sollicitée en flexion 3-points
3.1. Recherche de cas limite pour la définition du cas de contrôle
𝐸 𝐺
𝑬 𝑮
𝑬 𝑬 𝑬
𝑮
3.2. Définition du cas de contrôle
𝑘
𝑓𝑘
𝑐𝑘
𝑡𝐸
𝑎𝐺
𝑎𝐸
𝑝𝐺
𝑝𝜃
(𝑘)𝑒
(𝑘)𝑝𝐸
𝑥𝑥𝐸
𝑦𝑦𝜈
𝑥𝑦𝐺
𝑥𝑦𝐺
𝑦𝑧𝑉
𝑓𝐸
𝑓𝜈
𝑓𝐸
𝑚𝜈
𝑚3.3. Caractérisation expérimentale des paramètres
3.3.1. Définition des essais utilisés et des incertitudes propres à la modélisation expérimentale
ν
ν
ν
𝐸𝑥𝑥 𝐸𝑦𝑦
𝜈𝑥𝑦
𝐺𝑥𝑦
𝐺𝑦𝑧
3.3.2. Evaluation du coût propre à la modélisation expérimentale
𝐸𝑓 𝜈𝑓
𝐸𝑚 𝜈𝑚
𝐸𝑎
𝐺𝑎
𝐸𝑥𝑥
𝐸𝑦𝑦 𝜈𝑥𝑦
𝐺𝑥𝑦
𝐺𝑦𝑧
𝑉𝑓
3.4. Caractérisation prédictive des paramètres
3.4.1. Définition des modèles prédictifs
𝐸
𝑝⁄ 𝐸
𝑎𝐿/𝑏
𝐸
𝑝⁄ 𝐸
𝑎ℎ
𝑎⁄ 𝑒
3.4.2. Calcul des incertitudes des modèles prédictifs
𝑦
𝑖𝑦̂
𝑖𝑦̂
𝑖𝑦̂
𝑖𝑦
𝑖𝑦
𝑖𝐸𝑓
𝜈𝑓
𝐸𝑚
𝜈𝑚
𝑉𝑓
𝑦̂
𝑖𝑦
𝑖𝐸𝑥𝑥 𝐸𝑦𝑦 𝜈𝑥𝑦
𝐺𝑥𝑦
𝐺𝑦𝑧
𝑦̂
𝑖3.4.3. Calcul du coût des modèles analytiques
𝐸𝑥𝑥
𝐸𝑦𝑦
𝜈𝑥𝑦
𝐺𝑥𝑦 𝐺𝑦𝑧
𝐸𝑝
𝐺𝑝
3.5. Définition de paramètres à partir de bases de données fournisseurs
ν
3.6. Conclusion sur les calculs de coût de modélisation du cas de contrôle
4. Analyse et propagation des incertitudes appliquées au cas de contrôle
4.1. Propagation des incertitudes sur tous les chemins de modélisation
4.2. Analyse des chemins de modélisation d’intérêt
5. Conclusion
Chapitre 3 – Développement de la méthodologie d’aide à la
modélisation de structures multi-échelle sous incertitudes
1. Méthodologies de conception sous incertitudes
2. Proposition d’une méthodologie d’aide à la conception avec prise en
compte des incertitudes
2.1. Analyse du problème de conception
2.2. Construction de la pyramide des modélisations
2.2.1. Phase 1 : Squelette de la pyramide
2.2.2. Phase 2 : Pyramide améliorée
2.2.3. Phase 3 : Pyramide détaillée
2.3. Recherche de chemins de modélisation optimisés
3. Définition des outils dédiés à la construction de la pyramide et à la recherche de chemins optimisés
3.1. Définition des outils de construction de la pyramide détaillée : Analyse de
sensibilité
3.1.1. Méthodes locales d’analyse de sensibilité
𝑥 = 𝑥
0+ 𝛿𝑥 𝑥
0𝛿𝑥
𝑓(𝑥)
𝑓(𝑥) = 𝑓(𝑥
10+ 𝛿𝑥
1, … , 𝑥
𝑛0+ 𝛿𝑥
𝑛)
𝑥
0𝑓(𝑥) = 𝑓(𝑥10+ 𝛿𝑥1, … , 𝑥𝑛0+ 𝛿𝑥𝑛) = 𝑓(𝑥10, … , 𝑥𝑛0) + ∑ {𝜕𝑓(𝑥)
𝜕𝑥𝑖 }
𝑥𝑖0 𝑛
𝑖=1
∗ 𝛿𝑥𝑖
𝑥
0𝛿𝑥 𝛿𝑥
𝛿𝑥 Méthode locale
de dérivées partielles
Méthodes locales
de criblage
3.1.2. Méthodes globales d’analyse de sensibilité basées sur la variance
𝑓(𝑥) 𝑥 = (𝑥
1, … , 𝑥
𝑁)
𝑓(𝑥) = 𝑓
0+ ∑ 𝑓
𝑖(𝑥
𝑖)
𝑖
+ ∑ ∑ 𝑓
𝑖𝑗(𝑥
𝑖, 𝑥
𝑗)
𝑗>𝑖 𝑖
+ ⋯ + 𝑓
12…𝑁(𝑥
1, … , 𝑥
𝑁)
𝑓
0𝑥
𝑖𝑥
𝑖𝐸(𝑓(𝑥)|𝑥
𝑖)
𝑓
0= 𝐸(𝑓(𝑥))
𝑓
𝑖(𝑥
𝑖) = 𝐸(𝑓(𝑥)|𝑥
𝑖) − 𝐸(𝑓(𝑥))
𝑓
𝑖𝑗(𝑥
𝑖, 𝑥
𝑗) = 𝐸(𝑓(𝑥)|𝑥
𝑖, 𝑥
𝑗) − 𝑓
𝑖(𝑥
𝑖) − 𝑓
𝑗(𝑥
𝑗) − 𝐸(𝑓(𝑥))
𝑆
𝑖𝑆
𝑖𝑗𝑓(𝑥)
𝑆
𝑖𝑗𝑘𝑆
𝑖𝑗…𝑁𝑆
𝑖= 𝑉[𝐸(𝑓(𝑥)|𝑥
𝑖)]
𝑉(𝑓(𝑥))
𝑆
𝑖𝑗= 𝑉[𝐸(𝑓(𝑥)|𝑥
𝑖, 𝑥
𝑗)] − 𝑉[𝐸(𝑓(𝑥)|𝑥
𝑖)] − 𝑉[𝐸(𝑓(𝑥)|𝑥
𝑗)]
𝑉(𝑓(𝑥))
𝑥
𝑖𝑆
𝑇𝑖𝑥
𝑖𝑥
𝑖𝐸(𝑓(𝑥)|𝑥
~𝑖) 𝑆
𝑇𝑖𝑥
𝑖𝑆
𝑇𝑖= 𝐸[𝑉(𝑓(𝑥)|𝑥
~𝑖)]
𝑉(𝑓(𝑥)) = 1 − 𝑉[𝐸(𝑓(𝑥)|𝑥
~𝑖)]
𝑉(𝑓(𝑥))
3.1.3. Conclusion sur la méthode d’analyse de sensibilité utilisée
Définition des outils de recherche de chemins optimisés
3.2.1. Choix de la méthode d’optimisation
𝑓
1𝑓
23.2.2. Choix de l’algorithme d’optimisation
Fonctionnement des algorithmes
génétiques
Choix de l’algorithme
génétique
𝑁
𝑝𝑜𝑝𝑅
𝑡Fonctionnement
de l’algorithme
NSGA-II
𝑃
𝑡𝑄
𝑡𝑓
1𝑓
2𝑅
𝑡𝑃
𝑡+1𝐹
3𝑃
𝑡+1𝐹
3𝐹
3𝑃
𝑡+1Conclusion sur le
choix de
l’algorithme
d’optimisation
Application de la méthodologie d’aide à la conception au cas de contrôle
4.1. Construction de la pyramide des modélisations du cas de contrôle
4.2. Définition du algorithme d’optimisation - Cas de contrôle
4.3. Analyse de résultats et choix de chemins de modélisation optimisés
5. Conclusion
Chapitre 4 – Application de la méthodologie proposée au cas d’étude
d’un réservoir de stockage d’hydrogène
1. Analyse du problème de conception
𝑷𝒆𝒄𝒍
𝑑𝑖𝑛𝑡
2. Construction de la pyramide des modélisations 2.1. Structuration multi-échelle du problème
Définition des
échelles
d’observation
𝐸𝑚
Modélisation expérimentale et prédictive multi-
échelle [1]
𝑉𝑝
𝐸
𝑚ℎ𝜈
𝑚ℎ{ 𝐸
𝑚ℎ= (1 − 𝑉
𝑝) ∗ 𝐸
𝑚𝜈
𝑚ℎ= (1 − 𝑉
𝑝) ∗ 𝜈
𝑚𝛿
𝑋(𝑉
𝑝) = 𝛿(𝑉
𝑝) ∗ 𝑋 = (− 𝑉
𝑝4 + 0,925) ∗ 𝑋
𝐸
𝑥𝑥𝜈
𝑥𝑦𝑋
𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸𝑥𝑥
𝐸𝑦𝑦 𝜈𝑥𝑦
𝐺𝑥𝑦
𝑋
𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸
𝑥𝑥𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸𝑥𝑥
𝐸𝑦𝑦
𝐺𝑥𝑦
𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸𝑦𝑦 𝐺𝑥𝑦
𝐸
𝑧𝑧𝐸𝑧𝑧
2.2. Définition du squelette de la pyramide
𝑃
𝑒𝑐𝑙𝜎
𝑥(𝑘)𝑋
𝐸
𝑥𝑥, 𝐸
𝑦𝑦, 𝐸
𝑧𝑧, 𝜈
𝑥𝑦, 𝜈
𝑦𝑧, 𝜈
𝑧𝑥, 𝐺
𝑥𝑦, 𝐺
𝑦𝑧, 𝐺
𝑧𝑥𝑒
𝑝(𝑘)
(𝐸
𝑥𝑥, 𝐸
𝑦𝑦, 𝜈
𝑥𝑦, 𝐺
𝑥𝑦, 𝐺
𝑦𝑧) 𝐸
𝑧𝑧, 𝜈
𝑧𝑥𝐺
𝑧𝑥𝜈
𝑦𝑧𝐺
𝑦𝑧𝐸
𝑧𝑧𝑉
𝑓(𝐸
𝑓, 𝜈
𝑓) (𝐸
𝑚, 𝜈
𝑚)
2.3. Définition de la pyramide améliorée
𝑉
𝑝
2.4. Définition de la pyramide détaillée
𝑋 𝑉
𝑝𝜎
𝑥(𝑘)𝜎
𝑥(𝑘) 𝜎
𝑥(𝑘)𝑋
𝑋 𝑉
𝑝𝜎
𝑥(𝑘)𝐸
𝑥𝑥𝐸
𝑧𝑧𝐸
𝑥𝑥𝐸
𝑧𝑧𝑒
𝑝𝐸
𝑥𝑥𝐸
𝑧𝑧𝑒
𝑝(𝐸
𝑥𝑥)
𝐸
𝑥𝑥(𝐸
𝑓)
(𝑉
𝑓)
𝐸
𝑦𝑦𝐺
𝑥𝑦3. Définition du problème d’optimisation
3.1. Calcul du coût des modèles expérimentaux et prédictifs
Calcul du coût des modèles
prédictifs
Calcul du coût
des modèles
expérimentaux
𝐸𝑚
𝑉𝑝
𝐸
𝑥𝑥𝜈
𝑥𝑦𝑋
𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸𝑥𝑥
𝐸𝑦𝑦
𝜈𝑥𝑦
𝐺𝑥𝑦
𝑋
𝐸
𝑦𝑦
𝐺
𝑥𝑦𝐸
𝑥𝑥𝐸𝑥𝑥
𝐸𝑦𝑦
𝐺𝑥𝑦
𝐸
𝑦𝑦𝐺
𝑥𝑦𝐸𝑦𝑦
𝐺𝑥𝑦
𝐸𝑧𝑧
3.2. Configuration du problème d’optimisation
𝑉
𝑓𝑉
𝑝𝐸
𝑓𝜈
𝑓𝜈
𝑚𝐸
𝑚𝑒
(𝑘)𝑝𝐸
𝑥𝑥𝐸
𝑦𝑦𝜈
𝑥𝑦𝑋
𝐺
𝑥𝑦𝐸
𝑧𝑧𝜈
𝑦𝑧𝜈
𝑧𝑥𝐺
𝑧𝑥𝐺
𝑦𝑧𝜎
(𝑘)𝑥𝑃
𝑒𝑐𝑙𝜎
(𝑘)𝑥𝑋
4. Résultats obtenus
4.1. Etude du front de Pareto
𝐸
𝑧𝑧𝐸
𝑥𝑥𝑉
𝑓𝐸
𝑥𝑥𝐸
𝑥𝑥𝑉
𝑓𝐸
𝑦𝑦𝐸
𝑥𝑥𝑋
𝑉
𝑓𝐸
𝑥𝑥𝑒
𝑝𝐸
𝑓4.2. Etude différenciée de l’incertitude sur la pression d’éclatement
𝐸
𝑧𝑧𝐸
𝑧𝑧𝐸
𝑥𝑥𝑒𝑝
↘ ↗ ↘ ↘
↗ ↘ ↗ ↗
𝐸𝑥𝑥
↗ ↘ ↗
𝐸𝑦𝑦
𝐸𝑧𝑧
↘ ↗ ↘
↗ ↘ ↗
𝑉𝑓
𝑉𝑝
↘ ↗ ↘
↗ ↘ ↗
𝐸
𝑧𝑧𝑉
𝑝𝑒
𝑝𝑒
𝑝𝐸
𝑥𝑥4.3. Etude du coût de modélisation
5. Application de chemins de modélisation optimisées à la reconception du réservoir de stockage d’hydrogène
5.1. Définition du cahier des charges
5.2. Méthode de détermination de la pression minimale Analyse des
chemins de modélisation utilisés pour la
reconception
𝑬𝒇 𝝂𝒇 𝑬𝒎 𝝂𝒎
𝑽𝒇 𝑽𝒑 𝒆𝒑 𝑬𝒙𝒙 𝑬𝒚𝒚
𝝂𝒙𝒚
𝑮𝒙𝒚
𝑮𝒚𝒛
𝑬𝒛𝒛 𝑿 𝝈(𝒌)𝒙 𝑷𝒆𝒄𝒍