HAL Id: hal-01943529
https://hal-upec-upem.archives-ouvertes.fr/hal-01943529
Submitted on 3 Dec 2018
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, est destinée 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.
Caractérisation expérimentale et simulation stochastique du comportement des meubles à base de panneaux de
particules
Zhou Chen, Luc Chevalier, Florent Pled, Eric Launay
To cite this version:
Zhou Chen, Luc Chevalier, Florent Pled, Eric Launay. Caractérisation expérimentale et simulation stochastique du comportement des meubles à base de panneaux de particules. 7èmes journées du GDR 3544 Sciences du bois, Nov 2018, Cluny, France. �hal-01943529�
Caractérisation expérimentale et simulation stochastique du comportement des meubles à base de
panneaux de particules
CHEN Zhou, CHEVALIER Luc, PLED Florent, LAUNAY Eric
Laboratoire de Modélisation et Simulation Multi-Echelle (MSME), Université Paris-Est
Institut technologique Forêt Cellulose Bois-construction Ameublement (FCBA), Champs sur Marne
Contexte et objectifs
I Contexte
. Simulation numérique au service de l’industrie du meuble I Objectifs
. Caractérisation expérimentale des meubles à base de panneaux de particules par corrélation d’images numériques
. Développement d’un outil de simulation numérique pour prédire la réponse de meubles aux essais de validation (tests normalisés)
Identification expérimentale des propriétés matériaux
I Comportement mécanique de panneaux de particules : isotropie transverse
~ z( ~ 1; L)
~ y( ~ 3; T )
~ x( ~ 2; T )
ε
zzε
xxε
yy2ε
xy2ε
yz2ε
xz
=
1
E
L− ν
LE
L− ν
LE
L0 0 0
− ν
LE
L1
E
T− ν
TE
T0 0 0
− ν
LE
L− ν
TE
T1
E
T0 0 0
0 0 0 1
G
T0 0
0 0 0 0 1
G
L0
0 0 0 0 0 1
G
L
σ
zzσ
xxσ
yyσ
xyσ
yzσ
xz
I Identification de (E T , G L ) par la méthode des moindres carrés [4]
min
(E T ,G L ,u 0 ,v 0 ,ψ 0 )
ku ana (E T , G L , u 0 , v 0 , ψ 0 ) − u exp k 2
avec (u 0 , v 0 , ψ 0 ) les éventuels mouvements de corps rigides de l’échantillon I Identification de (E L , ν L ) par la méthode FEMU
min
( E L ,ν L )
ku num (E L , ν L ) − u exp k 2
I Caractérisation de la raideur linéique k d’une jonction élastique [1]
. Jonction de vis
Fjonction l2
l1 b
. Jonction de tourillon
Fjonction l2
l1 b
k = m f z
θ = F jonction l 2 bθ
avec m f z le moment
linéique et θ la variation de l’angle à identifier
Réalisation d’essais suivis par corrélation d’images numériques (DIC)
I Essai de flexion 3 points sur échantillon
20 40 60 80
−20
−10 0 10 20
y (mm.)
z (m m .)
. Mesure du champ de déplacement u exp par DIC
. Identification des paramètres matériaux (E T , G L , E L , ν L )
I Essai de flexion simple sur jonction
0 10 20 30 40 50
0 10 20 30 40
x (mm.)
y(mm.)
. Mesure de la variation d’angle θ d’une jonction par DIC
. Identification de la raideur linéique k
Modélisation probabiliste des paramètres mécaniques incertains
I Décomposition du tenseur aléatoire d’élasticité isotrope transverse [3]
[C ] = C 1 [E (1) ] + C 2 [E (2) ] + C 3 ([E (3) ] + [E (4) ]) + C 4 [E (5) ] + C 5 [E (6) ]
I Densité de probabilité jointe p C du vecteur aléatoire C = (C 1 , C 2 , C 3 , C 4 , C 5 ) p C (c) = p (C 1 ,C 2 ,C 3 ) (c 1 , c 2 , c 3 ) × p C 4 (c 4 ) × p C 5 (c 5 )
. Densité de probabilité jointe p (C 1 ,C 2 ,C 3 ) des composantes C 1 , C 2 et C 3 statistiquement dépendantes :
p (C 1 ,C 2 ,C 3 ) (c 1 , c 2 , c 3 ) = 1 S (c 1 , c 2 , c 3 )k 123 (c 1 c 2 −c 2 3 ) −λ exp (−λ 1 c 1 − λ 2 c 2 − λ 3 c 3 ) avec support conique S = {(c 1 , c 2 , c 3 ) ∈ R + × R + × R ; c 1 c 2 − c 2 3 > 0}
. Densités de probabilité marginales p C 4 et p C 5 des composantes C 4 et C 5 statistiquement indépendantes suivant des lois Gamma :
p C 4 (c 4 ) = 1 R + (c 4 )k 4 c −2λ 4 exp (−λ 4 c 4 ) , p C 5 (c 5 ) = 1 R + (c 5 )k 5 c −2λ 5 exp (−λ 5 c 5 )
. Estimation des paramètres
λ = (λ 1 , λ 2 , λ 3 , λ 4 , λ 5 , λ) par la méthode des moindres carrés
λ∈A min λ km C − m ˆ C (λ)k 2 +(ν C − ν ˆ C (λ)) 2
1 1.2 1.4 1.6 1.8 2
0.08 0.09 0.1 0.11 0.12 0.13 0.14
C4 [GPa]
C5[GPa]
sample data
en utilisant une méthode de Monte-Carlo par Chaînes de Markov (MCMC) basée sur un algorithme de Metropolis-Hastings
I Modèle probabiliste des rigidités des liaisons : K suit une loi Gamma de paramètres α, β > 0
p K (k) = 1 R + (k) 1
β α Γ(α) k α−1 exp (−k/β )
. Estimation des paramètres (α, β ) par la méthode du maximum de vraisemblance
max
(α,β )∈ R + × R +
n
X
i=1
ln (p K (k i ; α, β ))
0 5000 10000
0 1 2 3 4 5 6
Number of samples
Rigidityofdoweljunctionk[kN/rad]
samples mean
0 5000 10000
0 50 100 150 200 250
Number of samples
Rigidityofscrewjunctionk[kN/rad]
samples mean
Simulation stochastique d’un bureau
I Modèles éléments finis de plaques isotropes transverses [2]
. Eléments finis de plaque mince de Kirchhoff-Love : DKT (Discrete Kirchhoff Triangle) et DKQ (Discrete Kirchhoff Quadrangle)
. Eléments finis de plaque épaisse de Reissner-Mindlin : DST (Discrete Shear Triangle) et DSQ (Discrete Shear Quadrangle)
I Essais réels et modélisation du bureau par un assemblage de plaques
I Propagation des incertitudes à travers le modèle de plaque . Simulation d’un essai de charge statique verticale
0 100 200 300 400 500
−0.013
−0.0125
−0.012
−0.0115
−0.011
−0.0105
−0.01
Number of samples
Mean
0 100 200 300 400 500
0 1 2 3
4x 10−3
Number of samples
Standarddeviation