These Forestier

ECOLE NATIONALE SUPERIEURE DES MINES DE PARIS
THESE
Prsente par Romain Forestier
Ingnieur en Mathmatiques et Modlisation de lInstitut National des Sciences Appliques de Toulouse
En vue de lobtention du titre de Docteur en Mcanique Numrique
DEVELOPPEMENT DUNE METHODE DIDENTIFICATION DE PARAMETRES PAR ANALYSE INVERSE COUPLEE AVEC UN MODELE ELEMENTS FINIS 3D
Soutenue le 22 janvier 2004
Devant le jury compos de
M. Olivier Allix M. Marc Bonnet M. Eric Ragneau M. Tommaso Dal Negro Mme Chantal David Mme Elisabeth Massoni M. Yvan Chastel
Prsident Rapporteur Rapporteur Examinateur Examinateur Examinateur Examinateur
Remerciements
Je tiens tout dabord remercier la Direction de lEcole des Mines de Paris pour mavoir donn la possibilit deffectuer ce travail de thse au Centre de Mise en Forme des Matriaux de Sophia-Antipolis. Je remercie Elisabeth MASSONI et Yvan CHASTEL pour toute la confiance quils mont accorde au cours de cette thse. Leurs qualits humaines ainsi que leurs comptences ont t une source de motivation permanente pour moi. Jai beaucoup appris au cours de ces trois annes de travail. Merci Marc BONNET et Eric RAGNEAU davoir accept de rapporter ma thse ainsi qu Olivier ALLIX pour lavoir prside. Jai eu loccasion, au cours de cette thse de travailler avec Chantal DAVID et Tommaso DAL NEGRO dans le cadre du projet europen TESTIFY. Je les remercie pour leur collaboration ainsi que davoir accept de faire partie du jury. Plus gnralement, je tiens exprimer ma gratitude envers tous les partenaires du projet europen TESTIFY pour leur comptences ainsi que pour leur bonne humeur. Travailler dans ce projet restera un souvenir inoubliable. Merci Gilbert et Vincent pour mavoir initi aux joies des essais mcaniques. Sans leur disponibilit et leur motivation, il maurait t difficile dobtenir tous les rsultats escompts. Je remercie ma famille, qui ma toujours soutenu au cours de mes tudes. Merci mes amis de lINSA, qui ne mont jamais perdu de vue malgr les annes qui passent. Guilhem, Squalou, JC, Olivier, Stphane, Maulon, Damien, Blandine, Sbastien, Lolo, Bobo, Carinne (bref, le groupe H), vous tes les meilleurs des supporters. Je remercie tout particulirement Mehdi, pour son amiti et pour toutes nos runions de travail. Un grand merci Mihaela, Serge et Julien pour mavoir support dans le bureau ainsi qu Karim pour mavoir mis le pieds ltrier. Merci Nico, Nathalie, Gilles, Cyril et Sven -les expatris toulousains- ainsi qu Audrey, Fred, Ramzy, Delphine, Josu, Mehdi, Christian, Hye-jin, Tho et Alban pour leur perptuelle bonne humeur et leur sympathie.
Remerciements ...........................................................................................................................3
Introduction : Optimisation et mise en forme.............................................................................9 1.1 1.1.1 1.1.2 1.1.3 1.1.4 1.1.5 1.2 1.3 Ecoulements complexes des matriaux lors dessais mcaniques ...........................10 Prise en compte de la gomtrie de loutillage et de la pice ..................................10 Prise en compte du frottement .................................................................................11 Prise en compte de lauto-chauffement ..................................................................12 Prise en compte de comportements mcaniques complexes....................................12 Conception de nouveaux essais................................................................................14 Objectifs du prsent travail ......................................................................................15 Bibliographie............................................................................................................15
Identification de paramtres par mthode de moindres carrs .................................................17 2.1 2.2 2.2.1 2.2.2 2.3 2.3.1 2.3.2 2.4 2.4.1 2.4.2 2.5 2.5.1 2.5.2 2.5.3 2.5.4 2.6 2.6.1 2.6.2 2.6.3 2.6.4 2.7 Introduction..............................................................................................................17 Problmes inverses et problmes de moindres carrs ..............................................18 Point de vue dterministe.........................................................................................18 Point de vue statistique ............................................................................................19 Mthodes de minimisation de la fonction cot ........................................................21 Mthodes dordre zro .............................................................................................21 Mthodes direction de descente ............................................................................26 Application lidentification de paramtres rhologiques ......................................36 Identification des paramtres dune loi de Norton-Hoff comparaison des mthodes de BFGS et de Gauss-Newton .................................................................38 Identification des paramtres dune loi viscoplastique complexe.........................40 Stabilit des mthodes direction de descente ........................................................40 La matrice de Gauss-Newton et la notion didentifiabilit ......................................41 Stabilit du jeu de paramtres identifi....................................................................44 Calcul dintervalles de confiance.............................................................................45 Stabilit de lalgorithme de Gauss-Newton .............................................................46 Techniques de stabilisation des mthodes direction de descente..........................48 Mthodes rgion de confiance...............................................................................48 La mthode de Levenberg-Marquardt......................................................................49 Approche statistique : introduction de linformation a priori ..................................51 Mthode de Gauss-Newton stabilise ......................................................................52 Application lanalyse de lessai de compression dun cube avec un comportement viscoplastique...........................................................................................................53
2.7.1 2.7.2 2.7.3 2.8 2.9 2.10
Etude des effets de corrlation entre les paramtres identifier..............................53 Application de la mthode de Gauss-Newton stabilise..........................................54 Influence dun bruit de mesure sur lidentification de paramtres ..........................55 Sensibilit des paramtres identifis une incertitude exprimentale.....................58 Conclusion ...............................................................................................................61 Bibliographie............................................................................................................62
Dveloppement dune mthode inverse autour du logiciel FORGE3 ....................................65 3.1 3.2 3.2.1 3.2.2 3.2.3 3.2.4 3.2.5 3.2.6 3.2.7 3.2.8 3.2.9 3.3 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5 3.3.6 3.3.7 3.3.8 3.4 3.4.1 3.4.2 3.4.3 3.4.4 3.4.5 3.5 3.6 Introduction..............................................................................................................65 Prsentation du modle direct FORGE3 ................................................................65 Modlisation du problme thermo-mcanique ........................................................65 Equations de comportement.....................................................................................66 Conditions aux limites et conditions initiales ..........................................................71 Discrtisation temporelle et algorithme de splitting ................................................73 Discrtisation et rsolution du problme mcanique ...............................................75 Discrtisation et rsolution du problme thermique ................................................82 Rsolution de systmes linaires et paralllisation du modle direct ......................84 Remaillage et transport ............................................................................................85 Conclusion sur le modle direct FORGE3.............................................................88 Modle inverse et analyse de sensibilit ..................................................................88 Diffrences finies .....................................................................................................89 Mthode de la variable complexe ............................................................................90 Diffrentiation analytique ........................................................................................91 Diffrentiation semi-analytique ...............................................................................93 Mthode adjointe......................................................................................................94 Diffrentiation automatique .....................................................................................96 Choix dune mthode danalyse de sensibilit.........................................................96 Paralllisation du modle inverse ............................................................................97 Validation de la mthode de diffrentiation semi-analytique ..................................97 Loi viscoplastique sans crouissage.........................................................................97 Loi viscoplastique avec crouissage ......................................................................101 Contact bilatral collant .........................................................................................105 Discussion sur la diffrentiabilit du modle direct...............................................105 Comparaison des temps de calcul ..........................................................................107 Conclusion .............................................................................................................108 Bibliographie..........................................................................................................108
Exemples dapplications.........................................................................................................111 4.1 4.2 4.3 Introduction............................................................................................................111 Compression uniaxiale...........................................................................................111 Torsion ...................................................................................................................114
4.4 4.5 4.5.1 4.5.2 4.5.3 4.6 4.6.1 4.6.2 4.6.3 4.7
Test SICO...............................................................................................................119 Bipoinonnement ...................................................................................................121 Simulation numrique de lessai de bipoinonnement ..........................................122 Gomtries des prouvettes et identifiabilit du systme ...................................123 Sensibilit des paramtres identifis par rapport au frottement .............................128 Utilisation de mesures de champs de dformation pour la caractrisation de tles ................................................................................................................................129 Description du systme de corrlation dimages Aramis.......................................129 Identification dune loi de comportement isotrope partir dessais de gonflage hydrauliques ...........................................................................................................131 Analyse de lessai Nakazima .................................................................................134 Conclusion sur les applications diffrents essais ................................................147
Bibliographie ..........................................................................................................................148 Conclusion ..............................................................................................................................150
Annexe....................................................................................................................................152
Chapitre 1 Introduction : Optimisation et mise en forme

La prdiction et loptimisation du rsultat dune opration de mise en forme peuvent tre dlicates, et la simulation numrique est aujourdhui devenue un outil incontournable pour lindustriel ainsi que pour le chercheur. En effet, lorsque lon veut dfinir une nouvelle exprience ou bien un nouveau procd industriel, la simulation numrique est couramment utilise comme une aide la conception. Elle permet dune part de dcrire lcoulement de matire au cours du procd ainsi que les champs de contrainte, de dformation et de temprature induits ; et dautre part dobserver linfluence dune modification des paramtres dentre du code sur le procd de mise en forme. Le dveloppement de mthodes danalyse de sensibilit et doptimisation automatique sinscrit dans un souci : damlioration du caractre prdictif de la simulation doptimisation des conditions exprimentales (paramtres du procd, nuance de matriaux, etc.) dans le but de satisfaire un cahier des charges dfini au pralable.
Le but de ce travail est de dvelopper une mthode danalyse de sensibilit ainsi quune mthode doptimisation automatique couples un code de simulation tridimensionnel de procds de mise en forme de mtaux. Il a t effectu dans le cadre du projet europen TESTIFY, dont lobjectif est ltude et le dveloppement de mthodologies pour concevoir et analyser des essais mcaniques chaud sur des mtaux. Dans ce contexte, lanalyse de sensibilit est considre comme un outil permettant dtudier linfluence des paramtres de lessai sur le rsultat dun essai mcanique. Elle permet alors de dtecter ceux qui sont les plus critiques et de les ajuster avec une tolrance adquate. Cest galement un outil qui peut tre utilis pour le dveloppement de mthodes doptimisation automatiques. Les mthodes doptimisation couples un logiciel de simulation numrique peuvent tre utilises soit pour recaler des paramtres dentre (problmes inverses), soit pour optimiser la forme dun lopin ou dun outil (optimisation de forme). Elles permettent donc damliorer le caractre prdictif des logiciels de simulation numrique ainsi que doptimiser les procds de mise en forme et les essais mcaniques. Mme si nous nous intressons principalement aux problmes inverses dans ce manuscrit, les mthodes tudies et dveloppes sont la plupart du temps utilisables pour les problmes doptimisation de forme. En dfinitive, le prsent travail a pour objectif de donner des solutions des problmes lis : la prise en compte de lcoulement complexe de matire lors de lanalyse dessais mcaniques lidentification de paramtres (mcaniques, thermiques, microstructuraux, etc. ) loptimisation de forme
Chapitre 1 - Introduction : Optimisation et mise en forme
1.1 Ecoulements complexes des matriaux lors dessais mcaniques

Les essais mcaniques que lon pratique dans le domaine de la mise en forme sont caractriss par des dformations importantes. Il est alors frquent que lcoulement de matire soit htrogne cause : de la gomtrie de loutillage ou de la pice (essai de bipoinonnement), du frottement entre loutil et la pice, de lauto-chauffement (essais pratiqus vitesse de dformation importante) et des gradients de tempratures, du comportement complexe de la matire (matriaux anisotropes, crouissage cinmatique, etc.).
La prise en compte de ces phnomnes dans lanalyse des essais ne peut gnralement pas se faire en utilisant des modles analytiques modlisant lcoulement de matire. Ainsi, lutilisation de modles lments finis donnant une approximation trs fine de ltat thermo-mcanique de la matire au cours de ces essais prsente un grand intrt. Lorsque lanalyse de lessai vise identifier un certain nombre de paramtres dentre du logiciel de simulation numrique (paramtres de comportement, de frottement, thermiques, ), lanalyse ncessite alors la connexion dun module danalyse inverse bas sur une mthode doptimisation.
1.1.1 Prise en compte de la gomtrie de loutillage et de la pice

Un certain nombre dessais mcaniques prsentent un coulement de matire relativement complexe en raison mme de la gomtrie des chantillons caractriser et/ou des outils. Lexemple de lessai de bipoinonnement illustre bien cette problmatique. Cet essai consiste en lcrasement dun lopin paralllpipdique plan entre deux mors eux aussi paralllpipdiques (Figure 1). La gomtrie mme du montage exprimental fait que lcoulement est non seulement htrogne, mais aussi tridimensionnel cause de lcoulement latral de matire.
Figure 1 : gomtrie de lessai de bipoinonnement Nous savons que la mesure de leffort au cours de cet essai contient de linformation sur la rhologie du matriau ainsi que sur le frottement entre loutil et la pice. Lexploitation de cette information est un problme inverse qui a intress un certain nombre dauteurs. Par exemple, Gelin et Ghouati (1996) identifient les paramtres dune loi de comportement lasto-viscoplastique dun alliage daluminium en couplant une mthode inverse avec un solveur lments finis 2D. Lcoulement latral de matire est pris en compte par un modle analytique et le frottement est suppos connu. Szeliga
10
Ecoulements complexes des matriaux lors dessais mcaniques et al. (2002) proposent un autre modle analytique pour prendre en compte lcoulement latral de matire dans leur modle lments finis 2D. Le coefficient de frottement est identifi indpendamment grce des essais de compression danneaux. Le dveloppement dune mthode inverse couple avec un modle lments finis 3D devrait permettre une analyse trs prcise de cet essai. De plus, des notions de quantit dinformation et d identifiabilit dun modle sont ncessaires pour pouvoir exploiter toute linformation contenue dans lessai de bipoinonnement en terme de rhologie et de frottement. Outre la gomtrie de lessai, lapparition dinstabilits peut aussi tre lorigine dcoulements htrognes. Nous pouvons citer les travaux de Mahnken et Stein (1997) qui simulent le phnomne de striction localise au cours dessais de traction avec une mthode dlments finis 2D. Les auteurs, grce leur module danalyse inverse, identifient les paramtres dune loi de comportement lasto-viscoplastique pour un acier. Ce type dapproche permet danalyser des essais de traction pour des dformations plus importantes qu laccoutume.
1.1.2 Prise en compte du frottement

Il est en principe possible de dterminer des coefficients de frottement par des mesures directes defforts tangentiels en utilisant des capteurs ou bien des tribomtres (Boyer (2001)). Comme pour les essais rhologiques, il est important de se rapprocher le plus possible des conditions dutilisation en industrie. Or, il peut tre dlicat et mme impossible deffectuer des mesures directes lorsque la pression de contact entre loutil et la pice est trop importante. Lutilisation de mthodes inverses peut donc se rvler utile pour la dtermination de coefficients de frottement. Par exemple, Ben Abdallah et Bonnet (2000) identifient la contrainte de contact entre un poinon et un massif lastique semi-infini afin de caractriser le frottement entre les deux pices partir de mesures de dplacements autour du poinon. Nous pouvons citer aussi les travaux de Massoni et al. (2002), qui, partir de la mesure du bomb dune prouvette et de leffort dcrasement au cours dun essai de compression uniaxiale sur un cylindre, effectuent une identification simultane des coefficients de comportement et de frottement. Nous avons vu que le frottement joue un rle dans lessai de bipoinonnement. Plus gnralement, le frottement est un effet relativement dlicat prendre en compte dans des modles analytiques dessais mcaniques. Dans les essais de compression, le frottement est lorigine de lapparition dun bomb sur lprouvette. Suivant la gomtrie de lprouvette (plus ou moins lance), le frottement peut alors jouer un effet parasite au cours de lessai. M. Pietrzyk (2002) analyse des essais de compression uniaxiale sur un acier pour identifier des paramtres dune loi viscoplastique en tenant compte des effets de frottement entre la pice et les outils. Lauteur caractrise les paramtres de plusieurs lois de comportement viscoplastiques plus ou moins complexes qui peuvent prendre en compte des changements de phases ou de microstructure, le coefficient de frottement tant considr connu. Faurholdt (2000) identifie des coefficients de lois de comportement et de frottement partir de mesures defforts au cours dun essai de compression. Bien quil soit connu que la sensibilit de leffort par rapport au coefficient de frottement est fortement dpendante de la gomtrie des prouvettes, lauteur ne donne aucune indication sur la qualit de la caractrisation du frottement ou bien sur les effets croiss que lon peut avoir entre les termes de frottement et de comportement. De manire gnrale, il est peu fait mention dans la littrature de linfluence de la valeur du coefficient de frottement sur les rsultats de lidentification des paramtres rhologiques. Or, cest bien pour prendre en compte les
11
Chapitre 1 - Introduction : Optimisation et mise en forme effets de frottement que les mthodes inverses ont t initialement introduites dans le cadre de lanalyse des essais de compression. Nous pouvons citer toutefois les travaux de Diot et al. (2003), qui saffranchissent du frottement pour un essai de compression dynamique en utilisant des gomtries dprouvettes pour lesquelles le frottement est trs faible. Les auteurs, qui utilisent une mthode inverse, vrifient a posteriori que le rsultat de lanalyse rhologique reste inchange quelle que soit la valeur du coefficient de frottement. Dans le cadre de ce travail, nous cherchons non seulement utiliser une mthode inverse pour identifier des paramtres de lois de comportement, mais aussi dterminer quel degr de confiance nous pouvons accorder cette identification, sachant que lon a une incertitude sur les coefficients de frottement. Le frottement est frquemment un effet parasite lors de lidentification de paramtres rhologiques. Comme dans lessai de bipoinonnement, il arrive que les effets de comportement et de frottement soient intimement lis. Le dveloppement de critres permettant de quantifier quel point ces effets sont lis est donc ncessaire. Un autre dfi, li aux mthodes inverses, est le dveloppement de mthodologies permettant la conception optimale dexpriences en terme de gomtries dchantillons et de conditions opratoires. Le caractre discriminant des effets de frottement et de comportement peut ainsi tre vu comme un critre optimiser pour un essai donn.
1.1.3 Prise en compte de lauto-chauffement

La localisation de la dformation peut tre cause, lors dessais vitesse de dformation leve, par lauto-chauffement de la matire. Pour un essai adiabatique sur un mtal, lauto-chauffement est de lordre de :
r c p
(1)
o T est la variation de temprature due lauto-chauffement, r est un rapport de rendement mtallurgique compris entre 0.8 et 0.97, la contrainte dcoulement du matriau, la dformation plastique, la densit et cp la chaleur massique pression constante. Ainsi, lorsquun essai est effectu grande vitesse, les changes de chaleur avec lextrieur pouvant tre ngligs, il est ncessaire de prendre en compte lautochauffement. Limportance de ce phnomne a t dmontre par Gavrus et al. (1999) pour lessai de torsion. En effet, cet essai permet datteindre des vitesses de dformation ainsi que des dformations importantes. De plus, lcoulement de matire au cours de cet essai tant htrogne, lauto-chauffement nest pas uniforme. Dans ce cas, lutilisation dune mthode inverse couple avec un code lments finis se rvle trs utile. De manire gnrale, peu dauteurs prennent en compte lauto-chauffement, considrant que leurs essais ne sont pas adiabatiques ou que le comportement du matriau nest pas thermo-dpendant. La prise en compte de lauto-chauffement dans les essais mcaniques ajoute un degr de complexit aux problmes inverses. Il est nanmoins important de pouvoir le modliser pour certains essais.
1.1.4 Prise en compte de comportements mcaniques complexes

La modlisation du comportement mcanique des mtaux peut savrer trs complexe, tout particulirement en grande dformation. Par exemple, il est bien connu que les tles
12
Ecoulements complexes des matriaux lors dessais mcaniques mtalliques obtenues par laminage prsentent frquemment un comportement anisotrope : dans ces tles, lcoulement de matire sera suprieur dans certaines directions celui dans dautres. Ce type de comportement justifie lutilisation de modles tridimensionnels pour analyser des essais a priori bidimensionnels mais rvlant le caractre tridimensionnel de lcoulement rel du matriau. Lexemple de la simulation par lments finis de la compression uniaxiale dun cylindre prsentant un comportement anisotrope est illustr par la figure 2. Dans cet exemple, lprouvette initialement de section circulaire, tend sovaliser du fait du comportement anisotrope du matriau.
Figure 2 : exemple de simulation dun essai de compression dun cylindre avec une loi de comportement anisotrope (Log (1999)).
A la lumire de cet exemple, on comprend que le comportement dun matriau peut avoir une influence sur la gomtrie dune prouvette au cours dun essai. Ainsi, des mesures de gomtries peuvent a priori tre utilises pour caractriser des mtaux. Le caractre anisotrope dun mtal peut aussi tre caractris partir de mesures de contraintes. Par exemple, Gavrus et Fancillette (2003) identifient les paramtres dun critre de plasticit de Hill anisotrope partir de mesures defforts effectues au cours dun essai de compression appel Chanel die. Les auteurs utilisent un modle analytique afin de relier leffort la contrainte. Il existe dautres types de comportements complexes. Par exemple, Mahnken et Stein (1995) ont appliqu leur modle inverse lidentification des paramtres dune loi de comportement modlisant lcrouissage cinmatique partir dessais cycliques de traction-compression afin de modliser leffet Bauschinger. Ce type de comportement, linstar de lanisotropie, est trs difficile prendre en compte analytiquement dans lanalyse dun essai mcanique. Aussi complexes soient-ils, les comportements dcrits ci-dessus sont bien sr caractristiques dun tat mtallurgique du matriau tudi. Par exemple, lanisotropie peut-tre dcrite en terme de mtallurgie structurale, via les mcanismes lmentaires de la dformation plastique. La modlisation de ces mcanismes permet en plus de dvelopper des lois de comportement pour lesquelles lanisotropie est volutive. Dautres lois de comportement sont plutt base sur des lments de mtallurgie physique qui prennent en compte la densit de dislocations ou bien des phnomnes comme la recristallisation ou la restauration. De mme que lon peut envisager
13
Chapitre 1 - Introduction : Optimisation et mise en forme lutilisation de modles danisotropie volutive, ces lois sont alors dpendantes de variables physiques internes rgies par des lois dvolution (densit de dislocations, fraction recristallise, etc.). Ainsi, il existe de nombreuses lois rhologiques, dont les paramtres peuvent tre nombreux et difficiles identifier. Mme si dans notre tude nous nous sommes intresss un nombre restreint de lois rhologiques, il est ncessaire de dvelopper une mthode permettant, plus ou moins long terme, didentifier des paramtres de modles trs complexes, prenant en compte des phnomnes physiques, bass sur des modles micro-macro ou sur lvolution de variables internes. De plus, lutilisation de lois anisotropes met en lumire lintrt de lutilisation dun modle direct 3D. Enfin, lidentification de lois physiques pourrait ncessiter lutilisation dobservations mtallurgiques pour lanalyse inverse. Notre mthode devra donc tre suffisamment flexible pour permettre de changer de donnes exprimentales recaler sans que lutilisateur ait faire de modifications majeures dans le code source.
1.1.5 Conception de nouveaux essais

Grce au dveloppement conjoint de nouvelles techniques de mesure, lapproche inverse a permis le dpouillement de nouveaux essais, non-classiques, qui font intervenir des dformations non homognes et qui ne peuvent tre en aucune faon dpouills de faon analytique. En contrepartie, ces essais ont souvent lavantage de contenir une grande quantit dinformation sur le comportement du matriau tudi. Par exemple, Meuwissen et al. (1998) analysent des essais de traction dprouvettes planes aux gomtries non-conventionnelles (figure 3) grce un systme danalyse dimages par corrlation. Cest lvolution du champ de dformation au cours du temps qui est utilise pour caractriser le comportement anisotrope dun mtal.
Figure 3 : prouvettes de traction non-classiques (Meuwissen et al. (1998))
Ainsi, pour les essais mcaniques, la complexit de lcoulement nest plus un frein lobtention de donnes, et ceci grce aux mthodes inverses. Encore faut-il tre en mesure de concevoir un essai qui contienne suffisamment dinformation sur les paramtres que lon cherche identifier. Nombre dauteurs travaillant sur les problmes inverses en thermique dcrivent des mthodes objectives de conception dessais. Ce domaine, appel optimal experiment design, est utilis par Emery et Nenarokomov (1998) pour placer correctement des thermocouples afin didentifier un flux de chaleur entre deux mtaux. Les auteurs montrent quil existe une configuration optimale, qui
14
Objectifs du prsent travail permet dexploiter un maximum dinformation sur le flux identifier. Ltude est effectue partir dune analyse de sensibilit. Cet exemple montre que lanalyse de sensibilit peut tre utilise comme un outil daide la conception dexpriences. En dfinitive, notre travail devra apporter une contribution lanalyse de nouveaux essais ainsi qu la conception de plans dexprience riches en information.
1.2 Objectifs du prsent travail

Les quelques exemples prsents ci-dessus illustrent les exigences que nous nous sommes donnes pour effectuer cette tude. Ils montrent que lanalyse dessais mcaniques dans le domaine de la mise en forme doit souvent prendre en compte des coulements de matire complexes et/ou tridimensionnels proches des coulements rels. Le dveloppement dune mthode inverse couple avec un logiciel lments finis 3D semble tre en mesure de rpondre cette exigence. Notre tude a principalement pour objectif de dvelopper une telle mthode afin de pouvoir identifier les paramtres de lois de comportement relativement complexes (anisotropes, dpendantes de nombreux paramtres) partir de lanalyse dessais bidimensionnels ou tridimensionnels. Nous avons galement dvelopp une mthode danalyse de sensibilit des rsultats dessais aux caractristiques du matriau, et dmontr lutilit de telles mthodes dans la conception de plans dexprience ou la dtermination de la stabilit des mthodes inverses. On peut ainsi viser, par exemple, la quantification des effets parasites dus au frottement lors de lanalyse rhologique dessais de compression. Enfin, mme si nous nous sommes surtout intresss lanalyse dessais mcaniques, cette tude doit pouvoir tre replace dans un contexte plus gnral. En effet, des thmatiques telles que loptimisation de forme, lidentification de paramtres thermiques, tribologiques, mtallurgiques sont des sujets de recherche au CEMEF depuis quelques annes qui sappuient sur ces mmes dveloppements. La majorit des mthodes tudies et dveloppes dans notre travail devront donc apporter une contribution lanalyse de ce type de problme.
1.3 Bibliographie
J. Ben Abdallah, M. Bonnet, Une approche non destructive pour lidentification de contraintes de contact, Comptes Rendus de lAcadmie des Sciences, 2, 328 (2000) 525-529. S. Diot, A. Gavrus, D. Guines, E. Ragneau, Identification du comportement dun acier en compression : du quasi-statique au dynamique, Mcanique et Industrie, 4 (2003) 519-524. A. F. Emery, A. V. Nenarokomov, Optimal experiment design, Measurement Science and Technology , 9 (1998) 864-876. T. G. Faurholdt, Inverse modelling of constitutive parameters for elastoplastic problems, Journal of strain analysis, 35,6 (2000) 471-477.
15
Chapitre 1 - Introduction : Optimisation et mise en forme A. Gavrus, H. Francillette, Identification of anisotropic Hill criteria from the channel die compression test. Application to a normal anisotropy of zirconium 702, Journal de physique IV, 105 (2003) 11-18 A. Gavrus, E. Massoni, J.L. Chenot, The rheological parameter identification formulated as an inverse finite element problem, Inverse Problems in Engineering, 7 (1999) 1-41. J. C. Gelin, O. Ghouati, An inverse solution procedure for material parameters identification in large plastic deformation, Communications in Numerical Methods in Engineering, 12 (1996) 161-173. R. Log, Influence des conditions thermomcaniques et de la microstructure sur les volutions de texture cristallographique du zircaloy-4 en mise en forme chaud, Thse de doctorat de lEcole de Mines de Paris, Cemef,1999. E. Massoni, B. Boyer, R. Forestier, Inverse analysis of thermomechanical upsetting tests using gradient method with semi-analytical derivatives, International journal of thermal sciences, 41 (2002) 557-563. R. Mahnken, E. Stein, Parameter identification for viscoplastic models based on analytical derivatives of a least-square functional and stability investigations, International Journal of Plasticity, 12, 4 (1996) 451-479. R. Mahnken, E. Stein, Parameter identification for finite deformation elasto-plasticity in principal directions, Computational Methods in Applied Mechanical Engineering, 147 (1997) 17-39. M. Meuwissen, C. Oomens, F. Baaijens, R. Petterson, J. Janssen, Determination of the elasto-plastic properties of aluminium using a mixed numerical-experimental method, Journal of Material Processing Technology, 75 (1998) 204-211. M. Pietrzyk, Through-process modelling of microstructure evolution in hot forming of steels, Journal of Material Processing Technologies, 5887 (2002) 1-10. D. Szeliga, P. Matuszyk, R. Kuziak, M. Pietrzyk, Identification of rheological parameters, Journal of Materials Processing Technologies, 125-126 (2002) 150-154.
16
Chapitre 2 Identification de paramtres par mthode de moindres carrs

2.1 Introduction
Nous nous proposons dans ce chapitre de faire une tude bibliographique des diffrentes mthodes numriques applicables lidentification de paramtres par analyse inverse. Le but des mthodes inverses est de dterminer des grandeurs difficilement mesurables partir de grandeurs facilement observables. Leur champ dapplication est trs vaste et faire une tude bibliographique reprsentative de cette diversit est difficile. En effet, les problmes inverses intressent aussi bien les thermiciens, les mathmaticiens, les statisticiens, les gophysiciens, les mcaniciens, les ingnieurs, les lectroniciens, les conomtriciens, etc. Il est donc important darriver faire une classification des diffrentes mthodes inverses existantes afin de savoir laquelle appliquer au problme qui nous intresse. De manire gnrale, on peut dire quun problme inverse se rduit lextraction du maximum dinformation contenue dans des observations dun systme physique (Tarantola et Valette (1982)). Les mthodes inverses peuvent tre divises en deux grandes classes : lestimation de fonctions, lidentification de paramtres.
Ces deux classes de problmes prsentent des instabilits de natures diffrentes. Alors que les problmes didentification de fonctions sont souvent mal poss, les problmes didentification de paramtres sont rendus dlicats par les effets de corrlation entre les paramtres (Beck et Woodbury (1998)). Les problmes inverses, contrairement aux problmes directs ou dautres problmes doptimisation (optimisation de forme par exemple) doivent intgrer des donnes exprimentales. Il est ncessaire dans ce cas davoir une ide du degr de confiance que lon accorde aux mesures exprimentales et de connatre la faon dont une erreur de mesure affecte les valeurs des paramtres identifis. Mme si certains auteurs (Tarantola (1987)) utilisent des normes L1 ou bien L, les problmes inverses sont trs frquemment exprims sous forme dun problme doptimisation au sens des moindres carrs. Dans ce premier chapitre, le lien entre problmes inverses et problmes de moindres carrs est fait. En un deuxime temps, diffrentes mthodes doptimisation sont prsentes et discutes. Il est important, lorsque lon dveloppe une mthode numrique, dtre capable de faire une analyse de stabilit. Afin de comprendre les sources dinstabilit des problmes didentification de paramtres, quelques modles simples sont prsents et quelques critres de stabilit sont dcrits. Enfin, la dernire partie de ce premier chapitre est ddie la description de plusieurs mthodes de stabilisation.
17
Chapitre 2 - Identification de paramtres par mthode de moindres carrs
2.2 Problmes inverses et problmes de moindres carrs

Dans cette partie, deux approches diffrentes sont prsentes pour relier le problme didentification de paramtres un problme de moindres carrs. Dans lapproche de type dterministe, le problme inverse est exprim sous une forme relaxe, et lon cherche juste minimiser une distance entre les donnes issues dun modle et les mesures exprimentales. Dans une autre approche, de type statistique, le problme inverse est vu comme la recherche du jeu de paramtres qui maximise la probabilit de raliser la mesure exprimentale.
2.2.1 Point de vue dterministe

Dfinition dun problme didentification de paramtres : Soit M un vecteur de IR NbMes contenant NbMes observations dun systme physique et F une application de IR Npar dans IR NbMes . On suppose que F est obtenue partir dune modlisation du systme physique observ. Le problme inverse a pour but de trouver le jeu de paramtres appartenant IR Npar tel que F( ) =M. Remarques :
Par opposition au problme inverse, le calcul de F( ) est appel problme direct et peut tre par exemple issu de la rsolution dun systme dquations algbriques, dun systme dquations diffrentielles ordinaires ou bien dun systme dquations aux drives partielles. Si loprateur F est inversible, la rsolution du problme inverse correspond au calcul de linverse de F (Figure 4).
Problme direct
Paramtres dentre Sortie (observable)
Modle :
F( )
F
Problme inverse
Paramtres identifis Entre (mesures exprimentales)
= F 1 (M )
Modle : F
-1
Figure 4 : entres et sorties des problmes direct et inverse
18
Problmes inverses et problmes de moindres carrs
La rsolution du problme inverse tel que dfini ci-dessus implique donc que lapplication F soit bijective. Une condition ncessaire de bijectivit de lapplication F est que NbMes=Npar. Gnralement, on a plutt NbMes>>Npar en identification de paramtres. Donc, une condition ncessaire dexistence et dunicit de la solution du problme didentification de paramtres est que M Im(F) . En pratique, lorsque la mesure exprimentale est entache derreurs de mesure et lorsque lerreur de modlisation est non ngligeable, il est frquent que M Im(F) . Les problmes didentification de paramtres sont gnralement exprims sous la forme dun problme doptimisation (au sens des moindres carrs) afin de ne pas avoir considrer linverse de loprateur F :
trouver opt IR NPar tel que opt = min ( ( )) IR NPar 2 T ( ) = F( ) M W = (F( ) M ) W (F( ) M )
( )
(2)
La matrice W est une matrice diagonale contenant des poids affects chaque mesure. La fonction est appele fonction cot ou fonction objectif. En fait, le problme didentification est relax, car la condition F( ) =M nest plus impose. Le problme doptimisation est de trouver opt tel que F(opt ) soit gal la projection orthogonale de M sur Im(F) au sens de la mtrique dfinie par W.
2.2.2 Point de vue statistique

La prsence dun bruit de mesure alatoire peut tre une des raisons de la non appartenance de M limage de F. Soit e i la variable alatoire bruit de mesure dfinie par : e i = F( )i M i i [1, NbMes]IN (3)
Supposons que le bruit de mesure puisse tre modlis par une loi normale de moyenne nulle et de matrice de covariance V M. Si la matrice V M est symtrique dfinie positive, la densit de probabilit f associe au vecteur e sexprime alors de la manire suivante (Beck et Arnold (1977)) :
f (e ) = 1
(2 )
NbMes
1 1 exp e T VM e 2 det (VM )
(4)
La densit de probabilit de la variable alatoire M sachant scrit donc :

f (M ) = 1
(2 )
NbMes
1 T 1 (F( ) M ) exp (F( ) M ) VM det (VM ) 2
(5)
Il est possible destimer la valeur de en utilisant lestimateur du maximum de vraisemblance. Dterminer lestimateur du maximum de vraisemblance de (not
19
vrais ) revient chercher la valeur de telle que f(M|) soit maximale pour la valeur observe de M (Cowan (1998)). En dautres termes, on cherche trouver le jeu de paramtres tel que lobservation M soit la plus probable (Figure 5).
Densit de probabilit
f M
f M
vrais
)
f M
IRNbMes
Figure 5 : comparaison entre la densit de probabilit du bruit de mesure obtenue avec deux jeux de paramtres quelconques (1, 2) avec le maximum de vraisemblance vrais
Gnralement, plutt que de maximiser f(M|), on maximise la fonction ln(f(M|)) par rapport :
1 1 1 + (F( ) M )T VM ln(f (M )) = ln (F( ) M ) NbMes (2 ) 2 ( ) det V M
(6)
La recherche du maximum de vraisemblance peut donc scrire : trouver vrais IR NPar tel que
vrais = min ( ( )) IR NPar T 1 ( ) = (F( ) M ) VM (F( ) M )
(7)
Finalement, si les variables alatoires e i sont indpendantes, la matrice V M est diagonale et le problme (7) a la forme du problme (2). Ainsi, il sera possible dtudier les proprits statistiques des paramtres dans ce cas particulier une fois le problme doptimisation rsolu. Cette approche permet de donner une expression objective de la matrice de pondration W du problme doptimisation (2).
Remarque : Dans certains cas, le bruit de mesure peut tre modlis par dautres densits de probabilit. Le problme de minimisation associ la recherche du maximum de vraisemblance ne sera alors pas un problme de moindres carrs (Tarantola (1987)).
20
Mthodes de minimisation de la fonction cot
2.3 Mthodes de minimisation de la fonction cot

Le problme direct est, la plupart du temps, un problme non-linaire par rapport aux paramtres dterminer, de sorte que le problme doptimisation (2) doit tre rsolu par une mthode itrative. Il existe un grand nombre dalgorithmes itratifs de minimisation quil est possible de classer dans deux grandes catgories : les mthodes dordre zro et les mthodes direction de descente. Dans ce paragraphe sont passes en revue les plus connues des mthodes dordre 0 et des mthodes direction de descente. Les taux de convergence et la nature des solutions obtenues par ces diverses mthodes sont discuts.
2.3.1 Mthodes dordre zro

Les mthodes dordre zro sont des mthodes qui ne ncessitent pas le calcul du gradient de la fonction cot. Leur implmentation ne requiert pas forcment une bonne connaissance du modle direct, mais elles sont parfois difficiles paramtrer. Par contre, elles peuvent savrer utiles pour la recherche de minima de fonctions non diffrentiables, pour sortir de minima locaux ou mme pour la recherche de minima globaux.
2.3.1.1 Lalgorithme du simplexe

Cette mthode a t introduite par Nelder et Mead en 1965 (Nealder et Mead (1965)). Supposons que la fonction cot ait NPar paramtres. On dfinit un simplexe comme tant un polygone de volume non nul contenant NPar+1 sommets. La mthode du simplexe a pour but de gnrer une suite de simplexes de IR NPar dont les sommets tendent vers un minimum local. Il est noter que cette mthode nest pas une mthode direction de descente et ne converge pas a priori vers le minimum local le plus proche des points initiaux. De plus, cette mthode nutilise que des valeurs ponctuelles de la fonction cot et ne ncessite pas lestimation du gradient de celle-ci par rapport aux paramtres identifier. La mthode du simplexe peut donc tre utilise pour la recherche du minimum dune fonction cot non-diffrentiable. Une itration de lalgorithme de Nelder-Mead est dcrite ci-dessous : 1. Classement : On classe les nuds du simplexe courant de sorte que :
(1 ) (2 ) ... ( NPar +1 )
2. Rflexion : On construit la rflexion r de NPar +1 par rapport lisobarycentre de {1 , 3 ,..., NPar }. r = + ( NPar +1 ) avec 0 Si (1 ) (r ) < ( NPar ) , on remplace NPar +1 par r dans le simplexe et on passe litration suivante.
r NPar +1
21
3. Expansion : Si (r ) < (1 ) , on calcule (e ) avec e = + (r ) et > 1 . Si (e ) < (r ), on remplace NPar +1 par e dans le simplexe et on passe litration suivante. Sinon, on remplace NPar +1 par r et on passe litration suivante.
e
NPar +1
4. Contraction intrieure : Si ( NPar ) (r ) < ( NPar +1 ) , on calcule (c ) avec c = + (r ) et 0 < < 1 . Si (c ) < (r ), on remplace NPar +1 par c dans le simplexe et on passe litration suivante. Sinon, on va ltape 6.
c NPar +1
5. Contraction extrieure : Si ( NPar +1 ) (r ) , on calcule (cc ) avec cc = (r NPar +1 ) . Si (cc ) < (NPar +1 ) , on remplace NPar +1 par c dans le simplexe et on passe litration suivante. Sinon, on va ltape 6.
NPar +1
cc
6. Rtrcissement : On value la fonction cot aux NPar points i = 1 + (i 1 ) pour i=2,..Npar+1 et 0 < < 1 . On choisit alors pour litration suivante le simplexe (non ordonn) {1 , 2 ,..., NPar +1 }.
2 NPar +1
NPar +1
Il existe de nombreuses variantes de la mthode du simplexe qui ont pour but daugmenter le taux de convergence de cet algorithme. Nanmoins, pour un nombre important de paramtres, le cardinal des simplexes augmente, et la mthode devient moins intressante que les mthodes direction de descente (Nouatin (2000)). De plus,
22
Mthodes de minimisation de la fonction cot il est noter que, mme si gnralement lalgorithme fonctionne bien, il existe des cas o la mthode ne converge pas. Des exemples de convergence vers des points nonstationnaires ont en effet t dcrits dans (Mc Kinnon (1998)) dans des cas de minimisation de fonctions strictement convexes.
2.3.1.2 Les algorithmes gntiques

J. Holland (Holland (1975)) introduit en 1975 les algorithmes gntiques en sinspirant des principes de la thorie de lvolution et de la gntique. Le vocabulaire associ cette famille de mthodes est en partie emprunt ces deux disciplines. Les mthodes gntiques sont des algorithmes stochastiques, dont le but est de gnrer une suite densembles de jeux de paramtres (populations) dont les lments (chromosomes) tendent vers le jeu de paramtres optimal. Cette classe dalgorithmes sappuie sur trois tapes : la slection, le croisement et la mutation (Ghouati et Gelin (1998)). On note P n = 1 ,..., k
une population de k jeux de paramtres ltape n de
lalgorithme. On gnre alatoirement une population P 0 initiale. Suivant le type de problme rsolu (combinatoire ou non par exemple), un codage dcimal ou binaire est choisi pour les paramtres. Le choix du type de codage peut avoir une influence sur le taux de convergence de lalgorithme gntique. Supposons que nous sommes ltape n. En un premier temps, une sous-population de k (kk) individus est gnre en utilisant k/2 fois les algorithmes de slection, de croisement et de mutation. Slection : deux individus (parents) sont tirs alatoirement dans Pn avec une loi de probabilit proportionnelle une fonction fitness , qui est dautant plus importante que la valeur de la fonction cot est faible : Prob(choisir i ) = i .
( )
Par exemple, certains auteurs choisissent
(i ) =
1 i
( ) ( )
j j=1
j= k
o est la
fonction cot introduite le problme doptimisation (2).
Population initiale
1 2 3 i j NPar +1
Probabilit de slection proportionnelle la fonction fitness
Couple slectionn
Figure 6 : tape de slection
23
Chapitre 2 - Identification de paramtres par mthode de moindres carrs Croisement (crossover) : Un individu (fils) est gnr partir des deux individus prcdents (en faisant une moyenne pondre entre eux par exemple).
Codage binaire :
1 0 1 0 0 0 1 1 0 1 1 0 0 Position de la 1 coupure 0 alatoire 1 0 1
Codage dcimal :
Couple slectionn
Crossing over
Enfants gnrs
1 0 1 0 0 0 1 0 1
1 0 1 0 1 0 1 1 1
i = i + (1 ) j j= j + (1 )i
: tir alatoirement
Figure 7 : exemples de crossover pour un cas avec codage binaire et pour un cas avec codage dcimal
Mutation : On modifie le nouvel individu de manire alatoire (par addition dun bruit gnr par une loi normale ou uniforme par exemple).
24

Codage binaire :
1 0 1 0 0 0 1 0 1
Codage dcimal :
Enfant
mutation
Enfant mut
1 0 0 0 0 1 1 0 1
i = i +
: tir alatoirement
Figure 8 : exemples de mutations pour un cas avec codage binaire et pour un cas avec codage dcimal
Certains algorithmes gntiques, dits litistes, compltent la sous-population gnre par les meilleurs individus de la population prcdente. Ce processus a pour but daugmenter le taux de convergence de lalgorithme gntique. La procdure dcrite ci-dessus est itre jusqu ce quun critre darrt soit atteint. Il existe plusieurs types de critres darrt : on peut arrter lalgorithme lorsque les populations sont assez homognes (on considre alors que le processus stochastique a atteint une mesure stationnaire), lorsque la fonction cot la plus basse ou la plus leve dune population passe sous un critre darrt, etc. La Figure 9 prsente le diagramme gnral dun algorithme gntique.
25
population initiale P0 n=0
population Pn
slection croisement mutation n=n+1 sous-population P

n+1
litisme
population Pn+1
non
Critre darrt oui stop
Figure 9 : diagramme gnral dun algorithme gntique
Une des proprits remarquables de ces mthodes est quelles convergent presque srement vers un optimum global sous certaines conditions. Le rsultat obtenu avec un algorithme gntique ne dpend donc pas de linitialisation de celui-ci (cest dire du choix de la population initiale). Par contre, elles ncessitent de nombreuses estimations de la fonction cot pour atteindre le minimum global car leur taux de convergence est gnralement relativement faible. Cest pour cette raison que de nombreuses variantes de cet algorithme existent, contenant plus ou moins de paramtres ajuster.
2.3.2 Mthodes direction de descente

Lutilisation des mthodes direction de descente ncessite que la fonction cot soit au moins une fois diffrentiable par rapport . Nous supposons que cest le cas dans la suite. Il est alors possible dnoncer une condition ncessaire doptimalit :
Condition ncessaire doptimalit du premier ordre: d dF T (F( ) M ) = 0 = d d
(8)
Dans le cas o la fonction cot est deux fois diffrentiable, on peut noncer une condition suffisante doptimalit :
26
Condition suffisante doptimalit du second ordre :

d dF T (F( ) M ) = 0 = d d 2 d dfinie positive d 2
(9)
Ces mthodes ont la proprit de converger relativement rapidement vers un point stationnaire. Par contre, elles ne permettent datteindre quun minimum local. Le rsultat de loptimisation peut donc dpendre du jeu de paramtres servant linitialisation. Ces mthodes ont pour but datteindre un jeu de paramtres satisfaisant la condition ncessaire doptimalit du premier ordre [eq. (8)].
Direction de descente : On dit que d est une direction de descente pour la fonction cot T d si : d < 0. d
Si d est une direction de descente, il est vident que pour suffisamment petit, on a ( + d) < ( ) . Les mthodes direction de descente sont des algorithmes qui utilisent cette notion pour minimiser la fonction cot. En voici le principe gnral pour un problme sans contrainte (Gilbert 1999) : 1 2 3 4 Tant que d (k ) dk > critre darrt, continuer,
2
Choix dune direction de descente d k , Recherche linaire : dtermination dun pas k > 0 tel que (k + k .d k ) soit suffisamment petit par rapport (k ) . k +1 = k + k d k , k=k+1. Retour au 1
Les diffrentes mthodes direction de descente diffrent donc par le choix de la direction de descente et par le choix de la recherche linaire. Quelques unes sont dcrites dans les paragraphes qui suivent.
2.3.2.1 Plus forte pente

Il sagit de la mthode dordre 1 la plus simple. Cest la mthode direction de descente d (k ) pour laquelle on choisit d k = . Elle est trs simple mettre en uvre mais d nest pas trs efficace en pratique. On constate en effet quelle converge rapidement loin de loptimum et quelle devient trs lente dans le voisinage de celui-ci. En fait, son dfaut majeur est quelle ne prend pas en compte la courbure de la fonction cot.
27
2.3.2.2 Gradient conjugu

Il sagit dune mthode relativement proche de la mthode de la plus forte pente, pour laquelle on garde en mmoire la direction de descente prcdente :
1 d (1 ) d = d k d k = d ( ) + k d k 1 d
(10)
k > 1
d k peut constituer une direction de descente pour un choix judicieux de k . Pour cela,
on choisit k de sorte que : d (k ) k 1 d =0 d

T T
(11)
d (k ) k d (k ) d = < 0. La relation (11) implique en effet que d d 2 Deux mthodes de gradient conjugu sont trs frquemment cites dans la littrature :
d (k ) d d ( ) d
k 1
Mthode de Fletcher et Reeves (1964) : k =
2
T
d (k ) d (k 1 ) d (k ) d d d Mthode de Polak et Ribire (1969) : k = d (k 1 ) d 2
2.3.2.3 Algorithme de Newton-Raphson

Pour lalgorithme de Newton-Raphson, la direction d k est donne par : d (k ) d 2 k d ( ) H ( k ) = d2 H ( k )d k =
(12)
Si opt satisfait la condition suffisante doptimalit du second ordre [eq. (9)], la matrice hessienne H(opt ) est symtrique dfinie positive. Donc, H( ) est aussi symtrique dfinie positive dans un voisinage de opt . Il sen suit que dans un voisinage de opt ,
28

T d (k ) k d est une direction de descente car d = d k H(k )d k < 0 . Cette mthode, d contrairement aux mthodes du premier ordre, sera plus efficace prs de loptimum que loin de celui-ci. On peut dmontrer quelle converge quadratiquement dans un voisinage de loptimum (Fletcher (1996)). k T
2.3.2.4 Mthodes de quasi-Newton

Ces algorithmes sont drivs de lalgorithme de Newton. La direction d k est donne par une relation du type : Qkdk = d (k ) d (13)
La matrice Q k doit approximer H(k ) . La premire proprit vidente satisfaire est la symtrie dfinie positivit, afin que d k soit une direction de descente. La deuxime proprit, moins intuitive, demande Q k est la suivante : Q k ( k k 1 ) = d (k ) d (k 1 ) d d (14)
qui garantit que Q k se comporte comme le hessien moyen sur le segment [k 1 ; k ] . La mthode de Quasi-Newton la plus connue est la mthode de BFGS (BroydenFletcher-Goldfarb-Shanno) (Gilbert (1999)). Dans cet algorithme, les matrices Q k et
(Q )
k 1
sont donnes par les relations de rcurrence suivantes :
T T k +1 yk yk Qksksk Qk k Q = Q + k T k k T k k y s s Q s 1 T 1 T 1 1 T T Qk yk Qk yk sksk sk yk Qk + Qk yksk k +1 1 k 1 T = Q + I + Q kT k 1 k kT k k k y s y s y Q y d (k +1 ) d (k ) s k = k +1 k et yk = dk +1 d k
) ( )
( )
( )
( ) ( ) ( )
(15)
La matrice Q1 est en gnral choisie gale la matrice identit, si bien que lors des premires itrations, la mthode BFGS est trs proche dune mthode de plus forte pente (rpute rapide loin de loptimum) et se rapproche de la mthode de Newton au cours des itrations (rpute rapide prs de loptimum). Malgr ces proprits trs intressantes, cette mthode peut savrer assez lente pour des problmes mal poss, et ncessiter lajout de paramtres de stabilisation (Barrault et Le Bris (1999)).
29
2.3.2.5 Algorithme de Gauss-Newton

Il sagit dune mthode doptimisation trs souvent employe en identification de paramtres. Cet algorithme est spcifique la minimisation des problmes de moindres carrs [eq. (2)]. Dans ce cas,
d 2 ( ) dF( ) dF( ) d 2 F( ) = 2 W + 2 W (F( ) M ) d d d 2 d 2
T
(16)
Dans la mthode de Gauss-Newton, le terme direction de descente est alors donne par :
d 2 F( ) W (F( ) M ) est nglig. La d 2
k k d k Q d = dk k T dF(k ) Q k 2 dF( ) W = d d
( )
(17)
Cette approximation est meilleure au fur et mesure que lon se rapproche de dF(k ) loptimum. Il est noter que la matrice de sensibilit doit tre injective pour d que cette mthode converge. Sous cette hypothse, d k est une direction de descente ; cette condition implique quil est possible de discerner les influences croises des paramtres. Dans le cas o la mthode de Gauss-Newton est utilise sans mthode de recherche linaire, Fletcher (1996) dmontre la proprit suivante :
k +1 opt 2 Q 1
d 2 F opt F opt M . k opt + O k opt 2 d
( )( ( )
(18)
Cette relation indique que si le modle direct est linaire dans un voisinage du jeu de paramtre optimal ou bien si le problme de moindres carrs est un problme faible rsidu (cest dire que lerreur de modlisation est faible par exemple), alors la mthode de Gauss-Newton se comporte comme la mthode de Newton et converge quadratiquement. Par contre, dans le cas dun problme fortement non linaire et fort rsidu, la mthode de Gauss-Newton peut ne pas converger. Il est alors indispensable dutiliser un algorithme de recherche linaire afin de forcer la convergence de la mthode.
2.3.2.6 Critres de recherche linaire

La recherche linaire a t introduite afin de forcer la convergence des mthodes direction de descente. En effet, leur convergence vers un minimum local nest pas assure si lon nglige cette tape. Les algorithmes de recherche linaire ont t dvelopps grce un rsultat de Curry (1944), qui a dmontr que les mthodes direction de descente convergent vers un minimum local si lon utilise une mthode de recherche linaire exacte.
30
Figure 10 : pas de Curry
Une mthode de recherche linaire exacte a pour objectif datteindre un paramtre k satisfaisant la condition de Curry (Figure 10) :
k = Argmin ( l ( ))
avec l ( ) = (k + d k )
IR +
(19)
La dtermination dun pas de Curry est donc un problme doptimisation unidimensionnel. Linconvnient majeur de cette mthode est quil peut tre extrmement coteux en temps de calcul de dterminer le pas de Curry. Cest pour cela quont t introduits des critres de recherche linaire plus faibles. En un premier temps, certains auteurs ont cherch dterminer un paramtre k faisant dcrotre la fonction cot :
( k + k d k ) ( k )
(20)
Ce critre se rvle en pratique bien plus efficace que le prcdent, mais aucun rsultat ne peut tre obtenu sur la convergence des mthodes direction de descente couples avec ce critre. Le problme est que lon nassure pas que la fonction cot dcroisse de faon significative chaque itration. Cest dans le but dobtenir des mthodes doptimisation plus robustes qu t introduit le critre dArmijo et Goldstein (Figure 11) :
d ( k ) k ( + d ) ( ) + . d d k d Soit l ( k ) l (0) + . k l (0) d
k k k k k T
(21)
o par dfinition, on pose que l ( k ) = (k + k d k ) et est une constante positive appartenant ]0 ;1/2[
31
droite dquation
y = l (0) + .
d l (0) d
Figure 11 : ensemble des pas satisfaisant le critre dArmijo et Golstein
Lutilisation du critre dArmijo et de Goldstein (Gilbert (1999)) autorise lutilisation de pas de recherche linaire arbitrairement faible. Afin dviter la dtermination de pas trop faibles (cest dire la stagnation de la mthode), on peut aussi utiliser le critre de Wolfe-Powel (Figure 12) : d l ( k ) l (0) + . k l ( 0) d d l ( k ) d l (0) d d
(22)
Il sagit dun critre dArmijo et Goldstein auquel a t rajoute une condition sur le gradient de la fonction cot dans la direction de recherche. Cette dernire condition interdit toute valeur de k dans un voisinage de zro.
droite de pente
d l (0) d
droite dquation
y = l (0) + . k
d l ( 0) d
Figure 12 : ensemble des pas satisfaisant le critre de Wolfe et Powel
32
Mthodes de minimisation de la fonction cot Fletcher (1996) nonce un thorme indiquant que sous certaines conditions, lorsque lon utilise une mthode direction de descente avec un critre de Wolfe et Powell, on a convergence vers un minimum local.
2.3.2.7 Algorithmes de recherche linaire

Un algorithme de recherche linaire est une mthode qui gnre une famille de pas ik , i = 1,2,... jusqu ce quun paramtre ik satisfasse un des critres dcrits au paragraphe prcdent. Il existe en fait un grand nombre de mthodes, chacune ayant pour but datteindre un critre (Curry, Armijo et Goldstein ou Wolfe et Powell).
Recherche par dichotomie Dans cette mthode, on construit une famille de triplets (1, 2, 3) dans lensemble T dfini par :
l ( 2 ) min( l ( 1 ), l ( 3 )) ( 1 , 2 , 3 ) T 3 2 1 3 2 = ou = 1 2 1 2
(23)
o est une constante fixe par lutilisateur. Certains auteurs fixent la valeur de au nombre dor. La mthode est alors appele Golden section search. Le but de lalgorithme est de gnrer une famille de triplets qui tendent se contracter vers une valeur satisfaisant un critre de recherche linaire. Pour cela, on gnre 4, le symtrique de 2 par rapport au centre du segment (1, 3). Celui des deux triplets (1, 4, 2) ou (2, 4, 3) qui appartient T est alors retenu pour litration suivante.
q
Mthode de backtracking La mthode de backtracking est souvent utilise pour atteindre le critre dArmijo et de Goldstein. Il sagit de remplacer k successivement par 1, , 2 , 3 , , o est un paramtre infrieur 1 fix par lutilisateur. Cette mthode a lavantage dtre simple mais a linconvnient dtre lente. Dans le cadre de ce travail, nous avons utilis une mthode de backtracking modifie. Supposons que lalgorithme nait pas converg la i-me itration, alors :
( + d
k k i
) ( )
k
d (k ) k > + . d dk
k i
(24)
Si lon suppose que l peut tre raisonnablement approche par une fonction quadratique et que l ik+1 << l ik , alors on peut donner lexpression suivante pour ik+1 :
( )
k i +1
( )
(k ) + (k + ik d k )
(k ) . ik
(25)
33
Chapitre 2 - Identification de paramtres par mthode de moindres carrs Cette expression donnerait exactement le minimum de la fonction cot dans la direction d k si celle-ci tait quadratique et si son minimum tait zro (dans cette direction). Ainsi, cet algorithme de recherche linaire peut scrire comme suit :
Initialisation : i 1 1k 1 d (k ) k Tant que + . d < k + ik d k k d
( )
k
k i
1. 2. Fin tant que.
ik+1 =
(k ) + (k + ik d k ) i i +1
(k ) ik
Cette mthode sappuie bien sr sur un certain nombre dhypothses plus ou moins ralistes suivant le caractre non linaire du problme inverse. Nanmoins, cette mthode a le mrite de prendre en compte les valeurs de la fonction cot calcules lors de la recherche linaire (contrairement la mthode de backtracking classique) et dtre trs simple programmer. Algorithme de type Mor et Thuente Mor et Thuente (1994) donnent un algorithme de recherche linaire bas sur la recherche dun intervalle dappartenance du paramtre . Durant la recherche linaire, les bornes de cet intervalle se rapprochent, de sorte que lon finisse par trouver une valeur de satisfaisant des conditions de type Wolfe et Powell. Les auteurs dmontrent que sous certaines conditions, cette mthode converge en un nombre fini ditrations. Par contre, il existe un certain nombre de paramtres ajuster pour que la mthode soit suffisamment efficace.
q
Interpolation quadratique (Fletcher (1996)) Cette mthode est base sur une approximation quadratique de la fonction cot dans la d l direction de descente. En effet, nous disposons des valeurs de l (0) , de (0) et de d l ik . Si la convergence de la mthode nest pas atteinte, alors ik+1 est dfini comme le minimum du polynme q de degr 2 obtenu par interpolation des valeurs connues de la fonction cot et de son gradient :
q
( )
d (0 ) k l i l (0 ) l d (0 ) d 2 q( ) = l (0 ) + l + k d i
( )
(26)
do :
34

d l (0 ) d (0 ) d l (0 ) l d
ik+1 =
ik
2 l ik
( )
(27)
Des lments de la suite { ik } sont gnrs jusqu ce que lon trouve un lment satisfaisant la condition doptimalit recherche.
2.3.2.8 Imposition de contraintes sur les paramtres identifier

Toutes les mthodes doptimisation dcrites ci-dessus ne prennent pas en compte limposition de contraintes sur les paramtres identifier. Dans un certain nombre dapplications, lutilisateur peut avoir une ide de lordre de grandeur des paramtres identifier. Dans ce cas, il convient dajouter des contraintes au problme doptimisation. Dans le cadre de ce travail, nous souhaitons juste tre en mesure de pouvoir imposer lappartenance dun paramtre un intervalle fix. Le problme de moindres carrs scrit dans ce cas :
trouver opt IR NPar tel que opt = min ( ( )) 2 T ( ) = F( ) M W = (F( ) M ) W (F( ) M ) = / i imin , max i [1, NPar ]IN i
( ) {
(28)
Dans ce nouveau problme, on fait la recherche du jeu de paramtres optimal dans lensemble des contraintes. Certains auteurs utilisent une mthode de pnalisation afin de prendre en compte les contraintes (Fletcher (1996), Pang et Tin-Loi (2001)) ou bien une mthode de Lagrangien augment (Ghouati et al. (1998)). Dans le cadre de ce travail, nous avons opt pour une mthode de projection. Cette dernire consiste simplement projeter orthogonalement sur lensemble des contraintes les valeurs des paramtres qui sont passes en revue par la mthode doptimisation. Cette technique est compatible avec nimporte quelle mthode doptimisation dcrite prcdemment.
2.3.2.9 Choix dune mthode doptimisation

Gnralement, les mthodes inverses demandent une somme considrable de calculs et leur dveloppement sest fait en partie grce aux dveloppements de linformatique. En effet, toutes les mthodes doptimisation requirent de nombreuses rsolutions du problme direct. Or, ces calculs peuvent tre relativement longs, surtout lorsquil sagit de rsoudre un systme dquations diffrentielles discrtises par lments finis (et qui peut contenir un grand nombre de degrs de libert). Le choix de la mthode doptimisation est donc conditionn par le fait quil faut faire un minimum destimations de la fonction cot. Lutilisation dune mthode dordre zro semble adquate dans le cas o lon veut utiliser le modle direct comme une bote noire ou lorsque le modle direct nest pas diffrentiable. La seule difficult est alors le calcul de la fonction cot et le paramtrage de la mthode. Leur taux de convergence tant assez faible, ces mthodes nont pas t utilises dans le cadre de ce travail mme si elles peuvent permettre datteindre des minima globaux.
35
Chapitre 2 - Identification de paramtres par mthode de moindres carrs Les mthodes direction de descente ncessitent au moins le calcul du gradient de la fonction cot. Le calcul de ce terme peut tre relativement complexe et coteux en temps de calcul. Cette tape, appele analyse de sensibilit, est ncessaire lutilisation de mthodes direction de descente et peut prendre beaucoup de temps. De plus, ces techniques ne permettent datteindre que des minima locaux. En contrepartie, elles ont un taux de convergence significativement plus lev que les mthodes dordre zro. Enfin, nous pouvons citer lexistence de mthodes hybrides, combinant des algorithmes dordre 0 avec des algorithmes dordre un. Par exemple, Ghouati et Gelin (1998) utilisent un algorithme gntique pour initialiser une mthode de Levenberg-Marquardt. Cette mthode permet de dtecter les minima globaux et de saffranchir du choix du jeu de paramtres initial mais demeure tout de mme relativement coteuse en temps de calcul. Dans le cadre de ce travail, il a t choisi dutiliser une mthode direction de descente afin davoir un compromis entre la qualit des rsultats et le temps de calcul. Vu le temps de calcul requis pour une simulation, il est en effet important de minimiser le nombre destimations de la fonction cot.
2.4 Application rhologiques
lidentification
de
paramtres
Dans ce paragraphe, nous nous sommes surtout intresss aux diffrences de taux de convergence des mthodes BFGS et de Gauss-Newton. La mthode de BFGS a un taux de convergence superlinaire prs de la solution. Cette mthode doit tre associe un critre de Wolfe afin que les directions gnres soient des directions de descente. En contrepartie, il peut arriver que cette mthode ne converge pas pour les problmes de moindres carrs forts rsidus et fortement non-linaires. La mthode de Gauss Newton est une mthode spcifique aux problmes de moindres carrs. Elle peut elle aussi tre instable en prsence de problmes forts rsidus et fortement non-linaires. Gnralement, un critre dArmijo suffit assurer la convergence de la mthode. En effet, la matrice de Gauss-Newton est toujours symtrique dfinie positive condition que la matrice de sensibilit soit injective. Nous allons dans ce paragraphe comparer les taux de convergence de ces deux mthodes dans le cadre de lidentification des paramtres rhologiques partir de lessai de compression dun cube. Lessai de compression uniaxiale est un essai rhologique relativement classique. Il peut tre tudi de manire analytique si le frottement et lautochauffement sont ngligs. Dans ce cas, il est possible de prvoir lvolution de la section de lprouvette par rapport au temps. Le champ de contrainte tant homogne, la mesure de leffort est alors une mesure directe de la contrainte quivalente.
(29) 3 avec = : 2 o est la contrainte quivalente, le tenseur des contraintes de Cauchy, F est leffort mesur au cours de lessai et S est la section de lprouvette. Dans les exemples qui suivent, lprouvette cubique est crase vitesse constante (Figure 13).
F S
36
Application lidentification de paramtres rhologiques

v(t)
H(t) L0
L0 L0
Figure 13 : essai de compression simple dun cube
Si nous nous plaons dans le cadre dun comportement isotrope du matriau tudi, on appelle loi de comportement toute relation de la forme (Montheillet (1996)) :
0 = f ( , , , T )
(30)
o 0 est la contrainte dcoulement du matriau, le taux de dformation gnralis, la dformation gnralise, T la temprature et un jeu de paramtres caractrisant le comportement du matriau. Le taux de dformation et la dformation gnralise sont donns par les relations suivantes :
1 v + v T 2 t 2 = ij ij ( t ) = dt 3 0
(31)
o est le tenseur taux de dformation. Dans ce contexte, si le matriau subit une dformation plastique (i.e. = 0 ) au cours de lessai de compression, leffort prend la forme suivante : L30 F = 0 ( ) H (t ) (32)
o L0 est longueur initiale dune arrte de lprouvette, H0 la hauteur initiale et H(t) la hauteur linstant t. A partir de cette expression, il est ais de dterminer la drive de leffort par rapport aux paramtres identifier : dF d 0 ( ) L30 = d d H(t ) (33)
Dans ce cas, la rsolution du problme direct et lanalyse de sensibilit ne prsentent aucune difficult tre effectues analytiquement.
37
2.4.1 Identification des paramtres dune loi de Norton-Hoff comparaison des mthodes de BFGS et de Gauss-Newton
Le but ici est danalyser des essais de compression partir de mesures defforts au cours du temps. Le plan dexprience est compos de quatre essais, raliss pour deux vitesses dcrasement (1 et 10 mm/s) et pour deux tempratures (1000 et 1200 C). Afin de valider et de comparer les diffrentes mthodes doptimisation, nous avons utilis des expriences artificielles gnres avec le modle direct [eq. (32)]. En un premier temps, nous avons effectu des simulations laide dune loi de Norton-Hoff, que nous appellerons Modle 0 dans le cadre de cette tude :
Modle 0 : = 3K exp n T
( 3 )
(34)
Le jeu de paramtres identifier est (K, m, n, ). Les simulations ont t effectues avec les valeurs suivantes des paramtres : K = 0.5 MPa.s m n = 0.1 m = 0.01 = 500 K (35)
A partir dun jeu initial de paramtres quelconque, nous avons essay de retrouver le jeu de paramtres initial en utilisant les mthodes de BFGS et de Gauss-Newton. Lalgorithme de BFGS doit tre imprativement utilis avec une recherche linaire de type Wolfe et Goldstein. Lutilisation dun critre dArmijo simple conduit gnralement la non convergence de la mthode. En effet, lutilisation dun critre de Wolfe et Goldstein est une condition suffisante pour gnrer des directions de descente avec la mthode de BFGS. Il existe diverses faons dinitialiser lalgorithme de BFGS. Lorsque la matrice initiale est la matrice identit, on parle de dmarrage froid. Le but de cet algorithme tant de gnrer une suite de matrices se rapprochant de la matrice Hessienne, il est gnralement conseill de dmarrer la mthode avec une matrice relativement proche de la matrice hessienne. On parle alors de dmarrage chaud. En ce qui concerne la mthode de BFGS avec dmarrage froid, nous pouvons remarquer que la suite de matrices gnres dpend de la base dans laquelle on travaille. Ainsi, il est possible damliorer le taux de convergence de la mthode en choisissant une base initiale idoine. Dans le cadre de cette tude, nous avons effectu un changement de variable qui conduit au choix de la matrice de BFGS suivant :
1 ij i2 Avec cette mthode, le taux de convergence est relativement lent (Tableau 1).
0 Gij =
(36)
38
Application lidentification de paramtres rhologiques Valeurs nominales K =0.5 MPa.sm m=0.01 n=0.1 =500 K Valeurs initiales K =1. MPa.sm m=0.1 n=0.3 =200 K Valeurs identifies K =0.503 MPa.sm m=0.01 n=0.1 =499.3 K Nombre ditrations : 20
Tableau 1 : rsultat de lidentification avec la mthode de BFGS dmarre froid
La mthode a ensuite t initialise avec la matrice de Gauss-Newton. Mme si le taux de convergence est toujours relativement faible, les rsultats obtenus sont meilleurs quavec le dmarrage froid (Tableau 2). Valeurs nominales K =0.5 MPa.sm m=0.01 n=0.1 =500 K Valeurs initiales K =1. MPa.sm m=0.1 n=0.3 =200 K Valeurs identifies K =0.500 MPa.sm m=0.01 n=0.1 =499.7 K Nombre ditrations : 13
Tableau 2 : rsultat de lidentification avec la mthode de BFGS dmarre chaud
La mthode de Gauss-Newton est gnralement associe une recherche linaire de type Armijo. Globalement nous pouvons dire, daprs les essais que nous avons effectus, que le taux de convergence de cette mthode est assez peu dpendant de la mthode de recherche linaire utilise. Les rsultats obtenus avec la mthode de GaussNewton (Tableau 3) sont significativement meilleurs que ceux obtenus avec la mthode de BFGS. Ce rsultat est conforme la thorie, puisque dans un cas rsidu nul, la mthode de Gauss-Newton est cense avoir un taux de convergence quadratique, alors que la mthode de BFGS a juste un taux de convergence superlinaire. De plus, il est bien connu que la mthode de BFGS peut tre relativement lente dans des cas mal conditionns. Il est probable que de forts effets de corrlation entre certains des paramtres identifier rendent le problme difficile rsoudre avec cette mthode. Valeurs nominales K =0.5 MPa.sm m=0.01 n=0.1 =500 K Valeurs initiales K =1. MPa.sm m=0.1 n=0.3 =200 K Valeurs identifies K =0.500 MPa.sm m=0.01 n=0.1 =500 K Nombre ditrations : 4
Tableau 3 : rsultat de lidentification avec la mthode de Gauss-Newton
Cet exemple met en vidence lintrt de lutilisation de la mthode de Gauss-Newton. Elle est en effet bien plus rapide que la mthode de BFGS dans notre cas. De plus, la mthode de BFGS est relativement dlicate paramtrer (recherche linaire, dmarrage chaud ou froid).
39

Remarque : Les rsultats que nous avons obtenus dpendent peu de la valeur initiale des points. Nous avons fait des tests en faisant varier le jeu de paramtres initial sans remarquer de diffrence notable.
2.4.2 Identification des paramtres dune loi viscoplastique complexe

Nous avons essay didentifier les paramtres dune loi de comportement un peu plus complexe que la loi de Norton-Hoff [eq. (34)].
sat n 0 = 3 (1 W )K 0 exp ( ) + WK sat exp T 3 T W = 1 exp( r )
Modle 1
( )
(37)
Cette loi de comportement Modle 1 prsente lavantage dtre en mesure de simuler ladoucissement dun matriau. Elle a t introduite pour simuler le comportement de mtaux biphass ou bien contenant des grains recristalliss ou restaurs. La fonction W a t introduite comme une fraction volumique et la loi de comportement est obtenue grce une loi de mlange. Ainsi, ce modle rhologique simule la transition entre deux modles rhologiques (de type Norton-Hoff) au cours de la dformation (Gavrus (1996)). Un espace exprimental artificiel a nouveau t gnr en utilisant le modle direct, obtenu pour deux vitesses dcrasement (1 et 10 mm/s) et pour deux tempratures (1000 et 1200 C). Il est noter que ce plan dexprience est trs rduit. Nous cherchons identifier 7 paramtres partir de seulement quatre expriences. En fait, une seule courbe est en thorie ncessaire pour identifier les termes dcrouissage et dadoucissement (n et r). Ensuite, il est ncessaire dutiliser des courbes obtenues avec au moins deux tempratures pour identifier les termes caractrisant la sensibilit du comportement la temprature ( et sat). Enfin, deux vitesses de dformation permettent didentifier le paramtre de viscosit m. La mthode de BFGS, dmarre froid et chaud, ainsi que la mthode de GaussNewton ne convergent pas dans ce cas. La mthode de BFGS avec dmarrage froid stagne trs rapidement une valeur de la fonction cot relativement leve. Tout le temps de calcul est quasiment pass en recherche linaire. La mthode de GaussNewton gnre un premier pas trs grand et la mthode diverge. Ce comportement sexplique par le trs mauvais conditionnement de ce problme. Ces quelques applications montrent que les mthodes direction de descente classiques peuvent tre instables dans le cadre de la rsolution de problmes mal conditionns. Il est donc ncessaire dtre capable de stabiliser ces mthodes pour identifier les paramtres de modles comprenant beaucoup de paramtres.
2.5 Stabilit des mthodes direction de descente

Cest Hadamard (1923) qui le premier a dfini la notion de problme bien pos. Soit M un vecteur contenant des mesures effectues sur le systme physique tudi. Le problme F( ) =M est bien pos si lon a : existence de la solution unicit de la solution
40
Stabilit des mthodes direction de descente continuit de la solution (i.e. dpend continment de M).
Si lune de ces trois conditions nest pas respecte, on dit alors que le problme est mal pos. Il arrive souvent que la solution dun problme didentification de fonction ne dpende pas continment des mesures (Dowding et Blackwell (1998)). En dautres mots, mme si lerreur de mesure est faible, la rsolution du problme inverse ne donnera pas forcment un rsultat proche de la solution exacte. Ainsi, les fonctions issues de la rsolution numrique dun problme inverse peuvent tre entaches doscillations qui sont dues au caractre mal pos du problme (Alifanov et al. (1995)). Dans ce cas, on utilise gnralement une stratgie de rgularisation au sens de Tikhonov (Tikhonov et Arsenin (1977)), qui peut tre vue comme un filtrage de la solution numrique. Sans lutilisation dune telle technique, la rsolution de problmes mal poss donneraient des solutions dnues de sens physique. Compars aux problmes didentification de fonction, les problmes didentification de paramtres sont souvent mieux poss car leur nombre de degrs de libert est gnralement faible. Par consquent, les problmes didentification de paramtres sont moins sensibles aux erreurs de mesure. Par contre, ils sont difficiles rsoudre cause deffets de corrlation entre les paramtres identifier (Beck et Woodbury (1998)). Dans les paragraphes qui suivent, nous nous proposons dtudier les effets de la corrlation sur la stabilit dun problme didentification de paramtres. Ensuite, plusieurs mthodes de stabilisation sont proposes.
2.5.1 La matrice de Gauss-Newton et la notion didentifiabilit

Nous avons vu dans le paragraphe prcdent que la mthode de Gauss-Newton dF( ) soit injective. Autrement converge la condition que la matrice de sensibilit d dit, les drives du modle par rapport aux paramtres doivent tre linairement indpendantes. Dans le cas contraire, il est impossible de diffrentier les effets des paramtres identifier sur le systme physique. Ainsi, Beck et Arnold (1977) donnent une condition didentifiabilit pour un systme physique :
Condition didentifiabilit :
Le jeu de paramtres est identifiable partir dobservations de F si dF( ) T dF( ) 0 dans un voisinage du minimum de la fonction cot . det d d Il sagit en fait dune condition ncessaire et suffisante dinjectivit de voisinage de la solution.
Exemple On veut identifier les paramtres (K et m) dune loi de comportement de la forme
dF( ) dans un d
= K ( )
(38)
41
Chapitre 2 - Identification de paramtres par mthode de moindres carrs partir de mesures de . Supposons que les conditions exprimentales soient telles que soit constant ( = 0 ) . Alors :
m = ( 0 ) K
et
m = K ln ( 0 )( . 0 ) m 2m K ln( 0 )( . 0 ) =0 (K ln( 0 ))2 .( 0 )2m
(39)
T ( 0 )2 m = det det 2m (K , m ) (K, m ) K ln( )( 0 . 0 )
(40)
Le problme nest donc pas identifiable. Par contre, si lon utilise deux mesures de , effectues pour deux valeurs diffrentes de , le problme devient identifiable. Cet exemple montre bien que le plan dexprience et la forme de la loi identifier doivent tre choisis de faon adquate, afin de rendre le systme identifiable. En fait, la matrice de Gauss-Newton est une approximation de la matrice hessienne de la fonction cot dans un voisinage de loptimum si lon considre que lcart entre le modle et les mesures est suffisamment faible. Dans ce cas, le matrice de GaussNewton reprsente la courbure de la fonction cot. Ainsi, lorsque la matrice de GaussNewton dgnre, la fonction cot prsente localement une valle dans lhyperplan gnr par les vecteurs du noyau. Il est donc possible dassocier la non-identifiabilit dun problme inverse la prsence dune valle dans un voisinage du jeu de paramtres optimal.
Exemple On veut identifier les paramtres dune loi de comportement de la forme (41) = K exp 0m 0 T partir de mesures de . On se propose de calculer les paramtres K et partir de deux mesures de effectues pour deux conditions exprimentales diffrentes T et T + T . 0 est suppos fix et m0 est connu.
Soit F(K, ) = ( (K, ; T ), (K, ; T + T )) le vecteur contenant les mesures de contrainte correspondant aux deux tempratures.
T
Nous avons alors : m exp ( 0 ) 0 F T = et K m0 exp T + T ( 0 ) K m 2 exp ( 0 ) 0 T F T = (42) m0 K ( 0 ) (T + T )2 exp T + T (43)
2 F T F 1 K2 1 exp det exp 2 = 2 T + T T T + T T (K, ) (K, ) T (T + T )
42
Stabilit des mthodes direction de descente Il est vident que le problme tend dgnrer pour de faibles valeurs de T. De plus, la formule ci-dessus nous indique aussi que pour des tempratures importantes, le problme devient mal conditionn. Nous en dduisons que lidentification de lois de la forme [eq. (41)] sera difficile chaud, mme lorsque T parat important.
Application numrique : Considrons que les valeurs exactes des paramtres et des conditions exprimentales sont les suivantes : =6000 K T=1000 K T =200 K K=500 MPa La figure 14 montre la prsence dune valle prs du jeu optimal de paramtres, en raison des effets de corrlation entre K et pour le cas rsidu nul.
4.50E+10 4.00E+10 3.50E+10 fonction cout 3.00E+10 2.50E+10 2.00E+10 1.50E+10 1.00E+10 5.00E+09 100 200 300 400 500 600 700 800 6200 5600 5400 0.00E+00 6000 5800 5200 5000
beta
Figure 14 : forme de la fonction cot autour de loptimum pour le cas rsidu nul
Il est de plus possible de donner une interprtation aux termes de la matrice de GaussT dF( ) T dF( ) dF( ) dF( ) Newton (Forestier et al. (2002)). En effet, = . Or d di d j ij d
dF( ) dF( ) = cos ; d d dF( ) T dF( ) dF( ) T dF( ) i j d d d d ii jj dF( ) T dF( ) d d ij
(44)
Ainsi, en renormalisant les termes de la matrice de Gauss-Newton, il est possible de dF( ) dF( ) et dans lespace IR NbMes . Si le calculer langle que font les vecteurs d i d j cosinus entre deux vecteurs de sensibilit est proche de 1 ou de 1, alors le problme risque dtre mal conditionn car les effets de i et de j sur F ne sont pas discrimins. Dans ce cas, il sera dangereux de donner une interprtation physique aux paramtres
43
Chapitre 2 - Identification de paramtres par mthode de moindres carrs identifis. La matrice de Gauss-Newton contient donc une information fondamentale sur les effets croiss entre les paramtres.
2.5.2 Stabilit du jeu de paramtres identifi

Comme le montre le paragraphe prcdent, lanalyse de sensibilit peut fournir une information sur la forme de la fonction cot prs de loptimum et sur la stabilit de la mthode. Il peut tre intressant dtudier la stabilit de la solution du problme inverse en prsence dune perturbation sur les mesures exprimentales grce linformation apporte par lanalyse de sensibilit. Pour cela, exprimons la condition doptimalit du premier ordre qui dfinit le jeu de paramtres optimal :
d ( ) dF( ) =2 W (F( ) M ) = 0 d d
T
(45)
Si M est perturb par M , alors la solution du problme inverse devient + . Si la norme de M est suffisamment faible, on peut crire au premier ordre : dF( ) dF( ) 2 W F( ) + M M = 0 d d
T
(46)
A partir des quations (45) et (46), on obtient :

T dF( )T dF( ) dF( ) d W d = d WM
(47)
De la relation (47), on peut dduire la relation suivante :
dF( )T dF( ) W d d
dF( ) . WM d
T
(48)
avec
2 def
NPar i =1
2 k
Mais cette relation ne donne quune borne suprieure sur la norme de . Or certains paramtres sont plus sensibles que dautres aux perturbations sur les donnes exprimentales. Il est donc prfrable de donner une majoration de chaque composante de :
NPar
i =1
dF( ) G ki di
1
2 W
. M
W
(49)
dF( )T dF( ) avec G = d W d , V Or, on peut montrer que
= V T WV et = (1 ,..., k ,... NPar ) .
44
Stabilit des mthodes direction de descente
NPar
dF( ) G ki i =1 di
= G kk
W
(50)
Donc, si k 0 :
M W k gk k MW
avec g k = G kk . M
W
(51)
La relation (51) donne une majoration de lerreur relative sur les paramtres par rapport lerreur relative sur les mesures. Cette tude est base sur un dveloppement limit et nest valable que dans le cas o la perturbation M demeure de faible amplitude. Par contre, elle fournit une ide du comportement du problme inverse prs du jeu optimal de paramtres et caractrise bien la stabilit du schma localement.
2.5.3 Calcul dintervalles de confiance

Si les erreurs de mesure peuvent tre modlises par des lois normales, indpendantes et identiquement distribues, il est possible de donner une expression dun estimateur de la matrice de covariance V des paramtres (Frederiksen (1998)) :
dF T dF V= NbMes NbPar d d
2
F( ) M
(52)
Cette matrice est proportionnelle linverse de la matrice de Gauss-Newton. A partir de cette expression, il est possible dexprimer les intervalles de confiance sur les paramtres. Voici lexemple des intervalles de confiance 95% :
Prob i I 0.95 I = opt 1.98 Vii ; opt + 1.98 Vii i i
(53)
Remarque : Lestimation dintervalles de confiance nest valide que dans le cas o la diffrence entre le modle et lobservation est due un bruit Gaussien non autocorrl (chaque erreur de mesure est alors indpendante de la prcdente). Dans le cas, par exemple, o lerreur de modlisation prdomine, il est trs difficile de donner une expression des intervalles de confiance car lerreur ne peut pas forcment tre modlise par un bruit gaussien. Il est donc important de vrifier a posteriori que les hypothses statistiques sont raisonnables.
Dans le cas dun bruit gaussien non autocorrl, linverse de la matrice de corrlation est gale la quantit dinformation au sens de Fisher (Emery (1998)). Si la matrice de Gauss-Newton est de dterminant nul, on dit que linformation contenue dans lessai est
45
Chapitre 2 - Identification de paramtres par mthode de moindres carrs nulle. Certains auteurs utilisent la notion de quantit dinformation pour supprimer les effets de corrlation entre les paramtres. Frederiksen (1998) par exemple, utilise une mthode inverse afin de dterminer les constantes dlasticit dun mtal partir de mesures de frquences de rsonance dune tle. Afin davoir une estimation prcise des paramtres, lauteur recherche une forme optimale pour la tle. Il est montr que les conditions exprimentales peuvent jouer trs fortement sur la prcision de la mthode inverse. Cette procdure, appele optimal experiment design, a pour but de concevoir une exprience contenant un maximum dinformation sur les paramtres identifier (Beck et Arnold (1977)). Plus gnralement, lanalyse de sensibilit peut tre considre comme un outil daide la conception dexpriences. Un exemple de ce type dapproche est donn dans le dernier chapitre, dans le cadre de lanalyse de lessai Nakazima.
2.5.4 Stabilit de lalgorithme de Gauss-Newton

La corrlation entre les paramtres a non seulement un effet sur la forme de la fonction cot prs de loptimum, mais a aussi une influence sur la convergence de la mthode de Gauss-Newton dans le voisinage de la solution. En effet, considrons un modle un paramtre. Le pas de la mthode de Gauss-Newton scrit alors, dans le cas o W=1 et o NbMes=1: dF d= d Supposons que
2
dF( ) d
dF( ) (F( ) M ) = d
(F( ) M )
(54)
dF( ) = , avec arbitrairement petit. Alors, d
d=
(F( ) M )
(55)
Il est clair que le pas de Gauss-Newton va tre important si (F( ) M ) nest pas ngligeable par rapport , mme si le gradient de la fonction cot est faible. Dans les applications que nous avons eues traiter dans le cadre de cette tude, les rsidus (F( ) M ) ne deviennent jamais trs faibles cause de lerreur de modlisation (choix de la loi de comportement par exemple) Ainsi, mme prs de loptimum, la mthode de Gauss-Newton peut gnrer des pas trs importants. Dans un cas didentification de plusieurs paramtres, il est possible dtablir la proposition suivante :
Proposition 1: Soient ( i )i =1,.., NPar lensemble des valeurs propres de la matrice de Gauss-Newton et d la direction de descente calcule par la mthode de Gauss-Newton dF( ) T dF( ) d ( ) [eq. (17)]. Si 2 d W d d = d alors,
d ( ).
NPar i =1
1
i
(56)
46
Stabilit des mthodes direction de descente

Preuve : Soit ( i , Vi )i =1, NPar lensemble des couples (valeurs propres, vecteurs propres)
de la matrice de Gauss-Newton. Nous pouvons choisir les vecteurs propres Vi de norme unit. Ainsi, lensemble (Vi )i =1,.., NPar est une base orthonorme de IR NPar . Alors, la matrice de Gauss-Newton peut scrire : dF( ) dF( ) NPar W = i Vi ViT d d i =1
T
(57)
et
dF( ) T dF( ) d W d
1
NPar i =1
1
i
Vi ViT
(58)
do, daprs lquation (17) : d=

T T NPar Vi Vi
i =1
dF( ) W (F( ) M ) d i
T
(59)
dF( ) W (F( ) M ) est un scalaire. En utilisant lingalit de Cauchy-Schwarz, or V d on montre que :

T i
dF( ) dF( ) V W (F( ) M ) Vi d d

T T i
(F( ) M ) W
W
(60) (61)
et
dF( ) Vi d
2 2
= ViT
W 2 2
dF( ) dF( ) W Vi = i ViT Vi = i d d

T 2 W
donc soit
d
d
NPar
i =1
Vi
F( ) M
i
NPar W i =1
(62) (63)
F( ) M
1
i
Pour un problme plusieurs dimensions, la matrice de Gauss-Newton peut devenir mal conditionne soit cause deffets de corrlation, soit si la mesure est peu sensible un des paramtres identifier. Dans ce cas, la borne suprieure de la norme du pas de Gauss-Newton peut devenir trs importante si la valeur minimale de la fonction cot est importante par rapport la racine carre de la plus faible valeur propre (par exemple quand lerreur de modlisation est trop importante). Nous en dduisons donc que la mthode de Gauss-Newton peut tre instable prs du minimum dans le cas par exemple o lerreur due au choix du modle est importante par rapport la valeur de la plus faible valeur propre de la hessienne de . Lorsquil nest pas possible dutiliser une procdure doptimisation de profil dexprience, il peut donc devenir ncessaire
47
Chapitre 2 - Identification de paramtres par mthode de moindres carrs demployer des mthodes de stabilisation, afin de pouvoir traiter des cas contenant un nombre important de paramtres.
2.6 Techniques de stabilisation des mthodes direction de descente

Lutilisation de lalgorithme de Gauss-Newton est limite par le fait quil peut apparatre des instabilits pour les problmes mal conditionns. Quelques mthodes de stabilisation sont prsentes dans les paragraphes qui suivent. Toutes ces mthodes ont pour but de borner la zone admissible de recherche du jeu de paramtres optimal. Les mthodes rgion de confiance gnralisent la notion de mthodes direction de descente. Dans ces mthodes, on va interdire de chercher le jeu de paramtres optimal au del dune hypersphre pour laquelle la non-linarit de la fonction cot devient trop importante. La mthode de Levenberg-Marquardt peut tre vue comme un cas particulier de mthode rgion de confiance. Une autre approche est celle des statisticiens, qui stabilisent souvent le problme didentification de paramtres en ajoutant de linformation a priori sur les paramtres. Augmenter la quantit dinformation a pour consquence damliorer le conditionnement du problme didentification de paramtres et donc de limiter les problmes dinstabilit.
2.6.1 Mthodes rgion de confiance

Ces mthodes sont reconnues pour tre bien plus stables que les mthodes direction de descente. En fait, les mthodes rgion de confiance fournissent la fois une direction et une longueur pour le pas doptimisation. Ainsi, il nest plus ncessaire dutiliser une mthode de recherche linaire. Supposons que lon veuille stabiliser une mthode doptimisation dont le pas est donn par : Mkdk = d k dk
( )
(64)
Mk est une matrice symtrique non ncessairement dfinie positive, qui peut tre la hessienne de la fonction cot ou bien une approximation de celle-ci. Dans les mthodes rgion de confiance, le problme (64) est remplac par le problme suivant :
q d k = Min q(d ) d k 1 d k q(d ) = d T M k d + d T 2 dk
( )
( )
(65)
Lutilisation du paramtre k [eq. (65)] assure que la norme du pas doptimisation nest pas trop importante. En fait, nous imposons juste que la norme du pas doptimisation ne soit pas suprieure un rayon de confiance k. Toute la difficult de ces mthodes est de dterminer de manire adquate le rayon de la rgion de confiance. Ce dernier est dtermin de sorte que la variation de la fonction cot dans la rgion de confiance soit suffisamment proche dun modle de variation k (Gilbert (1999)) :
48
Techniques de stabilisation des mthodes direction de descente

d k ( d ) = d
k
( )
d+
1 T k d M d 2
(66)
Les rsultats de convergence de ces mthodes sont beaucoup plus forts que ceux des mthodes direction de descente avec recherche linaire. Leur utilisation, par contre, prsente quelques inconvnients. Par exemple, le calcul du rayon de confiance initial peut tre relativement difficile (Barrault et Le Bris (1999)).
2.6.2 La mthode de Levenberg-Marquardt

La mthode de Levenberg-Marquardt est le cas particulier dune mthode rgion de confiance pour laquelle on choisit de borner la norme L2 du pas doptimisation (Fletcher (1996)) : q d k = Mink q(d ) d 2 d k 1 q(d ) = d T M k d + d T 2 dk
( )
( )
(67)
On peut dmontrer que ce problme est quivalent au problme suivant :
k d k k M + I d = dk avec 0 d k 2 k = 0
( )
(68)
Concrtement, lorsque lon programme une mthode de Levenberg-Marquardt, ltape de recherche linaire est remplace par la recherche du paramtre adquat. En fait, une premire valeur de direction de descente est calcule pour =0. Si d k > k , alors
2
on augmente la valeur de jusqu ce que la contrainte soit respecte (Figure 15). Lorsque est grand, la direction trouve est proche de la plus forte pente (i.e. colinaire au gradient de la fontion cot). Lorsque est faible, on se rapproche de la mthode doptimisation [eq. (64)].
49

Hypersphre de rayon k (rgion de confiance)
k = 0 d k = (M k )
d d
d d
k +dk pour k allant de zro linfini
Figure 15 : recherche du paramtre de stabilisation k optimal Application la mthode de Gauss-Newton :
Les instabilits qui peuvent apparatre dans la mthode de Gauss-Newton sont gnralement dues un mauvais conditionnement de la matrice de Gauss-Newton. Lide de la mthode de Levenberg-Marquardt est dajouter une matrice diagonale la matrice de Gauss-Newton afin de filtrer les plus faibles valeurs propres. Cette mthode consiste rsoudre le problme suivant :
dF(k ) T dF( k ) dF(k ) T W + k .I d k = F(k ) M d d d
(69)
o k est le paramtre de Levenberg-Marquardt. En effet, en utilisant le mme raisonnement que celui fait pour la proposition 1 (cf. 2.5.4), on peut montrer que : dk (k )
NPar
i =1
+ k )
(70)
o { i , i = 1,.., NPar} est lensemble des valeurs propres de la matrice de Gauss-Newton. Ainsi, mme si la matrice de Gauss-Newton a des valeurs propres relativement basses, NPar i le paramtre k assure que le terme nexplose pas. Cette procdure a 2 i =1 ( i + k ) donc pour effet de limiter les instabilits de la mthode de Gauss-Newton. Toute la difficult de la mthode rside dans la dtermination du paramtre k optimal. Si k est trop important, la mthode de Levenberg-Marquardt dgnre vers une mthode de plus forte pente. Si k est trop faible, la mthode se rapproche de la mthode de GaussNewton et peut tre instable.
50
Techniques de stabilisation des mthodes direction de descente
2.6.3 Approche statistique : introduction de linformation a priori

Dans le cas o lon utilise le principe du maximum de vraisemblance pour rsoudre le problme inverse, il est possible dintroduire une information a priori sur les paramtres. Lajout de cette information permet de stabiliser le problme de moindres carrs. On suppose alors que les paramtres sont des variables alatoires indpendantes de lerreur de mesure et distribues selon une loi normale :
~ N(0 , V )
(71)
0 est le vecteur moyenne a priori de et V est la matrice de corrlation des paramtres. En fait, V indique la confiance que lon a en lestimation initiale 0 . De plus, si par hypothse, le bruit de mesure est suppos gaussien :
f (M ) = 1
(2 )
NbMes
1 T 1 (M F( )) exp (M F( )) VM (72) det (VM ) 2
Bayes, il est possible dexprimer la densit de distribution de sachant M : f ( M ) = Soit : f (M )f ( ) f (M )
o f (M ) est la densit de distribution de M sachant . En utilisant le thorme de
(73)
1 1 1 T T 1 (M F( )) f ( M ) = C exp (M F( )) VM exp ( 0 ) V ( 0 ) (74) 2 2
o C est une constante ne dpendant pas de . Si lon applique le principe du maximum de vraisemblance a posteriori, le problme doptimisation rsoudre scrit alors (Beck et Arnold (1977)) :
prior opt = min ( prior ( )) IR NPar (75) 1 T T 1 ( ) ( ( ) ) ( ( ) ) ( ) ( ) M F V M F V = + M 0 0 prior trouver opt IR NPar tel que
( )
Si la matrice V est diagonale (cest dire si les valeurs des paramtres ne sont pas autocorrles a priori), alors cette mthode revient ajouter un terme diagonal la matrice de Gauss-Newton. On peut tre frapp de la ressemblance de cette mthode avec la mthode de Levenberg-Marquardt. Il existe nanmoins deux diffrences majeures avec cette mthode : lexpression de la fonction cot et de son gradient sont modifis et les termes diagonaux ajouts ne sont pas tous gaux. Cette mthode permet donc dajuster les termes de rgularisation chaque paramtre et de saffranchir des problmes lis la dtermination du paramtre de stabilisation de la mthode de Levenberg-Marquardt. Elle revient en dfinitive pnaliser les pas de Gauss-Newton qui sloignent trop de lestimation a priori.
51
2.6.4 Mthode de Gauss-Newton stabilise

Il a t montr dans le paragraphe 2.5.2 que certains paramtres sont plus sensibles que dautres une perturbation sur les donnes exprimentales. Dans le cas o lon cherche rsoudre un problme sous contrainte de la forme [eq. (28)], nous avons essay dutiliser linformation apporte par lutilisateur sous forme de contraintes pour stabiliser le problme. Nous avons utilis une mthode de Gauss-Newton stabilise par une matrice diagonale dont les termes diagonaux varient en fonction des bornes imposes aux paramtres :
dF k T dF k k dF k W + D d = 2 d d d 1 ij D = ij max min 2 i i
( ) (
( ) )
( )
W F k M
(( )
)
(76)
o min et imax sont respectivement les bornes infrieures et suprieures des paramtres i imposes par lutilisateur (c.f. paragraphe 2.3.2.8) et est un paramtre dpendant de lordre de grandeur de la fonction cot finale. Cette mthode revient rsoudre chaque itration le sous-problme suivant, obtenu en pnalisant les pas de Gauss- imax | : Newton trop importants par rapport | min i
d k = argmin (d ) dIR NPar T 1 T dF k dF k W (d ) = d 2 d d 1 avec D ij = 2 ij imax min i
( )
( ) d+d

dF(k ) W (F(k ) M ) + d d
T
2 D
(77)
Il est possible, pour cette mthode, de donner une borne suprieure une norme de la direction de descente dk :
k 1 d k d D R k min + d D 1 2 T d D = d Dd T d ( ) d ( ) d ( ) D 1 = d D 1 d d
R o min est la plus faible valeur propre de la matrice H dfinie comme suit :
( )
(78)
52
Application lanalyse de lessai de compression dun cube avec un comportement viscoplastique H=R
1
dF k d
( )
W 1
dF k 1 R d
( )
(79)
avec R ij =
imax imin
ij
Si lon veut d k
2 D
NPar , alors on obtient la relation suivante :

NPar
d k k NPar d 1
( )
D
1
d k k i =1 d
( ) (
i NPar
max i
min i
(80)
Ainsi, nous obtenons une relation fournissant un paramtre de stabilisation chaque itration de Gauss-Newton. Nous pouvons remarquer que ce paramtre tend vers zro lorsque lon se rapproche du point stationnaire. En dfinitive, la mthode que nous avons dveloppe est spcifique aux problmes sous contrainte de la forme du systme (28), mais elle est plus simple programmer et paramtrer quune mthode rgion de confiance classique.
2.7 Application lanalyse de lessai de compression dun cube avec un comportement viscoplastique
Le problme prsent au ( 2.4) est repris ici. Cette fois, nous discutons de la stabilit du problme didentification de paramtres rhologiques. Nous vrifions que les temps de calcul obtenus avec la mthode de Gauss-Newton stabilise sont acceptables et que la mthode est mme stable en prsence de donnes exprimentales bruites.
2.7.1 Etude des effets de corrlation entre les paramtres identifier

Une analyse de sensibilit a t effectue afin de quantifier les effets de corrlation entre les paramtres de la loi de Norton-Hoff [eq. (34)]. Le plan dexprience est le mme que celui utilis dans le 2.4 (deux vitesses (1 et 10 mm/s) et deux tempratures (1000 et 1200C)). On obtient, pour les valeurs nominales des paramtres :
dF dF dF dF cos , , = 0.89 = 0.81 cos dK dm dK dn dF dF dF dF cos dK , d = 0.99 cos dm , dn = 0.77 dF dF dF dF cos dm , d = 0.81 cos dn , d = 0.89
(81)
Il existe une trs forte corrlation entre les effets de K et les effets de sur la mesure de leffort. La fonction cot prsente donc une valle prs du jeu de paramtres optimal
53
Chapitre 2 - Identification de paramtres par mthode de moindres carrs (Figure 16). Ce problme inverse tant mal conditionn, le choix de la mthode doptimisation est crucial. Il est en effet bien connu que la mthode de BFGS ou bien la mthode de Gauss-Newton peuvent rencontrer des difficults converger dans ce contexte.
10.4 9.6 8.8 8 7.2 cost function 6.4 5.6 4.8 4 3.2 2.4 1.6 0.8 0 2400 3200 4000 4800 5600 6400 7200 195 1335 955 575 8000 8800 9600 K
beta
Figure 16 : fonction cot en fonction de K et de
Les couples de paramtres fortement corrls sont plus nombreux pour le modle rhologique 1 [eq. (37)]. La matrice de corrlation pour ce modle est donne cidessous :
K0 n0 m
0.93 0.03 3.7.10 4 1
r 0.27 0.86 8.8.10 3 3.8.10 2 1
K sat
sat
0.07 1 0.32 1 5.10 5 1 C= SYM
0.69 K 0 0.79 4 4.10 8.810 3 n 0 0.01 7.10 3 m 0.71 0.51 0.73 0.43 r 1 0.92 K sat 1 sat
(82)
avec
dF dF C ij = cos ; di d j
Ce sont les multiples effets croiss (entre K, , Ksat et sat) entre paramtres qui sont lorigine des instabilits observes avec les mthode de Gauss-Newton et de BFGS au paragraphe 2.4.2.
2.7.2 Application de la mthode de Gauss-Newton stabilise

Nous avons appliqu la mthode de Gauss-Newton stabilise lidentification des paramtres de la loi du modle 0 [eq. (34)] et du modle 1 [eq. (37)]. Dans le premier cas, les mthodes de Gauss-Newton et de BFGS convergent partir du moment o le plan dexprience est suffisamment complet (cf. 2.4). Les premiers tests montrent que
54
Application lanalyse de lessai de compression dun cube avec un comportement viscoplastique la mthode de Gauss-Newton stabilise ne rallonge pas trop le temps de calcul par rapport aux mthodes classiques. Valeurs nominales K =0.5 MPa.sm m=0.01 n=0.1 =500 K Valeurs initiales K =1. MPa.sm m=0.1 n=0.3 =200 K Valeurs identifies K =0.500 MPa.sm m=0.01 n=0.1 =500 K Nb itrations : 6 final = 4.7.10-2%
Tableau 4 : rsultat de lidentification des paramtres du modle 0 avec lalgorithme de Gauss-Newton stabilis
En effet, six itrations ont t ncessaires la convergence (Tableau 4), contre quatre avec la mthode de Gauss-Newton classique et treize pour la mthode de BFGS. Ainsi, mme pour des problmes relativement bien conditionns, la mthode de Gauss-Newton stabilise a un temps de calcul acceptable. Il a t vu que les mthodes de Gauss-Newton et de BFGS ne convergent pas pour lidentification des paramtres du modle 1. La mthode de Gauss-Newton stabilise a t teste dans ce cas, avec le plan dexprience dcrit au ( 2.4). Les rsultats de lidentification sont donns ci-dessous (Tableau 5). Valeurs nominales K0=30 MPa.sm m=0.2 n=0.1 =5000 K r=2.0 Ksat=10 MPa.sm sat =3000K Valeurs initiales K0=50 MPa.sm m=0.1 n=0.2 =3000 K r=0.2 Ksat=8 MPa.sm sat =1000K Valeurs identifies K0=29.72 MPa.sm m=0.1989 n=0.100 =5007.7 K r=1.98 Ksat=10.89 MPa.sm sat =2819.31K Nb itrations : 23 final =5.2.10-2%
Tableau 5 : rsultat de lidentification des paramtres du modle 1 avec lalgorithme de Gauss-Newton stabilis
La mthode de Gauss-Newton stabilise prsente donc lavantage de converger mme lorsque de nombreux effets de corrlation rendent le problme difficilement identifiable. Elle semble tre un bon compromis entre temps de calcul et robustesse.
2.7.3 Influence dun bruit de mesure sur lidentification de paramtres

Dans la ralit, diverses erreurs et approximations font que le minimum de la fonction cot nest pas zro. Le problme didentification est alors qualifi de problme rsidu non nul. Dans les applications concrtes que nous aurons traiter dans la suite, lerreur de modlisation nest pas ngligeable. Il faut donc traiter les diverses mthodes
55
Chapitre 2 - Identification de paramtres par mthode de moindres carrs doptimisation dans un cas rsidu non nul. Pour se faire, nous avons ajout aux donnes exprimentales un bruit Gaussien de moyenne nulle et de variance constante par exprience. Soit Fji la j-ime mesure effectue lors du i-ime essai. On introduit alors lamplitude de la perturbation, note :
k = NbMes (ii) ~i Fj = Fji + Fk e k =1
(83)
o NbMes(i) est le nombre de mesures effectues lors du i-ime essai et e est une variable alatoire Gaussienne de moyenne nulle et de variance unit. Nous avons procd lidentification de paramtres pour des bruits damplitude 5% et 10%. Les rsultats sont fournis dans le tableau 6 pour lidentification des paramtres de la loi de Norton-Hoff (Modle 0). Valeurs nominales K0=500 kPa.sm m=0.01 n=0.1 =500 K Valeurs identifies =5% K0=515.5 kPa.sm m=0.013 n=0.0940 =465.84 K Nb itrations : 9 final =8.3% Valeurs identifies =10% K0=491.6 kPa.sm m=0.0107 n=0.0992 =529.51 K Nb itrations : 7 final =19.1%
Tableau 6 : rsultats de lidentification des paramtres du modle 0 en prsence de bruits de mesure gaussiens
Cet exemple montre que la mthode doptimisation demeure stable en prsence de donnes bruites pour lidentification dune loi de Norton-Hoff. Nous pouvons constater que certains paramtres semblent plus affects que dautres par lajout dun bruit de mesure. Lanalyse de stabilit permet destimer la sensibilit du rsultat un bruit de mesure :
F 2 K 8.0 K F2 F 2 n 9.5 n F2
F 2 m 50.3 m F2 F 2 23.7 F2
(84)
Lincertitude relative sur les paramtres m et est relativement importante. Pour le paramtre , lincertitude est due au fait que la temprature ne varie pas assez dans le plan dexprience (do la forte corrlation avec K). Pour le paramtre m, lerreur relative a une borne suprieure leve en raison de la faible valeur de m. Dans ce cas, une faible variation en valeur absolue de m peut correspondre une variation importante de m en valeur relative. Il ne sagit donc pas dun problme de stabilit pour ce paramtre. Une variation de 1% sur leffort induit une variation de lordre de 5.10-3 de m en valeur absolue. Malgr cette incertitude, la loi de comportement du matriau
56
Application lanalyse de lessai de compression dun cube avec un comportement viscoplastique reproduit fidlement le comportement du matriau dans lintervalle de vitesse de dformation, de dformation et de temprature dfini par le plan dexprience. La mme analyse a t applique lidentification des paramtres du modle rhologique 1 (Tableau 7). Valeurs nominales K0=30 MPa.sm m=0.2 n=0.1 =5000 K r=2.0 Ksat=10 MPa.sm sat =3000K Valeurs identifies =5% K0=30.04 MPa.sm m=0.204 n=0.0959 =5018.1 K r=2.24 Ksat=6.98 MPa.sm sat =4034 K Nb itrations : 30 final =5.2% Valeurs identifies =10% K0=26.30 MPa.sm m=0.1978 n=0.1021 =5172.4 K r=2.00 Ksat=11.33 MPa.sm sat =2905.28K Nb itrations : 28 final =11.2%
Tableau 7 : rsultats de lidentification des paramtres du modle 1 en prsence de bruits de mesure gaussiens
Cette mthode doptimisation se comporte plutt bien en prsence dun bruit de mesure. Les paramtres identifis sont relativement proches de leurs valeurs nominales. Lanalyse de stabilit permet de prvoir quels sont les paramtres qui sont le plus sensibles des erreurs de mesure :
F 2 K 0 28.7 F2 K0 F 2 r 28.7 r F2
F 2 m 8.4 F2 m F 2 K sat 212.3 K sat F2
F 2 n 16.8 n F2 F 2 sat 130.27 sat F2
F 2 6.9 F2
(85)
Nous pouvons constater que les paramtres Ksat et sat ne semblent pas caractriss avec une prcision satisfaisante. En fait, leffort devient sensible par rapport ces paramtres pour de grandes dformations (suivant la valeur de r). Ainsi, si la dformation du matriau nest pas trs importante, lincertitude sur ces paramtres est alors trs importante. Nous comprenons la raison pour laquelle lidentification de cette loi ne peut se faire quavec une mthode doptimisation stabilise. Outre les effets de corrlation, un dficit de sensibilit de leffort par rapport un ou plusieurs paramtres peut savrer une source dinstabilits. A la lumire de ces deux exemples, la mthode de Gauss-Newton stabilise semble tre un bon choix. Elle permet en effet didentifier les paramtres de lois de comportement, y compris pour des cas excessivement mal conditionns : mme si le jeu de paramtres identifi nest pas dtermin de faon unique, nous obtenons en dfinitive une loi de comportement reprsentative du comportement du matriau dans un intervalle de dformation, de vitesse de dformation et de temprature donn. De plus, les indicateurs de corrlation et de stabilit que nous avons mis en place permettent bien de dtecter les causes de linstabilit du problme inverse.
57
2.8 Sensibilit des paramtres identifis une incertitude exprimentale

Un des objectifs de cette tude est de prendre en compte lincertitude exprimentale dans lidentification de paramtres. Dans le paragraphe 2.5.2, nous avons tudi linfluence dune variation de donnes exprimentales sur le jeu de paramtres identifis. Mais il peut y avoir aussi une incertitude sur des conditions aux limites (coefficient de frottement, changes thermiques), sur des conditions initiales (temprature initiale du lopin) ou mme sur la gomtrie initiale du lopin (tolrance sur les cotes des prouvettes). Tous ces alas exprimentaux vont avoir une influence plus ou moins importante sur la valeur des paramtres et de la contrainte dcoulement que lon identifie. Les alas exprimentaux peuvent parfois tre modliss de faon statistique. Dans ce contexte, cette incertitude peut tre insre dans la fonction cot comme une information a priori. Lestimation du maximum de vraisemblance permet alors de prendre en compte les incertitudes exprimentales dans le problme doptimisation. Cela suppose que lon modlise lala exprimental comme une loi normale de moyenne et de variance connues a priori (Tarantola (1987)). Une autre approche consiste identifier les mesures exprimentales afin de relaxer le problme. Allix et al. (2003) identifient un module dYoung partir de mesures de dplacement et defforts au cours dessais dynamiques sur une barre de Hopkinson. Les mesures exprimentales tant entaches dun bruit alatoires, les auteurs les considrent comme des paramtres identifier. Ainsi, lanalyse inverse se divise en deux tapes : identification des champs de dplacement, de contrainte et de leffort grce la rsolution dun problme dynamique adjoint ; puis identification du module dYoung en utilisant les champs de dplacement, de contrainte et leffort identifis prcdemment. Lapproche que nous avons adopte est diffrente. Nous nous proposons dessayer de quantifier linfluence dune incertitude exprimentale sur la prcision de notre analyse inverse. Cette tude est mene lordre un, pour un paramtre exprimental suppos scalaire. Ayant opt pour une mthode dterministe ds le dpart, nous ne cherchons donc pas caractriser de faon stochastique lincertitude exprimentale. Soit le jeu de paramtres optimal, trouv comme solution du problme inverse et soit un paramtre qui est a priori connu avec un prcision absolue de . On sait que :
F
T
(F( , ) M ) = 0
(86)
Si lon remplace e par +d, le nouveau jeu de paramtres identifi est not +d :
F( + d , + d ) (F( + d , + d ) M ) = 0
T
(87)
En faisant un dveloppement limit lordre un de [eq. (87)] et en utilisant la relation [eq. (86)], on obtient :
F( , ) T F( , ) F( , ) T F( , ) d = d
1
(88)
58
Sensibilit des paramtres identifis une incertitude exprimentale
La relation (88) est intressante car elle donne une ide de linfluence dune incertitude exprimentale sur le jeu de paramtres identifi. Nous pouvons noter que cette relation est valable dans le cas o ne serait pas scalaire. Dans le cas vectoriel, cette relation est nanmoins plus difficile exploiter car il faut alors prendre en compte les effets croiss entre les paramtres exprimentaux. Si est dans [- ; +], alors, en supposant que soit faible par rapport au d d ; + ]. De caractre non-linaire du modle direct, appartient [ d d mme, on peut dire que si est suffisamment faible, 0 ( ) appartient d d ( 0 ( ) ; 0 ( + ) ). Cette approche est utile car elle permet de dtecter d d quels sont les paramtres exprimentaux critiques pour identifier un jeu de paramtres donn. Il est noter que cet estimateur ne dpend pas des mesures exprimentales et peut donc tre calcul avant deffectuer les essais exprimentaux. Par contre, le modle tant non linaire, le rsultat dpend a priori du jeu de paramtres la fin de lidentification. De plus, cette analyse est faite uniquement lordre 1 et ne permet pas de traiter le cas o d 0 ( ) d est nul (i.e. lorsque les termes dordre deux prdominent). Cette analyse, effectue a priori, devient alors plutt qualitative et pourra tre effectue pour divers jeux de paramtres et afin de dtecter les paramtres exprimentaux les plus critiques.
Exemple Nous avons considr le cas de compression dun cylindre (Figure 17).
vdie
Figure 17 : Gomtrie des prouvettes de compression
Le but de ce test est dintroduire lincertitude lie aux conditions de frottement. Dans ce cas, nous modlisons le frottement par une loi de Tresca :
20 mm
13 mm
m v 3 v
(89)
59
Chapitre 2 - Identification de paramtres par mthode de moindres carrs o v est la vitesse de glissement entre la pice et loutillage et est la cission de glissement (cf. 3.2.3.1). Dans ce cas, nous supposons que nous avons effectu une analyse inverse et que lon a obtenu le jeu de paramtres suivant pour la loi de Norton-Hoff : K = 0.5 MPa.s m m = 0.2 (90) = 3000K n = 0.1 Les simulations ont t effectues pour un coefficient de frottement de Tresca de 0.15. Or, en gnral, le frottement nest pas dtermin exactement. Si lon suppose que le coefficient de frottement est connu 0.05 prs, on peut se demander quelle est lincertitude engendre sur les paramtres identifis. Cet essai a t simul avec le logiciel lments finis FORGE3 (cf. Chapitre 3) et le calcul de la drive de leffort par rapport aux diffrents paramtres (K, m, n, , m ) est dcrit et valid dans le prochain chapitre. Pour cette rhologie, la relation (88) fournit une valeur de la drive de chaque paramtre par rapport au coefficient de frottement m : dK = 34 kPa.s m dm dn = 8,9.10 5 dm dm = 9,5.10 6 dm d = 8,2.10 2 K dm
(91)
A partir de ces valeurs, il est possible de donner des intervalles de confiance pour les paramtres rhologiques : K [498.3,501.7 ] kPa.s m n [0.1,0.1] m [0.2,0.2] [3000,3000] K (92)
En fait, faire varier m de 0.05 induit seulement une variation de lordre de 0.3% sur K, les autres paramtres tant encore moins sensibles au frottement. La comparaison entre la contrainte dcoulement et ses bornes suprieures et infrieures (Figure 18) montre que malgr lincertitude sur le frottement, la contrainte dcoulement est dtermine avec prcision.
60
Conclusion
12000
10000
contrainte (KPa)
8000 sigma borne suprieure borne infrieure
6000
4000
2000
0 0 0.2 0.4 0.6 0.8

dformation
1.2
1.4
1.6
Figure 18 : comparaison entre la contrainte dcoulement et ses bornes suprieure et infrieure
Dans ce cas, mme si lon ne connat pas avec une trs bonne prcision le coefficient de frottement, la contrainte dcoulement est identifie avec prcision ( lerreur de modlisation et de mesure prs). Ce rsultat est bien sr dpendant de la gomtrie de lprouvette.
Remarque : Les mesures exprimentales ninterviennent pas explicitement. Cette analyse de stabilit peut mme tre effectue a priori, avant deffectuer lanalyse inverse.
2.9 Conclusion
Nous avons vu au cours de ltude bibliographique que le problme didentification de paramtres pouvait tre exprim sous la forme dun problme doptimisation au sens des moindres carrs. La rsolution dun problme inverse ncessite donc lutilisation dune mthode doptimisation. La rsolution du problme direct pouvant tre relativement coteuse en temps de calcul, il est ncessaire dutiliser une mthode avec un taux de convergence relativement lev. Cest pour cette raison que lutilisation dune mthode direction de descente semble tre le choix le plus judicieux, au risque de natteindre quun minimum local. Ltude dun problme modle a rvl que les mthode de BFGS et de Gauss-Newton prsentent des instabilits lorsque lon essaye didentifier un nombre important de paramtres. Nous avons tudi dans ce chapitre divers remdes aux problmes dinstabilit rencontrs par les mthodes direction de descente cause deffets de corrlation entre les paramtres identifier. La mthode de Gauss-Newton stabilise nous a paru suffisamment robuste et simple dutilisation pour les cas qui nous intressent. Sans lutilisation dune telle technique de stabilisation, il ne peut tre envisageable didentifier un nombre de paramtres relativement important (de lordre de la dizaine). Tous les cas que nous avons traits jusqu prsent sont des cas relativement simples, pour lesquels lutilisation dune mthode lments finis nest pas ncessaire pour la rsolution du problme direct. Lanalyse de sensibilit nest notamment pas un
61
Chapitre 2 - Identification de paramtres par mthode de moindres carrs problme dans ce contexte. Dans le chapitre suivant, nous dcrivons comment connecter une mthode danalyse de sensibilit un modle direct relativement complexe afin de pouvoir utiliser la mthode de Gauss-Newton stabilise pour analyser des essais mcaniques induisant des coulements complexes.
2.10 Bibliographie
O. Alifanov, E. Artyukhin, S. Rumyantsev, Extreme methods for solving ill-posed problems with applications to inverse heat conduction problems, Begell House, New York, 1995. Barrault M., Le Bris C., Optimisation numrique et diffrentiation automatique pour un problme industriel. Octobre 1999, Champs sur Marne, http://binky.enpc.fr/reports/. J. V. Beck, K. Arnold, Parameter estimation in engineering and science, Wiley, New York, 1977. J. V. Beck, K. A. Woodbury, Inverse problems and parameter estimation : integration of measurements and analysis, Measurement Science and Technology , 9 (1998) 839-847. K. J. Dowding, B. F. Blackwell, Joint experiment/computational techniques to measure thermal properties of solids, Measurement Science and Technology , 9 (1998) 877-887. G. Cowan, Statistical data analysis, Oxford : Clarenson press, 1998. A. F. Emery, A. V. Nenarokomov, Optimal experiment design, Measurement Science and Technology , 9 (1998) 864-876. R. Forestier, Y. Chastel, E. Massoni, 3D inverse analysis model using semi-analytical differentiation for mechanical parameter estimation, paratre dans Inverse problems in Engineering (2002). R. Fletcher, C. Reeves, Computer Journal, 7 (1964) 81-84. R. Fletcher, Practical optimisation methods, Second edition, John Wiley & Sons, Chichester, 1996. P. S. Frederiksen, Parameter uncertainty and design of optimal experiments for the estimation of elastic constants, International journal of solids structures, 35, no 12 (1998) 1241-1260. A. Gavrus, Identification automatique des paramtres rhologiques par analyse inverse, Thse de doctorat de lEcole de Mines de Paris, 1996, Cemef. O. Ghouati , J. C. Gelin, Gradient based methods, genetic algorithms and the finite element method for the identification of material parameters. p157-162, Simulation of Materials Processing : Theory, Methods and Applications, Hutink & Baaijens (eds), 1998.
62
Bibliographie O. Ghouati , D. Joannic, J. C. Gelin, Optimisation of process parameters for the control of springback in deep drawing. P819-824, Simulation of Materials Processing : Theory, Methods and Applications, Hutink & Baaijens (eds), 1998. J. C. Gilbert, Optimisation diffrentiable : Thorie et Algorithmes. INRIA, Roquencourt (1999). J. Hadamard, Lectures on Cauchy's Problem in Linear Partial Differential Equations, New Haven, CT: Yale University Press, 1923 J. H. Holland, Adaptation in natural and artificial system, Ann Harbor, The University of Michigan Press, 1975. F. Montheillet, Mtallurgie en Mise en forme, Techniques de lingnieur, M 600, 1996. J. J. Mor, D. J. Thuente, Line search algorithms with guaranteed sufficient decrease, ACM Transactions on mathematical software, 20, no 3 (1994) 286-307. J. A. Nelder, R. Mead, A simplex method for function minimization, The computer journal (1965) O. H Nouatin, Mthode et analyse de simulation numrique dcoulements 3D des polymres fondus- Identification de paramtres rhologiques viscolastiques par analyse inverse. Thse de doctorat de lEcole de Mines de Paris, 2000, Cemef. O. Allix, P. Feissel, P. Thvenet, A delay damage mesomodel of laminates under dynamic loading : basic aspects and identification issues, Computers and Structures, 81 (2003) 1177-1191. J. S. Pang, F. Tin-Loi, A penalty interior point algorithm for a parameter identification problem in elastoplasticity, Mechanics Structure and Machines, 29 (2001) 85-99. E. Polak, G. Ribire, Note sur la converge de mthode de directions conjugues, Revue franaise dinformatique et de recherche oprationnelle, 3 (1969) 35-43. D. S. Schnur, N. Zabaras, An inverse method for determining elastic material properties and a material interface, International Jounal for Numerical Methods in Engineering, 33 (1992) 2039-2057. A. Tarantola, B. Valette, Generalized nonlinear inverse problems solved using the least square criterion, Reviews of geophysics and space physiscs, 20, no 2 (1982) 219-232 A. Tarantola, Inverse Problem theory, Elsevier, Amsterdam, 1987. A. Tikhonov, V. Arsenin, Solutions of ill-posed problems, Winston, Washington DC, 1977.
63
64
Chapitre 3 Dveloppement dune mthode inverse autour du logiciel FORGE3

3.1 Introduction
Le dveloppement dune mthode inverse applique la caractrisation de mtaux est prsente dans ce chapitre. Gnralement, les paramtres rhologiques ou tribologiques associs un matriau sont dtermins partir de mesures issues dessais mcaniques. Les paramtres identifier sont alors relis aux mesures exprimentales par le biais dun systme dquations diffrentielles aux limites (appel modle direct). Si lcoulement de matire pendant lessai est relativement homogne, il est possible dutiliser un modle analytique comme modle direct. Cest par exemple le cas dun essai de compression pour lequel le frottement avec loutillage est ngligeable. Dans le cas o lcoulement est plus complexe, il peut tre intressant dutiliser un logiciel de simulation numrique comme modle direct. Cest dans cette optique que nous avons dvelopp une mthode inverse base sur le logiciel FORGE3. La premire partie de ce chapitre sera donc ddie la description de ce logiciel. Le problme inverse associ lidentification de paramtres mcaniques est exprim sous la forme dun problme de moindres carrs et est rsolu laide dun algorithme de Gauss-Newton. Cette mthode ncessite le dveloppement dun module danalyse de sensibilit. Ainsi, une tude bibliographique des diffrentes mthodes danalyse de sensibilit existantes est prsente. Lapplication de ces mthodes la drivation des quations de FORGE3 est prsente en dernire partie.
3.2 Prsentation du modle direct FORGE3

3.2.1 Modlisation du problme thermo-mcanique
3.2.1.1 Equations de conservation
Lchelle laquelle nous tudions la dformation mcanique est telle que le milieu peut tre considr comme continu. Nous nous plaons donc dans le cadre de la mcanique des milieux continus pour suivre lvolution dun domaine born (t ) . Les quations de base de la mcanique sont dduites des bilans de conservation de la matire [eq. (93)] de la quantit de mouvement [eq. (94)] et de lnergie [eq. (95)] (Rappaz et al. (1998)).
+ div( v ) = 0 t dans (t ) dans (t )
(93) (94)
( v ) + div( v v ) = div( ) + Fv t
65
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3

( H ) + div( vH ) = : + Q T div( jT ) t v + v T = 2 dans (t )
(95) (96)
o est la masse volumique, v est la vitesse dcoulement, le tenseur des contraintes de Cauchy, Fv un champ de forces volumiques (gravit, champ magntiques, etc.), H lenthalpie massique, le taux de dformation, Q T un terme source de chaleur (due aux ractions chimiques par exemple) et jT le flux de chaleur. Les quations de conservation peuvent tre simplifies en utilisant un certain nombre dhypothses :
q q
Les efforts volumiques, les effets dinertie et le terme Q T sont ngligs. Le matriau est suppos subir une dformation lasto-viscoplastique. Une dcomposition additive du tenseur des vitesses de dformation est adopte :
= e + vp
(97)
o e est le taux de dformation lastique et vp est le taux de dformation viscoplastique.

q
La dformation plastique tant suppose incompressible, on a : trace( vp ) = 0 (98)
Les quations de conservation scrivent alors : div(v ) = trace( e ) div( ) = 0 dans (t ) dans (t )
dans (t )
(99) (100) (101)
d (H ) + div( jT ) = : dt
3.2.2 Equations de comportement

Le systme dquations de conservation est obtenu partir de considrations relativement gnrales et est valable pour un large ventail de matriaux. Du point de vu mathmatique, ce systme dquations nest pas ferm. Il est donc ncessaire dajouter aux quations de conservation des quations de comportement. Pour ce faire, la contrainte est relie la dformation et au taux de dformation par le biais dune loi de comportement mcanique. Ensuite, deux relations entre lenthalpie massique, le flux de chaleur et la temprature sont donnes pour fermer lquation de conservation de lnergie.
66
Prsentation du modle direct FORGE3
3.2.2.1 Loi de comportement mcanique

3.2.2.1.1Critre de plasticit isotrope de von Mises
Dans le cadre de cette tude, nous ne considrons que le cas de llasticit linaire pour laquelle lvolution de la dformation lastique est frquemment donne sous la forme tensorielle suivante:
e = L1 d e = e dt
(102)
o L est un tenseur inversible dordre 4, compos des coefficients dlasticit. Llasticit tant suppose isotrope, lvolution de la dformation lastique est donne par la loi de Hooke :
e =
1+ tr ( ) Id E E
(103)
o E est le module de Young et le coefficient de Poisson. Une loi dcrouissage est introduite dans un critre de plasticit de von Mises pour le cas dun matriau isotrope : avec f ( , , , T) = 0 ( , , T ) 3 2 2 = s : s 2 = vp : vp 2 3 1 d = p = trace( ) s = + pI 3 dt o 0 est la contrainte dcoulement, f ( , , , T) 0 (104)
(105)
la contrainte quivalente, s la partie
dviatorique du tenseur des contraintes de Cauchy, p la pression hydrostatique, le taux de dformation gnralis et la dformation gnralise. La relation (104) dcrit un convexe de plasticit elliptique dans lespace des contraintes principales (Figure 19). Si ltat de contrainte se situe lintrieur du convexe de plasticit, la dformation est lastique alors quun tat de contrainte engendrant une dformation plastique se trouve ncessairement sur le bord du convexe de plasticit.
67
15
10
5 sigma2 (MPa)
0 -15 -10 -5 0 5 10 15
-5
-10
VON MISES
-15 sigma1 (MPa)
Figure 19 : convexe de plasticit gnr par un critre de von Mises
Ce type de loi de comportement est non-linaire cause de la relation (104). Lcrouissage est modlis par la relation entre la contrainte dcoulement et la dformation gnralise, et le caractre visqueux du matriau est modlis grce la dpendance de la contrainte dcoulement par rapport au taux de dformation gnralis. Suivant le type de matriau modlis, la contrainte dcoulement peut prendre des formes relativement diffrentes. En utilisant des conditions de type Karush-Kuhn-Tucker, il est possible de donner une expression du taux de dformation plastique (Aliaga (2000)) :
vp = vp
avec
f ( , , , T ) vp vp 0 et .f ( , , , T) = 0
(106)
On peut montrer que vp = . Dans le cas purement viscoplastique, on pose 2 e = 0, e = 0 do 2 = : et = 0 . Or, 3 f ( , , , T) 3 3 = = s= s 2 2 0 do la relation explicite suivante pour le cas viscoplastique :
s= 2 0 3
(107)
(108)
68
3.2.2.1.2Critre de plasticit anisotrope de Hill (1948)

Le modle quadratique de plasticit de Hill (1948) peut tre considr comme une gnralisation du modle de plasticit isotrope de von Mises. Il sert modliser le comportement anisotrope que certains mtaux acquirent aprs une opration de laminage par exemple. Nous considrons toujours que llasticit du matriau est isotrope. Par contre, lanisotropie plastique est modlise grce au critre de plasticit suivant : f H ( , , , T) 0 avec f H ( , , , T) = H 0 ( , , T )
2 2
(109) (110)
H2 =
2 2 2 FH ( 22 33 ) + G H ( 33 11 ) + H H ( 11 22 ) + 2L H 23 + 2M H 13 + 2 N H 12 2
o H est la contrainte quivalente exprime dans une mtrique qui prend en compte le caractre anisotrope du matriau. Lexpression (110) est valable dans un repre attach la matire. Il est donc ncessaire de prendre en compte la rotation de la matire lors de la dformation (Knockaert (2001)). Soient X0 et Xt respectivement la position initiale et celle linstant t dun point matriel. Le tenseur gradient de dformation FT est donn par :
FT = X t X 0
(111)
Soit R la matrice de rotation de la matire (R est une matrice orthogonale). FT peut tre dcompos de faon unique comme suit : FT = RU (112)
avec U une matrice dfinie positive. Le tenseur des contraintes dans le rfrentiel li la matire mat sexprime alors de la manire suivante :
mat = R R T
et H scrit
mat mat mat mat mat mat ) + G H ( 33 ) + H H ( 11 ) H 2 = FH ( 22 33 11 22 2 2 mat mat mat +2L H 23 + 2M H 13 + 2 N H 12 2 2 2 2
(113)
(114)
Comme dans le cas isotrope, la loi de normalit sapplique :
vp = vp
avec
f H ( , , , T) vp vp 0 et f H ( , , , T) = 0
(115)
69
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 Le critre de Hill, linstar du critre de von Mises, est un critre quadratique. Le convexe de plasticit gnr est donc aussi un critre elliptique. Par contre, le critre de Hill affecte les axes principaux ainsi que le rapport grand axe/petit axe du convexe de plasticit (Figure 20).
15
10
5 sigma2 (MPa)
0 -15 -10 -5 0 5 10 15
-5
HILL -10 VON MISES
-15 sigma1 (MPa)
Figure 20 : comparaison de deux convexes de plasticit, respectivement gnrs partir du critre de von Mises et du critre de Hill (1948)
3.2.2.2 Loi de comportement thermique

En considrant que la chaleur massique pression constante cp ne dpend pas de la temprature, on relie lenthalpie massique la temprature (Rappaz et al. (1998)) :
H = cpT dans (t )
(116)
De plus, le flux de chaleur par diffusion jT est modlis par une loi de Fourier : jT = kT dans (t ) (117)
o k est la conductivit thermique. De ces relations, on dduit lquation de la chaleur :
c p
dT .(kT ) = : dt
dans (t )
(118)
70
3.2.3 Conditions aux limites et conditions initiales Dans les cas que nous traitons, le domaine (t ) dlimitant le matriau sera toujours
born. Il est ncessaire de dcrire des conditions aux bords pour complter les bilans de conservation.
3.2.3.1 Conditions aux limites du problme mcanique

Pour le problme mcanique, nous aurons principalement trois types de conditions aux limites : la condition de bord libre, la condition de pression impose et la condition de contact unilatral.
q
Condition de bord libre :
n = 0 sur l (t )
q
(119)
Condition de pression impose :
n = Pimp n
q
sur p (t )
(120)
Condition de contact unilatral (ou condition de Signorini) et loi de frottement :

n 0 n (v vout ).n = 0
(v vout ).n 0
sur c (t ) (contact unilatral)
(121)
t = (v t )
avec
sur c (t ) (loi de frottement)
(122)
n = n.n t = n.t v t = (v v out ) (v v out ).n n

Exemples de lois de frottement : Loi de Tresca : = m v t 3 v t
p 1
(123)
(124)
Loi de Norton : = K v t
v t
(125)
Pour que le problme mcanique soit bien pos, nous avons, quelque soit t positif :
71
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 l (t ) p (t ) = et p (t ) c (t ) = c (t ) l (t ) =
l (t ) p (t ) c (t ) = (t )
(126)
3.2.3.2 Conditions aux limites et condition initiale du problme thermique

Pour le problme thermique, nous aurons traiter deux types de conditions aux limites : la condition de convection radiation et la condition de contact.
Condition de type convection - radiation (Aliaga (2000)): kT.n = h (T Text ) sur cr (t ) (127)
avec
h = h conv + h rad 2 2 h rad = r r (T + Text ) T + Text
(128)
hconv et hrad sont respectivement les coefficients de transfert thermique par convection et par radiation, r la constante de Stefan (r=5,66961.10-8 W.M-2.K-4) et r lmissivit du corps.
q
Condition de contact avec un outil : kT.n = h out (T Tsurf ) sur c (t ) (129)
avec Tsurf = e mat T + e out Tout e mat + e out (130)
e mat = kc p e out = k out out c out p
Tsurf est la temprature dinterface entre loutil et la pice, hout est le coefficient de transfert thermique, eout leffusivit de loutil est emat leffusivit de la pice. kout, out et c out sont respectivement la conductivit, la densit et la capacit calorifique de loutil. p Pour que le problme thermique soit bien pos, nous avons, quelque soit t positif : cr (t ) c (t ) = et cr (t ) c (t ) = (t ) Il est de plus ncessaire de donner une condition initiale en temprature : T(t = 0, x ) = Tini (x ) x (0 ) (132) (131)
72
3.2.4 Discrtisation temporelle et algorithme de splitting

Soit x(t) la position dun point matriel linstant t. La fonction x(t) satisfait la relation suivante :
x (t ) = x (t 0 ) + v(t )dt
t t0
(133)
Afin de rsoudre de faon approche le problme thermo-mcanique, une discrtisation de lquation (133) par un schma dEuler explicite est effectue. Pour se faire, nous introduisons lapplication t , t , qui sert ractualiser le domaine dun incrment t un incrment t+t : t ,t : t IR 3 x x + t v t + t Le domaine t + t est dfini grce lapplication t , t : (134)
t + t
t ,t
( )
t
(135)
Il est noter que les points du domaine t suivent les trajectoires des points matriels ( lerreur de discrtisation prs). Un schma de Lagrange ractualis est utilis dans FORGE3. Cela signifie que le domaine t est utilis comme domaine de rfrence afin de dfinir le jeu de variables v t + t , p t + t , t + t satisfaisant lquilibre thermomcanique. Le problme thermomcanique, aprs discrtisation selon un schma lagrangien ractualis scrit :
(v , p ,
t t
,t
connu
div t + t = 0 dans t t + t div v t + t = p dans t t + t , t + t , T t + t 0 H 0 e t + t = L1 t + t t + t c p dT . kT t + t = t + t : t + t dt Conditions aux limites t + t = t , t t
(136) dans t
( )
E o est le module de compressibilit lastique = 3(1 2 ) .
73
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 Les problmes mcanique et thermique du systme (136) sont fortement coupls cause de la thermo-dpendance de la loi de comportement et du terme source de lquation de la chaleur. Afin de dcoupler ces deux problmes, un algorithme de splitting est utilis :
(v , p ,
t t
,t
connu
div t + t = 0 dans t t + t div v t + t = p dans t t + t , t + , T t 0 H 0 e t + = L1 t + t Conditions aux limites
(137)
dT t + t . kT t + t = t + t : t + t c p dt Conditions aux limites
dans t
t + t = t , t t
( )
Dans ce schma, le dcouplage est obtenu en faisant dpendre la loi de comportement de la temprature calcule linstant prcdant. Cette mthode permet la rsolution spare des problmes mcanique et thermique. Il existe un certain nombre de variables dhistoire qui doivent tre incrmentes au cours du temps (cest typiquement le cas des coordonnes du maillage, de la dformation, du dviateur des contraintes, de la pression, de la temprature ou du champ de dplacement). Par exemple, U n +1 = U n + t V n +1 (138)
o Un est le vecteur contenant les coordonnes du champde dplacement linstant tn. Nous noterons dans la suite hn le vecteur contenant toutes les variables dhistoire linstant tn. Tout comme le maillage, les variables dhistoire sont actualises en utilisant un schma dEuler explicite :
h t + t = h t + t h (v t + t , p t + t , T t + t )
(139)
Ainsi, le problme thermomcanique aprs discrtisation temporelle scrit :
74

tant que t t fin div t + t = 0 dans t t + t div v t + t = p dans t t + t , t + t , T t 0 H 0 e t+ = L1 t + Conditions aux limites
dT t + t . kT t + t = t + t : t + t c p dt Conditions aux limites
dans t
(140)
t + t = t , t t t + t = h t + t h v t + t , p t + t , T t + t h t = t + t mise jour de t fin tant que
( ) (
3.2.5 Discrtisation et rsolution du problme mcanique

3.2.5.1 Schma incrmental et formulation faible
Un schma de type Lagrangien ractualis tant utilis pour la discrtisation temporelle, on cherche dterminer v t + t , p t + t , t + t , t + t connaissant v t , p t , t , t . t + t est dtermin par un schma incrmental partir du calcul de t + (Aliaga (2000)) :
t + t = L e = L L vp
En utilisant la loi de normalit [eq. (106)], on obtient :
(141)
t + t = L vp L
(142)
o vp est choisi tel que la fonction g dfinie ci-dessous soit ngative ou nulle :
vp t t vp t vp vp g = f + , + t , 0 vp vp g = 0
( ) ( ( )
( )
(143)
avec
75
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 f t vp = t L vp L t + t = t + t vp
( )
( )
(144)
On dfinit le prdicteur lastique pred de la manire suivante :
pred = t + tL
(145)
Si f pred , t ,0 0 , alors la dformation est purement lastique ( t + t = pred ). Dans le cas contraire, on utilise un algorithme de Newton-Raphson pour calculer un vp tel que g vp = 0 (Knockaert (2001)). On peut dmontrer que, dans ce cas, t + t est la projection orthogonale de pred sur le convexe de plasticit (Figure 21).
( )
t + t = Pr oj( pred )
={ / f ( , , ) 0}
(146)
pred
t + t
Convexe de plasticit
Figure 21 : projection orthogonale du prdicteur lastique sur le convexe de plasticit (retour radial) Remarques :
-Ce schma est aussi bien valable pour le critre de Von Mises [eq. (104)] que pour le critre de Hill [eq. (109)]. - Cet algorithme tant implicite, la mthode est inconditionnellement stable. Ainsi, le problme mcanique fort continu scrit :
div t + t = 0 t + t div v t + t = p + t t = Pr oj pred + conditions aux limites
(147)
76
On donne une forme faible du problme (147) afin de pouvoir utiliser une mthode dlments finis. Celle-ci sexprime de la manire suivante, aprs avoir discrtis le terme p t + t par un schma dEuler explicite:
Trouver (v, p, n ) V P n tels que s t + t : v d p t + t div v d t t t + t t + t n v .nd t v .td = 0 v V t t c c (t ) (t ) t + t t + t v out .n n n 0 n n d v ct (t ) t + t pt p div v t + t d = p 1 p d p P t t t t + t = Pr oj pred , s t + t = t + t p t + t I, p t + t = 1 trace t + t 3
( )
( )
)(
(148)
V = {v / j v i H} n = { n / n 0 sur c (t )} P = H
o H est un espace fonctionnel Hilbertien dpendant de la loi de comportement utilise et H son dual. Dans cette formulation faible, la contrainte normale est considre comme une variable de Lagrange par rapport la contrainte de contact unilatral.
3.2.5.2 Gestion incrmentale du contact unilatral

La contrainte associe la gestion du contact unilatral est gre par une mthode de pnalisation. Cette mthode revient imposer sur la zone de contact une contrainte normale de la forme :
t t + t d pen v out .n n = v t
sur c (t )
(149)
avec
[x ]+ =
x si x > 0 0 si x 0
(150)
t est le coefficient de pnalisation et d pen est la distance de pntration de la pice t lintrieur de loutil linstant t. On prend comme convention que d pen est ngative lorsque la pice pntre dans loutil et positive dans le cas contraire (Figure 22).
77
pice
pice outil
d >0
t t d pen >0
outil d tpen < 0
Figure 22 : convention de signe pour la distance de pntration
Avec ces considrations, le problme faible (148) devient :

s t + t : v d p t + t div v d (t ) (t ) + t t + t d pen t + t + v v out .n v .nd t v .td = 0 v V t C ( t ) C ( t ) (151) t + t pt p div v t + t d = p 1 p d p P t (t ) ( t ) t + t = Pr oj pred , s t + t = t + t p t + t I, p t + t = 1 trace t + t 3
( )
( )
Le problme (151) na que deux inconnues (vt+t et pt+t) et les espaces dadmissibilit sont des espaces de Hilbert alors que le problme (148) est un problme trois champs et que lespaces dadmissibilit n est seulement convexe. Le problme (151) pourra donc tre rsolu plus facilement que le problme (148) par une mthode dlments finis.
3.2.5.3 Rsolution
Le mini lment P1+/P1 est utilis pour la rsolution du problme (151). Il sagit dun lment fini mixte ttradrique (triangulaire en 2D) pour lequel la vitesse et la pression sont interpoles par des fonctions linaires par morceaux (Figure 23). Cet lment a lavantage de vrifier les conditions de Brezzi-Babuska pour un problme de Stokes grce lajout dun degr de libert supplmentaire en vitesse sur chaque lment (Fortin et al. (1984)). Dans ce cas, la pression peut tre considre comme une variable de Lagrange associe la contrainte dincompressibilit et la condition de BrezziBabuska assure que lon rsout bien un problme de point selle (sans saut de dualit)
78
Prsentation du modle direct FORGE3 (Brezzi et Fortin (1991)). Dans le cas prsent, le problme ne peut pas tre vu comme un problme de point selle cause de la compressibilit lastique. Le mini lment P1+/P1 est tout de mme utilis afin de stabiliser la mthode. En effet, concrtement, le matriau est faiblement compressible et des cas purement viscoplastiques seront traits dans la suite. Soit h une triangulation rgulire de t . Chaque lment est dcompos en quatre sous-lments ttradriques en 3D (en trois en 2D) ayant pour sommets le centre de gravit de llment et trois nuds (2 nuds en 2D) (Figure 23).
2D
Interpolation en vitesse
Interpolation en pression
3D
Interpolation en vitesse
Interpolation en pression
Figure 23 : mini lment P1+/P1 en 2D et en 3D
Lensemble des sous lments de llment E sera not S(E). Lespace dapproximation de la vitesse est enrichi par lespace des fonctions bulles, qui sont linaires sur chaque sous lment et nulles sur le bord de chaque lment. On note Vh lespace dapproximation de la vitesse, B h lensemble des fonctions bulle et Ph lespace dapproximation de la pression. Ph = C 0 / E P 1 (E ) E h Bh
0
{ = { C
3
/ E P 1 (S(E )) E h , E (x ) = 0 x E E h
3
(152)
Vh = Ph B h
Le temps est discrtis en NbIncr intervalles : [0, t fin ] =
i = NbIncr 1 i =0
[t i , t i+1 ] ,
avec t0=0 et
tNbIncr=tfin. En dfinitive, la vitesse et la pression discrtes sont approximes de la faon suivante en 3D :
79
(v h (t n ))k
NbNoe i =1
V3ni+k N i +
NbElt i =1
n 3i + k
b i k = 1,2,3
T
v h (t n ) = [(v h (t n ))1 , (v h (t n ))2 , (v h (t n ))3 ]

p h (t n ) =
NbNoe i =1
(153)
n i
Ni
(154)
o NbNoe est le nombre de nuds, NbElt est le nombre dlments {Ni, i=1,..,NbNoe} sont les fonctions de base associes lespace Ph et {bi, i=1,..,NbElt} sont les fonctions de base associes lespace Bh. Afin dviter que le contact soit surcontraint, il est ncessaire de modifier la mesure d par une mesure discrte dc pour les termes de contact :
dc =
NbNoe i =1
S
i
sur c (t )
(155)
o i est la mesure de Dirac au i-ime nud et Si est la surface des lments contenant le i-ime nud. On parle alors de contact nodal. Lutilisation dune formulation intgre pour les termes de frottement ne pose pas de problme (Mocellin (1999)). La forme faible des quations de conservation de la masse et de la quantit de mouvement devient alors dans le cas discret :
t n +1 t n +1 Vh Ph trouver v h , ph
+ tn t d pen s t n +1 v t n +1 : v d p t n +1 div v d + v hn +1 v out .n v h .ndc h h h h t (t n ) C ( t n ) ( t n ) t 3 T n +1 v h .td = 0 v h Ph C ( t n ) (156) 3 t t t b s n +1 v hn +1 : b h d p hn +1 div b h d = 0 h Bh (t n ) ( t n ) t n +1 tn ph t n +1 1 ph p div v h = d p Ph d p ( t t ) (t n ) n 1 t n +1 = Pr oj pred , t n +1 t n +1 t n +1 t n +1 s = p I , p = trace t n +1 h 3
( (
) ( ) ) ( ) )
( )
( )
En remplaant successivement les fonctions test par les fonctions de base des espaces dapproximation, on obtient un systme non-linaire discret not de la manire suivante linstant tn :
80

R v (V n +1 , B n +1 , P n +1 ) = 0 b n +1 n +1 n +1 R ( V , B , P ) = 0 p n +1 n +1 n +1 R ( V , B , P ) = 0
+1 +1 n +1 et V n +1 = (V1n +1 ,..., V3nNbNoe ), B n +1 = (B1n +1 ,..., B3nNbElt ) , P n +1 = (P1n +1 ,..., PNbNoe ).
(157)
Il est possible de dmontrer que le terme Rv ne dpend pas de Bn+1 (Aliaga (2000)). Le systme (157) scrit donc :
R v (V n +1 , P n +1 ) = 0 b n +1 n +1 n +1 R ( V , B , P ) = 0 p n +1 n +1 n +1 R ( V , B , P ) = 0
(158)
Ce problme est rendu non linaire cause des termes de contact, de frottement et de comportement et est rsolu par lalgorithme de Newton-Raphson. A chaque itration de Newton-Raphson, un systme linaire de la forme suivante doit tre rsolu :
K vv 0 K vp T 0 K bb T K bp R v (V n +1 , P n +1 ) K vp V n +1 K bp B n +1 = R b (V n +1 , B n +1 , P n +1 ) n +1 R p (V n +1 , B n +1 , P n +1 ) K pp P
(159)
Grce une technique de condensation de la bulle, le degr de libert supplmentaire li la bulle est supprim des quations :
A DT D E R v (V n +1 , P n +1 ) V n +1 n +1 = bp n +1 n +1 n +1 R (V , B , P ) P
A = K vv D = K bp E=K
bp T
(160)
K
bb 1
K bp K pp
T 1
R bp = R p K bp K bb R b
Cette formulation a donc lavantage de pouvoir prendre en compte la condition dincompressibilit sans agrandir la taille des systmes linaires rsoudre. En dfinitive, lalgorithme de Newton-Raphson scrit [eq. (161)]:
81

k =1
tant que R Vkn +1 , Pkn +1 critre d ' arrt R Vkn +1 , Pkn +1 Vkn +1 n +1 = R Vkn +1 , Pkn +1 n +1 n +1 Vk , Pk Pk Vkn++11 Vkn +1 Vkn +1 n +1 + = n +1 n +1 P P P k k +1 k k = k + 1
(161)
avec
R v Vkn +1 , Pkn +1 n +1 n +1 bp n +1 n +1 R V , P = k k R V ,P k k n +1 n +1 D A R Vk , Pk DT C V n +1 , P n +1 = k k
( (
) )
(162)
o est un paramtre dtermin par une procdure de recherche linaire.
3.2.6 Discrtisation et rsolution du problme thermique

3.2.6.1 Formulation faible et discrtisation spatiale
La forme faible du problme thermique ([eq. (118)]+conditions limites) scrit :
Trouver T dT T d + kT.T d + h out (T TS ).T d + h (T Text ).T d c p dt (t ) (t ) c ( t ) cr ( t ) = = {T / T = Timp : T d ( ) sur }
t D
T 0
(163)
0 = {T / T = 0 sur D }
A partir de cette formulation faible, une mthode dlments finis P1 est construite. Les lments sont les mmes que ceux utiliss pour le problme mcanique (ttradriques) et lon utilise les fonctions de base {Ni, i=1, NbNoe} dj introduites pour la rsolution du problme mcanique :
Th (t n ) =
NbNoe i =1
n i
Ni
(164)
Linconnue du problme devient alors le vecteur Tn :

n ) T n = (T1n ,..., TNbNoe
(165)
82
Prsentation du modle direct FORGE3 En remplaant les fonctions test par les fonctions de base {Ni, i=1, NbNoe}, on obtient un systme discret not comme suit : C th dT n + K th T n = Q dt (166)
Comme les paramtres thermiques sont supposs dpendre de la temprature, la matrice Cth de capacit, la matrice Kth de conductivit et le terme source (vecteur chargement) Q dpendent de Tn et le problme rsoudre est non-linaire.
3.2.6.2 Discrtisation temporelle

Plutt que de rsoudre le problme faible linstant tn, la discrtisation est effectue un instant t appartenant lensemble [tn ,tn+1] dans le but de rendre le schma plus plus consistant (Soyris (1990)) :
t = 1 t n 1 + 2 t n + 3 t n +1 et T = 1T n 1 + 2 T n + 3 T n +1
(167)
Les mmes pas de discrtisation temporelle sont utiliss pour le problme mcanique et pour le problme thermique afin de nutiliser quun seul maillage. Comme nous utilisons une formulation lagrangienne, nous avons : dT T = dt t La drive partielle est discrtise par un schma deux pas : T Tn 1 T Tn T T (1 2 ) n + 2 n +1 = t t n t n 1 t n +1 t n def t Un schma deux pas de Dupont est utilis ( 1 = (169) (168)
1 3 , 2 = 0 , 3 = et 2 = 1 ) 4 4 3 3 initialis par un schma de Crank-Nicholson ( 1 = 0 , 2 = , 3 = 1 et 2 = ) 2 2 (Soyris (1990)). Nous noterons dans la suite loprateur discret de drivation . Le systme discrtis t scrit alors :
T + K* th T = Q t
(170)
* o les matrices C* th , K th et le vecteur Q sont obtenus respectivement partir dune approximation lordre deux des matrice Cth, Kth et du vecteur Q. Il sagit dune linarisation qui permet dviter dutiliser des itrations de Newton-Raphson pour rsoudre le problme thermique (Menai (1995)).
83
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 Finalement, nous noterons le problme thermique : M n T n +1 = Q' (V n +1 , T n , T n 1 ) o Mn est une matrice de IRNbNoexIRNbNoe et Q un vecteur de IRNbNoe.
Remarque Aliaga (2000) a not lapparition dinstabilits numriques dans le calcul de la temprature lorsque le pas de temps est infrieur un pas de temps critique tc :
(171)
t c =
hc p k
(172)
Le calcul thermique doit donc tre effectu avec un pas de temps t au moins suprieur tc. Ce pas de temps pouvant tre suprieur au pas de temps utilis pour la rsolution mcanique, la temprature correspondant au pas de temps mcanique est obtenue par rgression linaire. Le schma thermique ainsi dvelopp est qualifi dasynchrone.
3.2.7 Rsolution de systmes linaires et paralllisation du modle direct

Il existe deux classes de mthodes pour rsoudre les systmes linaires : les mthodes directes et les mthodes itratives. Pour la simulation 3D de procds de mise en forme, il a t choisi dutiliser un solveur itratif pour plusieurs raisons (Traor (2001)):
q
Il est ais de parallliser les mthodes lments finis en utilisant une stratgie de partitionnement de maillage Le taux de convergence des mthodes itratives est gnralement meilleur que celui des mthodes directes pour les grands systmes linaires Les mthodes itratives permettent dutiliser un stockage Morse (stockage creux) pour les matrices contrairement aux mthodes directes, qui ncessitent le stockage du profil des matrices (stockage ligne de ciel).
Une mthode de rsidu minimal prconditionne par une factorisation incomplte de Crout est utilise dans FORGE3. Elle prsente la particularit de ne faire intervenir que des produits matrice-vecteur et des produits scalaires entre vecteurs. Cest cette proprit qui permet de parallliser la mthode du rsidu minimal par une stratgie de partitionnement de maillage (il sagit dune approche S.P.M.D.). Le principe de cette mthode est daffecter chaque processeur une partie des nuds du maillage (Figure 24). Le produit matrice-vecteur global est alors obtenu par une moyenne pondre des produits matrice vecteurs locaux et les produits scalaires globaux sont obtenus par sommation des produits scalaires locaux (Marie (1997)).
84
Figure 24 : partitionnement dun maillage en deux sous-maillages
3.2.8 Remaillage et transport

FORGE3 a pour but de simuler des procds de mise en forme mettant en jeu de grandes dformations. Les procds de mise en forme ont gnralement pour objectif de produire des pices complexes partir de lopins qui ont une forme gomtrique simple. La formulation retenue tant de type lagrangien ractualis, les nuds du maillage suivent les trajectoires des points matriels. Le maillage initial a donc toutes les chances de dgnrer. Or, les rsultats destimation derreur a priori en lments finis montrent que les lments du maillage doivent tre de forme aussi proche que possible de celle dlments quilatraux. Dans le cas contraire, la prcision des mthodes lments finis dgnre avec le maillage. Pour prserver une bonne qualit de maillage durant la simulation, un algorithme de remaillage a t dvelopp afin de remplacer un maillage dgnr au cours du calcul par un maillage de meilleure qualit (Coupez (1991)). Mais lutilisation dune procdure de remaillage ncessite le dveloppement dune mthode de transport des variables dhistoire depuis lancien jusquau nouveau maillage. Il existe deux types de variables dhistoires : les variables nodales (P1 par morceaux) et les variables P0 par lment.
3.2.8.1 Transport P1
Le transport des variables nodales seffectue en deux tapes :
q
Recherche de llment dappartenance de chaque nud du nouveau maillage dans lancien maillage Interpolation des valeurs nodales depuis les sommets de llment dappartenance de lancien maillage jusquau nud du nouveau maillage. Elle est effectue en utilisant les fonctions de forme de lancien maillage (Figure 25).
85
Elment du nouveau maillage
Elment de lancien maillage
Figure 25 : transport des variable dhistoire P1
3.2.8.2 Transport P0
Linterpolation des variables P0 par lment est un peu plus dlicate et est effectue en deux tapes.
q
En un premier temps, on utilise une mthode de moindres carrs afin daffecter des valeurs aux nuds de lancien maillage partir des valeurs dfinies par lment (Figure 26). trouver u 1 ,..., u NbNoe
opt
opt
) tel que
i = NbNoe i =1 i i
(u
uj
opt 1
,..., u NbNoe
opt
) = arg Min u N
ui
j= NbElt j=1
2 j
u j1
(173)
: valeur sur llment j : valeur extrapole au nud i : fonction de forme sur le nud i : fonction indicatrice sur llment j.
ui Ni 1j
86
Figure 26 : extrapolation par moindres carrs des valeurs P0 aux nuds
Cette extrapolation est faite dans le but dutiliser la procdure de transport de variables nodales dcrite prcdemment.
q
Dans une deuxime tape, on cherche llment dappartenance dans lancien maillage du centre de gravit de chaque lment du nouveau maillage. Grce aux fonctions de base dfinies sur lancien maillage, on affecte alors une valeur au centre de gravit en utilisant la procdure de transport de variables P1 dcrite prcdemment (Figure 27).
Elment du nouveau maillage
Figure 27 : transport P1 des variables dhistoire extrapoles jusquau centre de gravit du nouveau maillage
La valeur de la variable dhistoire interpole au centre de gravit sera celle affecte llment. Cette procdure de transport induit une diffusion numrique supplmentaire par rapport linterpolation P1 cause de la phase dextrapolation. En effet, les valeurs affectes aux nuds lors de lextrapolation ne sont quune moyenne pondre des valeurs P0 des lments contenant ce nud (Traor (2002)).
87
3.2.9 Conclusion sur le modle direct FORGE3

Le logiciel FORGE3 a t dvelopp pour simuler des procds des mise en forme, gnralement caractriss par de grandes dformations et des coulements complexes. Lutilisation dun algorithme de remaillage permet en outre datteindre des dformations relativement importantes. A partir de la vitesse, de la pression et de la temprature calcules comme solutions approches de lquilibre thermomcanique, il est possible de calculer un certain nombre de grandeurs mesurables (effort, couple, champ de dformation, etc.). Dans le paragraphe qui suit, nous allons chercher dvelopper une mthode permettant de driver ces grandeurs mesurables par rapport aux paramtres identifier afin de coupler FORGE3 avec un module doptimisation bas sur une mthode direction de descente.
3.3 Modle inverse et analyse de sensibilit

Nous avons pass en revue un certain nombre de mthodes doptimisation dans le premier chapitre. Parmi toutes les approches possibles, nous avons opt pour la mthode de Gauss-Newton en raison de son taux de convergence relativement intressant. Dans un premier temps, nous rappelons que le problme inverse a la forme suivante :
trouver opt IR NPar tel que
opt = min ( ( )) IR NPar 2 T ( ) = F( ) M W = (F( ) M ) W (F( ) M )
( )
(174)
o opt est le vecteur de dimension Npar contenant le jeu de paramtres identifier, M est le vecteur contenant les mesures exprimentales et F( ) est le vecteur contenant le rsultats de la simulation numrique correspondant lobservable M. Typiquement, dans les cas que nous aurons traiter, M reprsentera leffort mesur pendant un essai de compression, le couple mesur pendant un essai de torsion, la flche mesure pendant un essai de gonflage, etc. Ce problme est rsolu par un algorithme de Gauss-Newton :
k =1
d k > critre d ' arrt tant que d k 2 d k Q k d k = d k T k dF(k ) dF(k ) W Q = 2 d d k +1 k k = + ls d k = k + 1
( )
( )
(175)
88
Modle inverse et analyse de sensibilit o ls est obtenu par recherche linaire. Cette mthode pourra tre stabilise en utilisant la mthode dcrite au paragraphe 2.6. Lutilisation de cet algorithme ncessite le calcul dF(k ) par le biais dun module danalyse de sensibilit. de la matrice de sensibilit d FORGE3 est utilis comme modle direct pour dcrire prcisment lcoulement de matire lors de lessai mcanique tudi. Dvelopper un module danalyse de sensibilit revient en quelque sorte driver FORGE3 par rapport aux paramtres identifier. Lexcution du modle inverse requiert gnralement de nombreux appels au modle direct et au module danalyse de sensibilit. Il est donc ncessaire :
q
davoir une analyse de sensibilit assez prcise pour permettre lalgorithme de Gauss-Newton de converger en peu ditrations, que la mthode choisie soit assez rapide pour ne pas augmenter trop les temps de calcul. Nous devons donc avoir un bon compromis entre la prcision et le temps CPU de la mthode,
que la mthode dveloppe permette de changer facilement de modle (loi de comportement, de frottement, etc.) et dobservable (effort, couple, champ de dformation, etc.).
Il est possible de distinguer deux grands types de mthodes danalyse de sensibilit dans la littrature : les mthodes variationnelles et les mthodes discrtes (Mahnken et Stein (1996)). Dans la premire approche, les quations du modle direct sont drives et ensuite discrtises (Constantinescu et Verger (2001)). Ce type de mthode savre souvent assez difficile programmer. Gnralement, les auteurs prfrent utiliser une mthode discrte (cest dire driver le problme discret). Notre tude bibliographique ne portera que sur cette deuxime famille de mthodes, bien plus souvent rencontres dans la littrature. Dans ce chapitre sont dcrites un certain nombre de mthodes danalyse de sensibilit discrtes. Leurs avantages et leurs dfauts sont discuts afin de dterminer quelle mthode semble la plus adquate pour notre problme.
3.3.1 Diffrences finies

La mthode des diffrences finies est lapproche la plus simple programmer. Il est possible de citer la mthode dcentre droite, gauche et la mthode centre. Elle sont bases sur un dveloppement limit pour estimer la matrice de sensibilit. Schma dcentr droite : dF F(1 ,..., i + i ,... NPar ) F(1 ,..., i ,... NPar ) = + O(i ) di i Schma dcentr gauche : dF F(1 ,..., i ,... NPar ) F(1 ,..., i i ,... NPar ) = + O(i ) di i (177) (176)
89
Schma centr : dF F(1 ,..., i + i ,... NPar ) F(1 ,..., i i ,... NPar ) 2 = + O i di 2i
(178)
o i est un paramtre positif de discrtisation fix par lutilisateur. Si lon a Npar paramtres identifier, il est ncessaire dexcuter NPar+1 fois le modle direct pour obtenir la matrice de sensibilit lordre un avec les mthodes dcentres. La mthode centre est consistante dordre deux, mais ncessite 2NPar+1 simulations. Il est noter que le choix de la perturbation doit tre fait de faon judicieuse. En effet, il est clair que pour un i trop important, lerreur de troncature fait que la matrice de sensibilit est mal estime. Dun autre cot, lerreur darrondis de la machine fait que lon ne peut pas choisir un i trop petit. Le choix de ce paramtre doit tre un compromis entre lerreur de troncature et lerreur darrondis. Concrtement, nous observons que nous pouvons utiliser des i variant dans lintervalle [10-6i ,10-2i]. Schnur et Zabaras (1992) utilisent la mthode des diffrences finies couple un algorithme de Levenberg-Marquardt pour lidentification de paramtres lastiques et pour la localisation dinclusions circulaires dans une matrice lastique. Tillier (1998) identifie les paramtres de lois de comportement viscoplastiques en utilisant un algorithme de Gauss-Newton coupl avec une mthode de diffrences finies. Meuwissen (1998) utilise un schma dcentr droite pour estimer la matrice de sensibilit pour lidentification des paramtres de lois lasto-plastiques. Cet auteur utilise comme donnes exprimentales des mesures de champs de dformation pratiques lors dessais de traction dprouvettes planes perces. Les champs de dformation sont mesurs grce un systme de corrlation dimages. Le nombre de paramtres dterminer tant relativement faible, lutilisation de la mthode des diffrences finies est bien adapte ce problme. En dfinitive, les mthodes de type diffrences finies peuvent tre programmes assez facilement mais ont une prcision limite par les erreurs darrondi ou de troncature. De plus, elles demandent de nombreuses excutions du modle direct. Dans le cadre du dveloppement dune mthode inverse autour dun modle direct 3D, cette mthode nest pas assez performante en terme de temps de calcul.
3.3.2 Mthode de la variable complexe

Il existe une mthode de type diffrences finies qui permet dviter les erreurs darrondis. Cette mthode a t dcrite par Lyness (1967) dans les annes 60, mais na t que trs rcemment reprise par Squire et Trapp (1998). Elle est base sur le fait que toutes les oprations dfinies sur les rels peuvent tre gnralises sur le corps des complexes. Partant de cette constatation, il est possible de donner une estimation lordre deux de la matrice de sensibilit : dF Im(F(1 ,..., j + i j ,... NPar )) = + O j d j j
(179)
avec i 2 = 1 et Im(a + bi) = b (a , b ) IR 2 Cette mthode ne faisant pas intervenir de diffrence au numrateur, nous navons pas derreur darrondis. En contrepartie, lutilisation de nombres complexes la place de
90
Modle inverse et analyse de sensibilit nombres rels double la place mmoire requise par le modle direct et demande un nombre considrable de modifications du code. Anderson et al. (1999) ont appliqu cette mthode dans le cadre de loptimisation de forme dune aile davion. La mthode de la variable complexe est compare la mthode des diffrences finies centre et il est montr quil est possible de choisir une valeur de la perturbation j bien plus faible avec la mthode de la variable complexe. Cette dernire mthode savre donc bien plus prcise que la mthode des diffrences finies. Les temps de calcul de la mthode des diffrences finies centres et de la mthode de la variable complexe sont pour ce cas peu prs identiques. Cette mthode demeure donc relativement lente.
3.3.3 Diffrentiation analytique

Plutt que de considrer le modle direct comme une bote noire, on peut le voir comme un ensemble dquations que lon cherche driver. Nous avons vu dans le paragraphe 3.2 que lcoulement du matriau est dcrit partir de la vitesse, de la pression, de la temprature et de variables dhistoire. Le calcul de la quantit F( ) peut tre not de la faon suivante : l' instant t n
avec F( ) = (F1 ( ),..., FN ( ))
R , V n +1 , P n +1 , T n , h n = 0 n n +1 n +1 n n 1 M T = Q ' V , T , T n +1 n n n +1 n +1 n +1 h = h + t h V , P , T F ( ) = f , V n +1 , P n +1 , T n +1 , h n +1 n +1
(180)
Le vecteur F est lobservable en fonction des variables internes du modle direct.

Remarque : le calcul du rsidu mcanique R tant suppos dpendre des paramtres identifier, nous utilisons la notation R , V n +1 , P n +1 , T n , h n . Les termes de la matrice de sensibilit sont obtenus partir de lexpression suivante :
dFn ( ) f f dV n +1 f dP n +1 f dT n +1 f dh n +1 = + + n +1 + n +1 + n +1 d d d d V n +1 d P T h
(181)
f ,
A partir de lexpression analytique de f, il est possible de calculer les termes
f f f f dV n +1 dP n +1 dT n +1 , , et . Par contre, les termes , , et d d d V n +1 P n +1 T n +1 h n +1 dh n +1 sont eux calculs partir de la rsolution dun systme tangent au problme d direct :
91

l' instant t n
R , V n +1 , P n +1 , T n , h n d V n +1 , P n +1 T = V n +1 , P n +1 d R , V n +1 , P n +1 , T n , h n R , V n +1 , P n +1 , T n , h n Tn , hn n +1 n +1 n n 1 M n dT = dQ' V , T , T d d dh n +1 dh n d n n +1 n +1 n +1 = + t h V ,P ,T d d d
) ( )
) d (T

, hn d
(182)
( (
))
d n n +1 n +1 n +1 ,T ,T ) et de h (V , P , T ) . Cela implique dune part une bonne d d connaissance des sources du modle direct, et dautre part de modifier le code ds que lon veut changer les paramtres identifier. Il est noter que ce schma fait intervenir les drives des variables dhistoire par rapport aux paramtres identifier. Ces drives constituent elles aussi des variables dhistoire, quil convient de transporter lors du remaillage suivant lalgorithme dcrit au paragraphe 3.2.8. De nombreux auteurs ont appliqu cette mthode divers problmes doptimisation. Gavrus et al. (1996) utilisent une mthode de drivation analytique pour coupler un algorithme de Gauss-Newton avec le logiciel FORGE2. Le modle inverse ainsi dvelopp est utilis pour lanalyse dessais de traction et de torsion respectivement partir de mesures deffort et de couple. Gelin et Ghouati (1996) utilisent cette mme mthode de diffrentiation pour lidentification des paramtres dune loi de comportement viscoplastique partir dessais de bipoinonnement. Le modle inverse est coupl avec un modle lments finis 2D bas sur une formulation en dplacement, et le problme doptimisation est rsolu grce un algorithme de Levenberg-Marquardt. Mahnken et Stein (1996) identifient les paramtres de deux lois de comportement lasto-viscoplastiques par analyse inverse. Le modle direct est un solveur lments finis et les mthodes de BFGS et de Gauss-Newton sont utilises. Les auteurs utilisent une mthode de diffrentiation analytique pour calculer la matrice de sensibilit. La mthode ainsi implmente donne de bons rsultats, mme si le calcul des termes de sensibilit est relativement complexe. En dfinitive, la mthode analytique est apprcie pour sa prcision et sa rapidit mais elle est peu flexible et rend difficile la maintenance du code. Cette mthode est dautant plus difficile implmenter que le problme direct est complexe.
n +1 n n 1
Ce schma, obtenu par diffrentiation des quations du systme (180) par rapport , donne une expression exacte de la drive de F par rapport . De plus, il ncessite la rsolution dun problme non-linaire (problme direct) et NPar systmes linaires alors que les schmas aux diffrences finies dcentrs requirent la rsolution de NPar+1 problmes non-linaires. En contrepartie, il est ncessaire de donner une expression R , V n +1 , P n +1 , T n , h n f f f f f , , , , , , analytique de V n +1 P n +1 T n +1 h n +1 Tn , hn
dQ' (V
92
Modle inverse et analyse de sensibilit
3.3.4 Diffrentiation semi-analytique

La mthode semi-analytique cumule certains des avantages des mthodes de diffrences finies et des mthodes analytiques. Elle est base sur une approximation lordre un de la matrice de sensibilit :
~ ~ ~ ~ ~ dFn Fn , V n +1 , P n +1 , T n +1 , h n +1 Fn , V n +1 , P n +1 , T n +1 , h n +1 = + O( ) d i i
(183)
avec ~ = (1 ,..., i + i ,..., NPar ) dV n ~ V n = V n + i di dT n ~ T n = T n + i di dP n ~n P = P n + i di ~n dh n h = h n + i di (184)
Le calcul des drives des variables dtat par rapport au jeu de paramtres est bas, comme dans le cas analytique, sur la rsolution du problme tangent linaire (182). Dans le systme tangent, le second membre du systme linaire obtenu par drivation du problme mcanique [eq. (180)] peut tre not :
R , V n +1 , P n +1 , T n , h n =
) + R ( , V )
dR , V n +1 , P n +1 , T n , h n d
, P n +1 , T n , h n d T n , h n d Tn ,hn
n +1
) (
(185)
V n +1 , P n +1 fixs
Dans ce schma, toutes les drives qui ncessitent des dveloppements analytiques fastidieux sont calcules par diffrences finies :
l' instant t n R , V n +1 , P n +1 , T n , h n d V n +1 , P n +1 T = V n +1 , P n +1 d i n +1 n +1 ~ n ~ n R , V , P , T , h R , V n +1 , P n +1 , T n , h n i ~ ~ ~ n dT n +1 Q' V n +1 , T n , T n 1 Q' V n +1 , T n , T n 1 = M i di ~ ~ ~ dh n +1 dh n h n V n +1 , P n +1 , T n +1 h n V n +1 , P n +1 , T n +1 = + t i di i
) (
) (
(
(186)
93
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 Il sagit, en dfinitive, destimer les seconds membres des systmes linaires [eq. (182)] par diffrences finies, les oprateurs tangents tant calculs pour la rsolution du modle direct. Le systme tangent (182) peut tre rcrit en utilisant les proprits de linarit du problme thermique et du schma de ractualisation des variables dhistoire :
l' instant t n
R , V n +1 , P n +1 , T n , h n d V n +1 , P n +1 T = V n +1 , P n +1 d i ~ n +1 n +1 ~ n ~ n R , V , P , T , h R , V n +1 , P n +1 , T n , h n i n ~ n +1 ~ n +1 ~ n ~ n 1 M T = Q ' V , T , T ~n n +1 n ~ n +1 ~ n +1 ~ n +1 ~ h = h + t h V , P , T
) (
) (
)
(187)
Cette mthode danalyse de sensibilit prsente lavantage de ncessiter la rsolution de NPar problmes linaires comme pour la mthode analytique. De plus, grce lutilisation de schmas aux diffrences finies intermdiaires, tous les termes qui interviennent ici sont dj programms pour le modle direct. Ainsi, le module danalyse de sensibilit est compatible avec toute modification de la loi de comportement ou de frottement. La maintenance du modle inverse est donc relativement aise. En contrepartie, lestimation de la matrice de sensibilit est faite lordre un, comme pour un schma aux diffrences finies dcentr classique. Cheng et Liu (1987) ainsi que Bartelemy et Haftka (1990) ont essay dappliquer la mthode semi-analytique un modle direct utilisant des lments poutres. Les auteurs dmontrent que lerreur de la mthode semi-analytique crot avec le nombre dlments. Cheng et al. (1989) prouvent que ce nest pas le cas pour des lments solides ou membranes. Tortorelli et Michaleris (1996) citent lexistence de la diffrentiation semianalytique dans le cadre de problmes inverses en thermique. Massoni et al. (2002) utilisent cette mthode pour lidentification de paramtres de lois de comportement lasto-viscoplastiques et pour lidentification de paramtres de lois de frottement. Le modle direct utilis est FORGE2 et lanalyse de sensibilit est effectue avec un schma semi-analytique semblable celui dcrit ci-dessus. La comparaison avec un schma aux diffrences finies montre un gain de temps et de prcision considrable en faveur de la mthode semi-analytique.
3.3.5 Mthode adjointe

La mthode de ltat adjoint a un cot indpendant du nombre de paramtres identifier. Elle est donc souvent utilise dans des problmes doptimisation comprenant un nombre important de paramtres de contrle. Par consquent, cette approche est frquemment retenue pour lestimation de fonctions. Bonnet (1999) utilise une mthode danalyse de sensibilit par ltat adjoint afin de driver un potentiel intgral par rapport la position dune fissure dans un domaine rgit par les quations de llastodynamique. Ce type dapproche peut tre utilis pour la reconstruction de fissures. Le Masson et al. (2002) identifient un coefficient de transfert thermique partir de mesures de tempratures effectues lors dun essai Jominy (trempe). Les auteurs nidentifient pas les paramtres dun modle mais considrent le coefficient de transfert
94
Modle inverse et analyse de sensibilit thermique comme une fonction du temps et de lespace. Le problme inverse a donc de nombreux degrs de libert et il devient ncessaire dutiliser une mthode adjointe. La mthode de ltat adjoint est aisment applicable aux problmes stationnaires. Par contre, pour les problmes instationnaires, le problme adjoint est bien pos dans le sens dcroissant du temps. Il est alors ncessaire de sauvegarder toutes les variables dhistoire du problme direct. De plus, lutilisation dun algorithme de remaillage requiert le dveloppement dune routine adjointe de transport des variables dhistoire adjointes (Laroussi et Fourment (2002)). Limplmentation de la mthode de ltat adjoint pour le cas qui nous intresse est donc relativement dlicate. La mthode de ltat adjoint ncessite la dtermination de deux vecteurs adjoints, nots n n m et th . Ces vecteurs sont respectivement associs au problme mcanique et au problme thermique linstant tn et sont solution du systme suivant :
T n i +1 i 0 i i i R , U , T , h + t h U , T n n n T i= N i =1 i M n T n 1 = t h U , T th m n n h T T i =n T T Q' U n +1 , T n , T n 1 Q' U n +2 , T n +1 , T n n n +1 + + th th n n T T T n 1 n n 1 0 i i i R , U , T , h + t h U , T T i =1 n 1 = m U n U n T n i +1 i 0 i i i i= N R , U , T , h + t h U , T n n n i =1 t h U , T n m i =n h U n n n 1 n 2 T Q' U , T , T n 1 th U n
(188)
Dans le systme (188), les seconds membres des quations sont dtermins partir de la connaissance de la solution du problme thermomcanique dans le futur. Ainsi, la rsolution du problme adjoint ne peut se faire quaprs rsolution complte du problme thermomcanique et aprs stockage de ces solutions. Le problme adjoint est donc bien pos dans le sens dcroissant du temps. Nous pouvons remarquer aussi que lordre impos dans le splitting est invers : on rsout dabord le problme adjoint associ la thermique et ensuite le problme adjoint associ la mcanique. Une fois les divers tats adjoints dtermins, la drive de la fonction cot par rapport aux paramtres identifier est donne par la relation suivante :
n R , U n +1 , T n , h 0 + t h i U i , T i i =1
d n = N n T + m = d n =1
(189)
Il est noter que le systme (188) ne fait intervenir aucune drive par rapport aux paramtres identifier. Ainsi, la complexit de la mthode de ltat adjoint ne dpend
95
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 pas du nombre de paramtres identifier. En contrepartie, la programmation dune telle mthode peut tre relativement complexe et coteuse en terme de stockage. Elle est gnralement indispensable pour lidentification de signaux ou pour les problmes doptimisation comprenant un grand nombre de paramtres.
Remarques : - Le dtail des calculs effectus pour dtailler la mthode de ltat adjoint est donn en annexe. - Tardieu et Constantinescu (2000) ont exprim ltat adjoint associe un problme dtermination de coefficients dlasticit partir dessais dindentation. Le problme direct est exprim, comme dans notre cas, sous forme dune inquation variationelle. Plutt que dexprimer ltat adjoint partir des quations discrtise, les auteurs donnent ltat adjoint associ au problme continu. Dans ce cas, ltat adjoint prend aussi la forme dune inquation variationelle.
3.3.6 Diffrentiation automatique

Plutt que de driver les quations discrtes ou continues du problme direct, les codes de diffrentiation automatique diffrentient le code source du modle direct. Nimporte quel programme de simulation numrique peut tre vu comme la composition doprations simples (addition, multiplication, division, soustraction, sinus, exponentielle, ). A partir des rgles de drivation de base, il est possible de btir des logiciels ayant pour vocation de gnrer un code driv du code direct. Il existe deux modes de diffrentiation automatique : le mode direct et le mode adjoint (Barrault et Le Bris (1999)). Le cot dun code tangent gnr en mode direct crot linairement avec le nombre de paramtres identifier. Le cot dun code tangent gnr en mode adjoint est indpendant du nombre de paramtres, mais la taille mmoire requise croit avec le nombre de paramtres. Lutilisation dun de ces modes de drivation sera conditionn par la nature du problme que lon a rsoudre. Si lon a plus de paramtres que de fonctions driver, il vaut mieux utiliser le mode adjoint. Dans le cas contraire, il est prfrable dutiliser le mode de diffrentiation directe. Il est noter que les codes drivs gnrs doivent souvent tre dbarrasss dun certain nombre de lignes inutiles (surtout en mode adjoint). Cette phase de nettoyage peut tre relativement fastidieuse pour un code volumineux.
3.3.7 Choix dune mthode danalyse de sensibilit

Les deux principaux critres pour le choix de la mthode danalyse de sensibilit sont la rapidit et la prcision de la mthode. La mthode des diffrences finies est relativement lente et peu prcise, cependant comme elle est simple implmenter, elle sera tout de mme utilise dans la suite. La mthode de la variable complexe semble plutt intressante dans le cas o le modle direct ne demande pas trop de place mmoire, ce qui nest pas le cas pour FORGE3. La mthode adjointe et la diffrentiation automatique manquent a priori de flexibilit et ne sont pas trs simples implmenter. Notre choix sest donc port sur une mthode semi-analytique, qui prsente lavantage dtre relativement simple implmenter et qui permet une maintenance aise du code inverse. En effet, les modifications effectues sur le modle inverse se rpercutent automatiquement sur le module danalyse de sensibilit. De plus, dans les applications qui nous intressent, le nombre de paramtres reste relativement raisonnable et lutilisation dune mthode adjointe ne se rvle pas indispensable. Pour rsumer, le
96
Validation de la mthode de diffrentiation semi-analytique diagramme gnral du modle inverse que nous avons dvelopp est dcrit par la figure 28.
k
Simulation directe Forge3

non Stop oui
d ( k ) dk
Diffrentiation Semi-analytique
Calcul du pas de Gauss-Newton
Recherche linaire
(k + ls .k ) (k )
k k +1
non
oui
Figure 28 : diagramme gnral du modle inverse dvelopp
3.3.8 Paralllisation du modle inverse

Comme pour le modle direct, lanalyse de sensibilit ne fait intervenir que des produits matrice-vecteur et des produits scalaires. La stratgie de partitionnement de maillage dcrite au 3.2.7 peut donc tre aussi utilise pour la mthode semi-analytique. Comme le nombre de paramtres identifier est relativement faible, le calcul du pas de GaussNewton sera effectu sur un seul processeur. Nous pouvons remarquer quil aurait t possible de distribuer les divers essais mcaniques effectuer chaque itration de Gauss-Newton sur un processeur diffrent. Nous avons choisi la premire option, car lorsque lon utilise le partitionnement de maillage, lquilibre des calculs entre tous les processeurs est plus facilement gr. De plus, la programmation de lanalyse de sensibilit est trs facilement compatible avec la stratgie de partitionnement de maillage dj implmente dans FORGE3.
3.4 Validation de la mthode de diffrentiation semianalytique

3.4.1 Loi viscoplastique sans crouissage
Nous avons dans un premier temps programm une mthode de diffrences finies et une mthode semi-analytique couples au logiciel FORGE3. Ces deux mthodes ont t valides sur lessai de compression dun cube sans frottement. Les simulations ont t effectues avec la loi de comportement purement viscoplastique suivante :
0 = K 3
( )
(190)
97
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 Les premires simulations sont ralises sans remaillage. La mthode des diffrences finies et la mthode semi-analytique donnent des rsultats tout fait satisfaisants pour le calcul de la drive de leffort par rapport K et m (Figures 29 et 30).
4.00E-03 3.50E-03 3.00E-03 2.50E-03
TF/MPa
2.00E-03 1.50E-03 1.00E-03 5.00E-04 0.00E+00 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01 7.00E+01
dplacement (mm)
dF/dK analytique dF/dK semi-analytique dF/dK diffrences finies
Figure 29 : drive de leffort par rapport K calcule analytiquement, par mthode semi-analytique et par diffrences finies
0.00E+00 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01 7.00E+01 -1.00E+00
dplacement (mm)
-2.00E+00 dF/dm analytique -3.00E+00 dF/dm semi-analytique dF/dm diffrences finies

TF
-4.00E+00
-5.00E+00
-6.00E+00
Figure 30 : drive de leffort par rapport m calcule analytiquement, par mthode semi-analytique et par diffrences finies
Nous avons vu (3.3) que la prcision de la mthode semi-analytique et de la mthode des diffrences finies dpendent a priori de la valeur de la perturbation . Soit la perturbation relative dfinie par =/. Nous avons fait varier de 10-2 10-8. Les deux mthodes semblent assez peu sensibles aux variations de (Figures 31 et 32). Cela tend prouver que lerreur due au calcul par lments finis est plus importante que lerreur de troncature du schma aux diffrences finies ou du schma semi-analytique. Dailleurs, les erreurs relatives sur les diffrents calculs de drives sont de lordre de
98
Validation de la mthode de diffrentiation semi-analytique grandeur de lerreur relative sur leffort. Cet exemple simple valide nos modules de diffrentiation par diffrences finies et par mthode semi-analytique.
2.00E-02 F 1.50E-02 ||dF/dK|| delta=1e-2 ||dF/dK|| delta=1e-8 ||dF/dm|| delta=1e-2 ||dF/dm|| delta=1e-8
1.00E-02
5.00E-03
0.00E+00 0.00E+00 -5.00E-03
1.00E+01
2.00E+01
3.00E+01
4.00E+01
5.00E+01
6.00E+01
7.00E+01
-1.00E-02
Figure 31 : erreurs relatives avec la mthode semi-analytique pour diffrentes valeurs de
2.00E-02
1.50E-02
1.00E-02
erreurs relatives
5.00E-03
0.00E+00 0.00E+00 -5.00E-03
1.00E+01
2.00E+01
3.00E+01
4.00E+01
5.00E+01
6.00E+01
7.00E+01
dplacement (mm)
F dF/dK delta=1e-2 dF/dK delta=1e-8 dF/dm delta=1e-2 dF/dm delta=1e-8
-1.00E-02
Figure 32 : erreurs relatives avec la mthode des diffrences finies pour diffrentes valeurs de
En un second temps, nous avons fait le mme calcul de sensibilit en utilisant lalgorithme de remaillage. La loi de comportement utilise ninclut pas deffets dhistoire (la loi est purement viscoplastique et sans crouissage). Dans ce cas, la
99
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 mthode semi-analytique et la mthode des diffrences finies fournissent une fois de plus des rsultats relativement bons.
8.00E-02
F
6.00E-02
dF/dK delta=1e-2 dF/dK delta=1e-8 dF/dm delta=1e-2 dF/dm delta=1e-8
4.00E-02
erreurs relatives
2.00E-02
0.00E+00 0.00E+00 -2.00E-02
1.00E+01
2.00E+01
3.00E+01
dplacement (mm)
4.00E+01
5.00E+01
6.00E+01
-4.00E-02
Figure 33 : erreurs relatives obtenues avec la mthode des diffrences finies

2.00E-02
1.50E-02
1.00E-02
||Fcal-Fexp|| ||dF/dK|| delta=1e-2 ||dF/dK|| delta=1e-8 ||dF/dm|| delta=1e-2 ||dF/dm|| delta=1e-8
5.00E-03
0.00E+00 0.00E+00 -5.00E-03
1.00E+01
2.00E+01
3.00E+01
4.00E+01
5.00E+01
6.00E+01
-1.00E-02
Figure 34 : erreurs relatives obtenues avec la mthode semi-analytique
Nanmoins, les courbes obtenues avec la mthode des diffrences finies prsentent des artfacts qui correspondent aux remaillages (Figure 33), alors que les courbes issues de la mthode semi-analytique sont beaucoup plus lisses (Figure 34). De plus, les oscillations obtenues avec la mthode des diffrences finies sont dautant plus importantes que est faible.
100
Validation de la mthode de diffrentiation semi-analytique
3.4.2 Loi viscoplastique avec crouissage

La plupart des matriaux que nous tudierons ont un comportement qui dpend de lhistoire des dformations. Nous nous sommes par exemple intresss la modlisation de lcrouissage des mtaux. Il est possible de modliser le comportement dun matriau capable de scrouir par la loi suivante :
0 = K ( )n
( 3 )
(191)
Dans ce cas, les rsultats obtenus avec la mthode semi-analytique sont significativement meilleurs que ceux obtenus avec la mthode des diffrences finies. En fait, la mthode des diffrences finies est instable aprs le premier remaillage pour une valeur de de 10-8 (Figure 35). Par contre, le rsultat est satisfaisant pour une valeur de de 10-2 (Figure 36) et la mthode semi-analytique donne toujours de bons rsultats quelle que soit la valeur de entre 10-8 et 10-2 (Figure 37).
5.00E-03 4.00E-03 3.00E-03 2.00E-03 1.00E-03
TF/MPa
0.00E+00 0.00E+00 -1.00E-03 -2.00E-03 -3.00E-03 -4.00E-03 -5.00E-03
1.00E+01
2.00E+01
3.00E+01
4.00E+01
5.00E+01
6.00E+01
dF/dK analytique dF/dK semi-analytique dF/dK diffrences finies delta=1e-8 dF/dK diffrences finies delta=1e-2
dplacement (mm)
Figure 35 : comparaison de la drive de leffort par rapport K calcule analytiquement avec la mthode semi-analytique et avec la mthode des diffrences finies
101

6.00E-02 5.00E-02 4.00E-02 3.00E-02
erreurs relatives
2.00E-02 1.00E-02 0.00E+00 0 -1.00E-02 -2.00E-02 -3.00E-02 -4.00E-02

dplacement (mm)
10
20
30
40
50
60
F dF/dK delta=1e-2 dF/dm delta=1e-2
Figure 36 : erreurs relatives sur leffort et sur les drives de leffort calcules avec la mthode des diffrences finies pour =10-2
6.00E-02 5.00E-02 4.00E-02 3.00E-02 2.00E-02

erreur relative
1.00E-02 0.00E+00 0 -1.00E-02 -2.00E-02 -3.00E-02 -4.00E-02 -5.00E-02

dplacement (mm)
10
20
30
40
50
60
F dF/dK dlambda=1e-2 dF/dK dlambda=1e-8 dF/dm dlambda=1e-2 dF/dm dlambda=1e-8
Figure 37 : erreurs relatives obtenues avec la mthode semi-analytique
Lexemple prcdent montre que lajout de variables dhistoire la loi de comportement rend la mthode des diffrences finies moins stable que la mthode semianalytique. Ce cas test est pourtant trs simple car la dformation et le taux de dformation sont homognes tout au long de lessai. De plus, la pice reste de forme paralllpipdique. Ainsi, lors du remaillage, il ny a pas de diffusion du bord de la pice et, lors du transport, il ny a pas de diffusion des valeurs de la dformation gnralise. Cest pour cela que nous avons effectu le mme test en appliquant cette fois un fort frottement entre la pice et les outils. Pour une valeur de =10-8, la mthode des diffrences finies est totalement instable. Pour une valeur de =10-2, on obtient une courbe encore trs bruite (Figure 38). Pour la mme valeur de , nous pouvons constater des sauts, relativement peu levs, sur les drives obtenues avec la mthode
102
Validation de la mthode de diffrentiation semi-analytique semi-analytique. Ces dbuts dinstabilit disparaissent lorsque atteint 10-7. Ainsi, dans cet exemple, nous navons pas russi trouver de valeur de satisfaisante pour la mthode des diffrences finies, alors que lon peut choisir entre 10-7 et 10-2 pour la mthode semi-analytique (Figure 39).
3.50E-03 3.00E-03 2.50E-03
TF/MPa
2.00E-03 1.50E-03 1.00E-03 5.00E-04 0.00E+00 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01
dplacement (mm)
dF/dK delta=1e-2
dplacement (mm)
0 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01 -1 -2

TF
-3 -4 -5 -6
dF/dmdelta=1e-2
Figure 38 : drives obtenues avec la mthode des diffrences finies
103
3.00E-03 2.50E-03 2.00E-03

TF/MPa
1.50E-03 1.00E-03 5.00E-04 0.00E+00 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01
dplacement (mm)
dF/dKdelat=1e-8 dF/dKdelta=1e-7
dplacement (mm)
0 0.00E+00 1.00E+01 2.00E+01 3.00E+01 4.00E+01 5.00E+01 6.00E+01 -0.5 -1 -1.5

TF
-2 -2.5 -3 -3.5 -4 -4.5
dF/dmdelta=1e-8 dF/dmdelta=1e-7
Figure 39 : drives obtenues avec la mthode semi-analytique
Le tableau 8 donne, en dfinitive, les valeurs de pour lesquelles aucune instabilit napparat en fonction des cas traits. Nous pouvons constater qu mesure que lon ajoute le remaillage, lcrouissage et le frottement, lintervalle de stabilit se rduit jusqu devenir vide pour la mthode des diffrences finies, alors que la mthode semianalytique converge sans difficult. Sans frottement Sans frottement Sans frottement Avec frottement Sans crouissage Sans crouissage Avec crouissage Avec crouissage Sans remaillage Avec remaillage Avec remaillage Avec remaillage instable 10- 8<<10-2 10-2 10-8<<10-2 10-8<<10-2 10- 8<<10-2 10- 8<<10-2 10- 7<<10-2
Diffrences finies Semi-analytique
Tableau 8 : Valeurs de pour lesquelles lanalyse de sensibilit est stable
104
3.4.3 Contact bilatral collant

Nous avons ensuite effectu un essai de compression avec la mme loi de comportement, en utilisant cette fois un contact bilatral collant. Nous navons constat aucune diffrence significative entre le schma aux diffrences finies et le schma semianalytique dans ce cas (Figure 40). Par contre, les rsultats ont t obtenus en 18 minutes avec la mthode semi-analytique, et en une heure avec la mthode des diffrences finies. Cet cart vient notamment du nombre dappels la routine de remaillage, qui est NPar +1 fois plus important pour la mthode des diffrences finies (si le nombre de paramtres identifier est NPar).
3.00E-03 2.50E-03 2.00E-03 TF/MPa 1.50E-03 semi-analytique 1.00E-03 5.00E-04 0.00E+00 0 10 20 30 40 50 60 70
dplacement (mm)
diffrences finies
Figure 40 : calcul de dF/dK par la mthode semi-analytique et par la mthode des diffrences finies
Au premier abord, il peut paratre tonnant de constater que la mthode des diffrences finies est instable lorsque lon utilise un contact unilatral avec un fort frottement, et est stable lorsque lon utilise un contact bilatral. En fait, lutilisation dun contact bilatral collant ne requiert pas lutilisation dun contact pnalis. Ainsi, cette srie de tests montre que la formulation semi-analytique est stable en prsence de remaillage, lorsque lon utilise un contact pnalis, contrairement la mthode des diffrences finies. Les raisons de linstabilit du schma aux diffrences finies sont discutes ci-dessous.
3.4.4 Discussion sur la diffrentiabilit du modle direct

Au vu des rsultats obtenus avec la mthode des diffrences finies, on peut se poser des questions quant la rgularit du modle direct. Nous avons pu constater, daprs les exemples prcdents, que lutilisation du contact pnalis semble rendre la mthode des diffrences finies instable. Lutilisation dune mthode de pnalisation revient poser :
d n = (v v out ).n pen t
+
(192)
Dans FORGE3, le coefficient de pnalisation est calcul de la manire suivante :
105
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 max( )
car .
(193)
o est la taille de maille et car est une vitesse de dformation caractristique. Leffort a donc lexpression suivante : d pen L30 F= ( ) v v . n d out t H( t ) car . c
max( )
(194)
A partir de cette expression, nous pouvons faire plusieurs constatations :

q
. nest bien sr pas drivable en zro. Nous ne considrons dans les La fonction [] schmas aux diffrences finies utiliss que des drives droite. Comme la fonction + [] . a une drive droite sur tout IR, nous pouvons sans problme utiliser la mthode des diffrences finies.
+
Lorsque lon utilise la mthode des diffrences finies, on effectue un remaillage sur le domaine courant et un remaillage sur le domaine perturb. Or, le mailleur que nous utilisons est une mthode itrative pour lequel le problme de maillage est vu comme un problme doptimisation sous la contrainte = objectif . A la fin du remaillage, la contrainte nest jamais exactement atteinte (elle nest juste atteinte qu un certain nombre de chiffres significatifs prs). Ainsi, lutilisation du mailleur va affecter un certain nombre de chiffres significatifs lors du calcul du coefficient de pnalisation et donc de F(+). Le mailleur agit donc comme sil rajoutait une erreur darrondis supplmentaire dans le schma aux diffrences finies classique. Par contre, dans le schma semi-analytique, un seul remaillage est utilis et le terme de pnalisation nest pas driv pas rapport . Ainsi, lutilisation dun schma semi-analytique nintroduit pas la mme discontinuit lors du remaillage avec une mthode de pnalisation du contact. Le caractre nodal du contact est une source dinstabilit lorsque lon doit grer un outil avec angle saillant. En effet, dans ce cas, il peut y avoir une pntration relativement importante dune arrte de la pice dans loutil. Lalgorithme de remaillage faisant une interpolation P1 du domaine remailler, des nuds sont alors cres lintrieur de loutil (Figure 41).
106
outil
Nud du nouveau maillage Nud de lancien maillage
Figure 41 : pntration des nuds du nouveau maillage dans loutil
Ainsi, mme si lon transporte des champs de vitesse et de pression satisfaisant lquilibre mcanique, il se peut que les valeurs transportes ne satisfassent pas ce mme quilibre. Lquation (192) montre bien quaprs remaillage, on peut avoir un saut de contrainte normale si lon a une pntration excessive dun nud aprs remaillage. Ainsi, lerreur de diffusion sur la contrainte normale, lorsque lon utilise du contact pnalis, nest pas forcment continue lorsque lon utilise du remaillage.
q
Lajout de variables dhistoires a pour effet de faire se propager et saccumuler les erreurs darrondis et donc de rendre les schma (diffrences finies et semianalytique) moins stables.
Il semble donc que la stabilit du schma semi-analytique en prsence de remaillage soit due au fait quun seul maillage est utilis. Dans la mthode des diffrences finies classique, le modle direct tant considr comme une boite noire, le remaillage induit une erreur darrondis importante sur leffort et le choix de la perturbation devient dlicat, voire impossible.
3.4.5 Comparaison des temps de calcul

Dans tous les exemples que nous avons traits, le temps de calcul associ la mthode semi-analytique est significativement plus faible que le temps de calcul de la mthode des diffrences finies. Ceci sexplique par le fait que la mthode semi-analytique ncessite une rsolution du problme direct plus NPar rsolutions de systmes nonlinaires alors que la mthode des diffrences finies ncessite NPar + 1 rsolutions du problme direct. Si le problme direct ncessite en moyenne 3 itrations de lalgorithme de Newton-Raphson pour la rsolution du problme mcanique, et si lon note par S le cot de la rsolution dun systme linaire, alors le cot de la mthode semi-analytique est de (NPar+3)S contre 3(NPar+1)S pour la mthode des diffrences finies. Le choix de la valeur 3 pour le nombre ditrations de Newton-Raphson nest pas du tout exagr. Dans ce cas, nous constatons que lorsque lon augmente le nombre de paramtres, la mthode des diffrences finies devient beaucoup trop lente pour un problme 3D.
107
3.5 Conclusion
Le rsultat dune analyse inverse est fortement dpendant de la qualit du modle direct choisi. Dans le cadre de ce travail, le logiciel FORGE3 a t choisi pour simuler lcoulement de la matire pendant un essai mcanique. La formulation retenue ainsi que lutilisation dun algorithme de remaillage permettent de prendre en compte de grandes dformations. En utilisant comme modle direct FORGE3, nous sommes donc capables danalyser des essais mcaniques pour lesquels lcoulement de matire et les champs de temprature ne sont pas homognes. Pour utiliser lalgorithme de Gauss-Newton, il est ncessaire de driver les observables par rapport aux paramtres identifier. Nous avons choisi dutiliser une analyse de sensibilit semi-analytique pour des raisons de flexibilit, de facilit dimplmentation et de temps de calcul. Grce cette mthode, il est possible de changer facilement de loi de comportement et de paramtres identifier ; et le module danalyse de sensibilit reste inchang mme lorsque le modle direct subit des modifications. Notre module doptimisation tant prsent dvelopp et valid, nous prsentons dans le dernier chapitre de cette tude un certain nombre de cas que nous avons analyss.
3.6 Bibliographie
C. Aliaga, Simulation numrique par lments finis en 3D du comportement thermomcanique au cours du traitement thermique daciers : application la trempe de pices forges ou coules, Thse de doctorat de lEcole de Mines de Paris, Cemef, 2000. W.K. Anderson, J.C. Newman, D.L. Whitfield, E.J. Nielsen, Sensitivity analysis for the Navier-Stokes equations on unstructured meshes using complex variables, AIAA-993294 (1999). M. Barrault, C. Le Bris, Optimisation numrique et diffrentiation automatique pour un problme industriel. Octobre 1999, Champs sur Marne, http://binky.enpc.fr/reports/. B. Barthelemy, R.T. Haftka, Accuracy analysis of the semi-analytical method for shape sensitivity analysis, Mechanics of Structures and Machines, 18 (1990) 407-432. M. Bonnet, A general boundary-only formula for crack shape sensitivity of integral functionals, Comptes Rendus de lAcadmie des Sciences - Series IIB - MechanicsPhysics-Astronomy, 327,12 (1999) 1215-1221. F. Brezzi, M. Fortin, Mixed and hydrid finite element methods, Springer-Verlag New York inc., 1991. G. Cheng, Y. Gu, Y. Zhou, Accuracy of the semi-analytical sensitivity analysis, Finite element in analysis and design, 6 (1989) 113-128. G. Cheng, Y. Liu, A new computation scheme for sensitivity analysis, Engineering optimization, 12 (1987) 219-234.
108
Bibliographie
A. Constantinescu, L. Verger, Identification of a viscoplastic behavior under transient thermal conditions, Proceedings of Eurotherm seminar 68, 2001. T. Coupez, Grandes dformations incompressibles-remaillage automatique, Thse de doctorat de lEcole de Mines de Paris, Cemef, 1991. M. Fortin, D.N. Arnold, F. Brezzi, A stable finite element for the Stokes equations. Calcolo, 21 (1984) 337 344. A. Gavrus, E. Massoni, J.L. Chenot, An inverse analysis using a finite element model for identification of rheological parameters, Journal of materials processing technology, 60 (1996) 447-454. J.C. Gelin, O. Ghouati, An inverse solution procedure for material parameters identification in large plastic deformation, Communications in numerical methods in engineering, 12 (1996) 161-173. R. Hill, A theory of the yielding and of plastic flow of anisotropic metals, Proceedings of the Royal Society of London, Serie A, 193 (1948) 281-397. R. Knockaert, Etude exprimentale et numrique de la localisation de la dformation lors de la mise en forme de produits minces, Thse de doctorat de lEcole de Mines de Paris, Cemef, 2001. M. Laroussi, L. Fourment, The adjoint state method for sensitivity analysis of nonsteady problems. Application to 3D forging, paratre dans International Journal of forming Processes (2002). P. Le Masson, T. Loulou, E. Artioukhine, P. Rogeon, D. Carron, J.J. Quemener, A numerical study for the estimation of a convection heat transfer coefficient during a metallurgical "Jominy end-quench", International journal of thermal sciences, 41 (2002) 517-527. J.N. Lyness, Numerical algorithms based on the theory of complex variables, proceedings of ACM 22th National conference, Thomas Book Company, Washington D.C., 1967. R. Mahnken, E. Stein, A unified approach for parameter identification of inelastic material models in the frame of the finite element method, Computer methods in applied mechanics and engineering, 136 (1996) 225-258. S. Marie, Un modle de paralllisation S.P.M.D. pour la simulation numrique de procds de mise en forme de matriaux, Thse de doctorat de lEcole des Mines de Paris, Cemef, 1997. E. Massoni, B. Boyer, R. Forestier, Inverse analysis of thermomechanical upsetting tests using gradient method with semi-analytical derivatives, International journal of thermal sciences, 41 (2002) 557-563.
109
Chapitre 3 - Dveloppement dune mthode inverse autour de FORGE3 M. Menai, Simulation numrique tridimensionnelle du refroidissement des pices en fonderie : approche thermomcanique, Thse de doctorat de lEcole des Mines de Paris, Cemef, 1995. M.H.H. Meuwissen, An inverse method for the mechanical characterisation of metals, Thse de doctorat T.U. Eindhoven, 1998. K. Mocellin, Contribution la simulation numrique tridimensionnelle du forgeage chaud : tude du contact et calcul multigrille, , Thse de doctorat de lEcole de Mines de Paris, Cemef, 1999. M. Rappaz, M. Bellet, M. Deville, Modlisation numrique en science et gnie des matriaux, Presses polytechniques et romandes, 1998. N. Renon, Simulation numrique par lments finis de grandes dformations des sols. Application la scarification , Thse de doctorat de lEcole de Mines de Paris, Cemef, 2002. D.S. Schnur, N. Zabaras, An inverse method for determining elastic material properties and a material interface, 33 (1992) 2039-2057. W. Squire, G. Trapp, Using complex variables to estimate derivatives of real functions, 40, 1 (1998) 110-112. N. Soyris, Modlisation tridimensionnelle du couplage thermique en forgeage, Thse de doctorat de lEcole des Mines de Paris, Cemef, 1990. Y. Tillier, Identification par analyse inverse du comportement mcanique des polymres solides ; applications aux sollicitations multiaxiales et rapides, Thse de doctorat de lEcole de Mines de Paris, Cemef, 1998. N. Tardieu, A. Constantinescu, On the determination of elastic coefficients from indentation experiments, Inverse Problems, 16 (2000) 577-588. K. Traor, Simulation thermomcanique du laminage circulaire. Dveloppement dune formulation quasi-eulrienne tridimensionnelle sur une architecture parallle, Thse de doctorat de lEcole de Mines de Paris, Cemef, 2001.
110
Chapitre 4 Exemples dapplications

4.1 Introduction
Diffrentes analyses dessais mcaniques sont prsentes dans ce chapitre. Certains de ces essais tant 2D, ils ont t analyss en utilisant notre module doptimisation coupl avec FORGE2. Nous avons aussi utilis FORGE3 pour lanalyse des essais prsentant un caractre tridimensionnel. Les lois de comportement identifies sont purement viscoplastiques ou bien lasto-viscoplastiques, isotropes ou anisotropes. Les contraintes dcoulement font intervenir entre 4 et 11 paramtres. Le but de ce chapitre est de dmontrer lefficacit et la flexibilit de la mthode inverse dveloppe, ainsi que lintrt de ltude de sensibilit dans lanalyse de la qualit des rsultats ou dans la conception optimale de plans dexpriences.
4.2 Compression uniaxiale

Des essais de compression chaud ont t raliss sur des prouvettes cylindriques en acier (I10Cr8DV) (Figure 42). Dans cette campagne dessais, la vitesse de dformation varie de 0.2 5 /s et la temprature varie de 950C 1150C (Tableau 9).
0.02s-1 950C 1050C 1150C 0.5s-1 + + 5s-1 + + +
+ +
Tableau 9 : plan dexprience
prouvette en acier
Figure 42 : gomtrie des prouvettes de compression
La mesure de la variation de leffort au cours du temps est utilise pour caractriser la rhologie de lacier. En un premier temps, nous avons identifi les paramtres dune loi
20 mm
13 mm
111
Chapitre 4 Exemples dapplications de comportement de Norton-Hoff [eq. (34)]. Afin de valider le modle inverse 3D, nous avons utilis FORGE3 pour faire les simulations de lessai de compression, mme si FORGE2 aurait t suffisant ici (Figure 43).
Figure 43 : simulation de lessai de compression uniaxiale avec FORGE3
La mthode de Gauss-Newton stabilise converge en 15 itrations vers une valeur de la fonction cot de 9.80%.
m
K (kPa.s ) m n (K) final
Valeurs initiales 500 0.2 0.1 3000
Valeurs identifies 523.52 0.10 4.9.10-2 6335.46 9.80%
Tableau 10 : rsultat de lidentification des paramtres de la loi de Norton-Hoff
Lcart entre leffort calcul et leffort exprimental est relativement important la fin du processus didentification (Figure 44). A cause de lerreur de modlisation due au choix de la loi de Norton Hoff, le comportement de lacier tudi nest pas bien modlis. Dailleurs, la diffrence entre leffort calcul et leffort mesur (appele rsidu) prsente un motif caractristique dune erreur de modlisation importante (Figure 45).
112
Compression uniaxiale
9 8 7
effort (TF)
effort calcul effort mesur
6 5 4 3 2 1 0 0 2 4
dplacement (mm)
10
12
Figure 44 : comparaison entre leffort calcul en utilisant la loi de Norton-Hoff et leffort mesur
4.00E-02 2.00E-02 0.00E+00 0 -2.00E-02 resudu -4.00E-02 -6.00E-02 -8.00E-02 -1.00E-01 -1.20E-01 100 200 300 400 500 600
increments de temps
Figure 45 : rsidu en fonction du temps
Afin de diminuer lerreur de modlisation, nous avons effectu lidentification dune loi de modle rhologique 1 [eq. (37)]. Grce lutilisation de ce modle, la valeur de la fonction cot la fin de lidentification de paramtres est de 6.44%. Le jeu de paramtres, obtenu aprs 17 itrations de la mthode de Gauss-Newton stabilise, est donn dans le tableau 11.
m
K0 (kPa.s ) m n (K) r Ksat (kPa.sm) sat (K) final
Valeurs initiales 500 0.1 0.01 6000 0.1 500 9000
Valeurs identifies 516.33 0.102 0.205 6997.99 -7.79.10-2 1496.91 8275.87 6.48%
Tableau 11 : rsultat de lidentification des paramtres du modle 1
113
Chapitre 4 Exemples dapplications Mme si ce second problme inverse est moins bien conditionn que le premier, il parat plus satisfaisant dutiliser le modle 1 pour modliser le comportement du matriau. Dans ce cas, il est impratif dutiliser une mthode de stabilisation pour lalgorithme de Gauss-Newton. Une bonne correspondance entre leffort calcul et leffort mesur est constate (Figure 46).
8 7 6 effort (TF) 5 4 3 2 1 0 0 2 4 6 8 10 12 dplacement (mm)
effort calcul effort mesur
Figure 46 : comparaison entre leffort calcul avec le modle 1 et leffort exprimental
La sensibilit des paramtres par rapport au coefficient de frottement montre que la qualit des rsultats est relativement peu sensible la valeur estime du coefficient de frottement. Pour ce test, une loi de Tresca [eq. (89)] avec un coefficient de frottement m de 0.1, en bon accord avec les mesures de bomb de lprouvette, a t utilise. dK 0 = 101 kPa.s m dm d = 74.42 K dm dK sat = 6.56 kPa.s m dm dm = 4.00.10 4 dm dn = 6.02 .10 3 dm dr = 2.51.10 2 dm d sat = 29.76 K dm
(195)
Dans ce cas, une variation de 0.1 du coefficient de frottement induit une variation de lordre de 2% sur la contrainte dcoulement. Ainsi, mme si lon ne connat pas le frottement avec une trs grande prcision, la contrainte dcoulement est identifie prcisment avec cette gomtrie dprouvettes.
4.3 Torsion
Une srie dessais de torsion a t ralise sur lacier NV2-4 dans le cadre du projet europen TESTIFY. La gomtrie des prouvettes de torsion est dcrite dans la figure 47. Le plan dexprience est compos de trois tempratures (900C, 1000C et 1100C) et de trois vitesses de dformation (0.1/s, 1/s et 10/s).
114
Torsion
17 6
Figure 47 : gomtrie des prouvettes de torsion
Lcoulement de matire au cours dun essai de torsion tant htrogne, lutilisation dune mthode inverse couple une mthode lments finis est ncessaire lanalyse de lessai. Gavrus et al. (1999) ont dmontr lintrt de cette approche, notamment pour la prise en compte de lautochauffement. Les simulations numriques de lessai de torsion ont t ralises en utilisant la version de FORGE2 dveloppe par L. DAlvise (2002). Il sagit dune version de FORGE2 axisymtrique laquelle a t rajoute une vitesse de rotation. Cette formulation a t initialement dveloppe dans le but de simuler le procd de soudage par friction, mais peut tre utilise pour la simulation de lessai de torsion. Cette approche permet de simuler lcoulement de matire htrogne induit par cet essai (Figure 48).
Figure 48 : champ de dformation gnralise obtenu la fin dun essai de torsion simulation numrique effectue avec FORGE2
Nous avons identifi les paramtres du modle rhologique 1 [eq. (37)] en 17 itrations de la mthode de Gauss-Newton stabilise (Tableau 12).
115
Chapitre 4 Exemples dapplications Valeurs initiales 0.9 0.15 0.12 5000 -1 1.08 5000 Valeurs identifies 1.5 0.148 0.37 5256 -9.28.10-2 12.96 4692 9.44%
K0 (MPa.s ) m n (K) r Ksat (MPa.sm) sat (K) final
Lanalyse de stabilit indique que les paramtres sont relativement bien dtermins malgr leur nombre important. La raison de cette stabilit est certainement la richesse du plan dexprience. Si nous utilisons la relation (51), nous constatons que la plupart des valeurs des paramtres sont trs bien caractrises. Seuls les paramtres r et Ksat semblent un peu plus sensibles des variations de donnes exprimentales.
F 2 K 0 0.53 F2 K0 F 2 r 13 r F2
F 2 m 0.041 F2 m
F 2 n 0.33 F2 n
F 2 0.088 F2
F 2 K sat 13.3 K sat F2
F 2 sat 0.58 sat F2
(196)
Le couple calcul la fin de lidentification est en accord avec le couple mesur exprimentalement (Figure 49).
7 6 5 Torque (Nm) 4 3 2 1 0 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 Number of tour experimental data computed data
Figure 49 : comparaison entre le couple mesur et le couple calcul avec FORGE2 aprs analyse inverse
116
Torsion Afin de tester le caractre prdictif de la mthode, des essais complmentaires ont t raliss 950C et 1050C pour les trois vitesses de dformation de ltude (0.1/s, 1/s et 10/s). Cet exemple montre bien que lorsque le plan dexprience est suffisamment complet et lorsque la fonction cot est suffisamment basse la fin de la procdure doptimisation, la loi de comportement identifie est bien prdictive lintrieur des intervalles de temprature et de vitesse de dformation (Figure 50).
6
4 Torque (Nm)
2 experimental computed
0 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 number of tour
Figure 50 : comparaison entre des mesures de couples et les prvisions avec FORGE2
Afin de vrifier que la mthode est suffisamment stable, nous avons tudi linfluence dune variation de la longueur ou bien du rayon de lprouvette sur les valeurs des paramtres identifis et sur les courbes contrainte dformation aprs recalage. Soient R le rayon de lprouvette et L sa longueur. Nous avons calcul, en utilisant le module danalyse de sensibilit semi-analytique, la drive du couple par rapport R et L. De ces valeurs sont dduites les drives des paramtres identifies par rapport R et L :
dK = 1.084 MPa.s m dR dn = 2.7.10 3 dR d = 2.05 K dR dr = 2.20.10 2 dR dK sat = 6.356 MPa.s m dR d sat = 40.14 K dR dm = 6.04.10 5 dR dK = 0.0106 MPa.s m dL dn = 4.7910 4 dL d = 3.77.10 1 K dL dr = 3.95.10 3 dL dK sat = 0.447 MPa.s m dL d sat = 7.23 dL dm = 1.08.10 5 dL
(197)
117
Cette analyse de sensibilit met en vidence que les rsultats de lanalyse inverse dpendent fortement de la prcision sur la valeur du rayon. Par contre, une incertitude sur la longueur de lprouvette semble moins dtriorer les rsultats. Roebuck et al. (2003), prconisent une tolrance de 0.01 mm sur les cotes des prouvettes ainsi que sur lalignement de la machine dans leur Measurement good practice guide ddi aux essais de torsion chaud. Linfluence dune variation de 0.1 mm de rayon et de longueur sur la contrainte dcoulement est montre respectivement dans les figures 51 et 52.
120
100
contrainte (MPa)
80 contrainte identifie borne infrieure borne suprieure 40
60
20
0 0 0.2 0.4 0.6 0.8 1 1.2 1.4

dformation
Figure 51 : influence dune variation de 0.1 mm de la longueur sur la contrainte dcoulement identifie (T=1000C,
=1s-1)
120
100
contrainte (MPa)
80
60
contrainte identifie borne infrieure borne suprieure
40
20
0 0 0.2 0.4 0.6 0.8 1 1.2 1.4 dplacement
Figure 52 : influence dune variation de 0.1mm de rayon sur la contrainte dcoulement identifie (T=1000C,
=1s-1)
118
Test SICO Il est bien mis en vidence que la tolrance sur la cote du rayon doit tre plus faible que la tolrance sur la longueur. En dfinitive, il semble bien quune tolrance de 0.01 mm soit tout fait satisfaisante pour effectuer une identification de paramtres rhologiques avec cette gomtrie dprouvette. Lanalyse de sensibilit peut donc tre utilise comme une aide la dtermination de la tolrance sur les cotes dprouvettes de torsion. Cet exemple met donc en lumire tout lintrt de dvelopper une mthode danalyse de sensibilit. Lanalyse de sensibilit permet donc non seulement dutiliser des mthodes direction de descente et dtudier leur stabilit ; mais cest aussi un outil daide la conception dessais.
Remarque : Lapparition dune couche doxydation lors dessais de torsion chaud peut engendrer des variations de diamtre relativement importante par rapport la tolrance fixe.
4.4 Test SICO

Le test SICO (Strain Induced Crack Opening) est, lorigine, un essai de formabilit. Cet essai est caractris par une trs forte htrognit du champ de temprature et de dformation. Dans ce test, un gradient de temprature est impos initialement une prouvette cylindrique de diamtre 10 mm et de longueur 150 mm. Lorsque lquilibre thermique est atteint, on effectue une compression de lprouvette. Le champ de dformation ainsi obtenu est fortement htrogne cause de la thermo-dpendance du comportement du mtal tudi. Il se forme donc un bomb au centre de lprouvette (Figure 53).
Figure 53 : prouvettes avant et aprs un test SICO ( Dal Negro et al. 2002)
Cet essai peut tre utilis comme un essai rhologique grce un module danalyse inverse coupl avec un modle lments finis. Il nest en effet pas envisageable de dvelopper un modle analytique dcrivant lcoulement de matire induit par le test SICO. Notons que cet essai prsente lavantage de ne pas tre perturb par du frottement entre loutil et la pice. De plus, de par les conditions thermiques relativement complexes, chaque essai contient beaucoup dinformations sur la thermodpendance du comportement du matriau. Le profil de temprature de lprouvette au dbut de lessai est prsent dans la figure 54. Lessai est ralis sur des prouvettes en acier inoxydable (AISI 304) pour trois vitesses de course de loutil : (10, 15 et 25 mm/s).
119
1200 1000
Temperature [ C]
800 600 400 200 0 0 50 100 150 Longueur prouvette [mm]
Figure 54 : profil de temprature au dbut de lessai ( Dal Negro et al. 2002)
Les tests SICO ont t raliss sur une machine Gleeble luniversit de Padoue. Lessai tant axisymtrique, nous avons utilis notre module inverse coupl avec FORGE2 (Figure 55) pour identifier les paramtres dune loi de Norton-Hoff [eq. (34)].
Figure 55 : exemple de simulation du SICO test avec FORGE2 (taux de dformation) (Dal Negro et al. 2002)
Le jeu de paramtres identifi aprs 5 itrations de lalgorithme de Gauss-Newton stabilis est prsent dans le tableau 13.
Paramtres K (MPa.sm) m n (K) Valeurs identifies 4.92 0,18 0,087 3783
Tableau 13 : rsultat de lidentification des paramtres de la loi de Norton-Hoff
Au vu des coefficients de corrlation entre les paramtres, nous pouvons dduire que les effets de K et de ne sont pas mieux discrimins avec le test SICO quavec un essai de compression ou de torsion classique :
dL dL , ) = 0.797 dK dm dL dL cos( , ) = 0.998 dK d dL dL cos( , ) = 0.793 dm d cos( dL dL , ) = 0.593 dK dn dL dL cos( , ) = 0.318 dm dn dL dL cos( , ) = 0.597 dn d cos(
120
Bipoinonnement Mais, il serait intressant de voir si le coefficient de corrlation entre K et nest pas plus faible dans le cas o lon utilise diffrentes conditions initiales en thermique. Cet essai montre lintrt de lutilisation de mthodes inverses pour dvelopper de nouveaux essais rhologiques. La complexit de lcoulement du matriau nest en effet plus un point de blocage, condition bien sr que lon matrise les conditions opratoires.
4.5 Bipoinonnement
Lessai de bipoinonnement est frquemment utilis afin de caractriser un matriau dans des conditions proches de celles rencontres lors du laminage de produits plats, ou de faon gnrale, pour reproduire des conditions de dformation plane. La figure 56 montre le dispositif exprimental de cet essai, constitu de deux outils paralllpipdiques venant serrer un chantillon plan.
Figure 56 : gomtrie de lessai de bipoinonnement
Dans le cadre du projet europen TESTIFY, une srie dessais de bipoinonnement dprouvettes en laiton (CuZn40Pb2) a t ralise pour diverses tempratures (500750C) et pour diverses vitesses de dformation (0.1-5s-1). Le but de notre analyse est de fournir une loi de comportement partir de mesures defforts effectues au cours de cette campagne dessais. Aprs une premire srie dessais, nous avons pu constater que des instabilits dcoulement apparaissent lorsque lprouvette est trop paisse par rapport la largeur des poinons. On observe un cisaillement trs important au moindre dfaut dalignement de lprouvette avec les poinons. Afin de remdier ces instabilits, nous avons utilis les gomtries dprouvettes dcrites la figure 57.
2cm 2.5cm 1cm
2cm 2.5cm 0.5cm
3.5cm
3.5cm
Figure 57 : prouvettes utilises pour les essais de bipoinonnement
Kubi (1980) a dmontr que leffort mesur au cours dun essai de poinonnement est dautant plus sensible au frottement que lprouvette utilise est fine. Ainsi, cause des instabilits dcoulement, nous sommes tenus dutiliser des prouvettes pour lesquelles leffort est sensible au frottement. De cette constatation, il nous a sembl envisageable,
121
Chapitre 4 Exemples dapplications dans ce cas, didentifier simultanment les coefficients de comportement et de frottement partir de mesures deffort.
4.5.1 Simulation numrique de lessai de bipoinonnement

Aprs avoir effectu les premiers essais, nous avons constat que le laiton avait tendance sadoucir au cours de la dformation. Ceci sexplique par le fait que notre campagne dessais se situe dans une gamme de tempratures correspondant un changement de phase (Figure 58). En effet, lalliage de laiton considr contient 40% de zinc et est dform des tempratures variant de 500 700C dans nos essais. Or, entre ces deux tempratures, le diagramme de phase indique que le laiton subit une transformation.
Figure 58 : diagramme de phase du laiton
Pour effectuer une analyse inverse cohrente et prcise, il est ncessaire dutiliser une loi de comportement suffisamment complexe pour reprsenter le comportement rel du matriau. Dans ce cas, il nest pas possible de modliser le comportement du matriau avec une loi aussi simple que la loi de Norton-Hoff [eq. (34)]. Cest pour cela que nous avons utilis en un premier temps le modle 1 [eq. (37)]. Cette loi prsente en effet lavantage de pouvoir simuler de faon globale un adoucissement dun matriau. En fait, elle permet de prendre en compte la prsence de deux phase diffrentes. Dans ce contexte, le paramtre W peut alors tre considr comme un pourcentage de phase et le modle 1 est considr comme une loi de mlange. A cause de lcoulement latral de matire entre les mors, lessai de bipoinonnement est un essai tridimensionnel. Nombre dauteurs utilisent des formulations lments finis 2D pour simuler lessai de bipoinonnement. Afin de prendre en compte lcoulement latral de matire, leffort doit alors tre corrig par un terme dpendant du taux de frottement et de la surface en contact. Nous avons choisi de simuler les essais de bipoinonnement avec FORGE3 afin de prendre en compte le caractre 3D de cet essai
122
Bipoinonnement (Figure 59). La formulation retenue est donc compltement tridimensionnelle. Une comparaison entre une prouvette aprs dformation et le rsultat dune simulation FORGE3 montre que cette approche permet de suivre lvolution de la gomtrie des prouvettes au cours de lessai (Figure 60).
Figure 59 : simulation dun essai de bipoinonnement avec FORGE3
Figure 60 : comparaison entre un prouvette aprs dformation et le rsultat dune simulation avec FORGE3
4.5.2 Gomtries des prouvettes et identifiabilit du systme

Il est connu que le frottement joue un rle dautant plus important que le rapport hauteur de lprouvette sur largeur du poinon est faible. Or, il est ncessaire dutiliser des prouvettes relativement peu paisses afin dviter des instabilits dcoulement. Aprs avoir effectu une analyse de sensibilit, nous avons constat que leffort est effectivement sensible au coefficient de frottement. Si les effets de corrlation entre le coefficient de frottement et les coefficients de comportement ne sont pas trop importants, il est possible didentifier simultanment tous ces paramtres. Une premire srie de simulations a t effectue en nutilisant que les prouvettes de hauteur 1cm avec le plan dexprience dcrit dans le tableau 14.
123
Temperature (C) (s-1) 0.1 5
550 + +
600
650 +
700 + +
Lanalyse de sensibilit montre que la corrlation entre K et m est de 0.994. Il est donc trs difficile de discriminer les effets de K et de m sur leffort. Dailleurs, lanalyse de stabilit montre bien que lincertitude sur le coefficient de fortement est trs importante.
F m < 98.30 m F
F K 0 < 43.37 K0 F
(198)
Lidentification simultane des coefficients de frottement et de la loi de comportement sest donc avre impossible en raison du mauvais conditionnement du problme inverse. Nous avons alors ralis lanalyse de sensibilit en utilisant les deux gomtries dprouvettes. Le plan dexprience utilis est dcrit dans le tableau 15. Tempratures (C) (s-1) 0.1 Gomtrie 1 Gomtrie 2 5 Gomtrie 1 Gomtrie 2 550 600 650 700
+ + + + +
+ +
+ + + +
La corrlation entre K et m passe alors 0.870 et le systme peut tre considr comme identifiable. Douze itrations de lalgorithme de Gauss-Newton stabilis ont t ncessaires pour obtenir le jeu de paramtres optimal (Tableau 16). Valeurs initiales 0.3 30. 0.1 0.1 6000 1. 30 6000. Valeurs identifies 0.71 67.22 0.26 8.52.10-2 5461.92 0.72 9.50 5034.09 11.96%
m K0 (kPa.sm) m n (K) r Ksat (kPa.sm) sat (K) final
124
Bipoinonnement Une relativement bonne correspondance entre les valeurs exprimentales et les rsultats numriques est obtenue (Figures 61 et 62).
6
computed load (model 1)

5
measured load
4 load (Tons)
0 0 0.5 1 1.5 2 stroke (m m) 2.5 3 3.5 4
Figure 61: comparaison entre leffort exprimental et leffort calcul pour =0.1s-1
et pour les deux gomtries
12 10 8
load (Tons)
6 4 2 0 0 0.5 1 1.5 2
stroke (mm)
computed load (model 1) measured load
2.5
3.5
Figure 62: comparaison entre leffort exprimental et leffort calcul pour =5s-1
Malgr tout, le problme est mal conditionn et les valeurs des paramtres identifis sont relativement sensibles toute perturbation sur les mesures exprimentales :
F 2 m 8.28 m F2 F 2 4.29 F2 F 2 K 0 29.30 K0 F2 F 2 r 19.97 r F2 F 2 m 2.92 m F2 F 2 K sat 289.67 K sat F2 F 2 n 19.18 n F2 F 2 sat 286.11 sat F2
(199)
125
Chapitre 4 Exemples dapplications Ceci vient du fait que les effets de corrlation entre certains paramtres de la loi de dL dL comportement sont trs importants. Par exemple, cos = 0.9987 . La fonction dK , d 0 cot prsente donc trs certainement une valle dans un voisinage du jeu de paramtres optimal. Dun point de vue numrique, on ne peut pas vraiment parler de lunicit de la solution de ce problme. Cest pour cela quune mthode de Gauss-Newton sans terme de stabilisation est instable. Nous avons essay didentifier les paramtres dune loi de comportement un peu plus complexe afin de diminuer le rsidu aprs loptimisation :
sat n 0 = 3 (1 W )K 0 exp ( ) + WK sat exp T T (modle 2) W = 1 exp(r ) r = r + r T 0 1 m = m 0 + m 1 T 3
( )
(200)
En utilisant une fois de plus la mthode de Gauss-Newton stabilise, nous obtenons une valeur finale de la fonction cot lgrement plus faible que celle obtenue pour le modle 1 aprs 7 itrations (Tableau 17). Valeurs initiales 0.71 113. 0.26 2.10-4 0.085 5015 -1.45 2.8. 10-3 1.18. 10-2 5077 Valeurs identifies 0.63 79.61. -0.25 5.97.10-4 8.72.10-2 5348.39 -2.74 4.52.10-3 15.1 5474.74 10.33%
K0 (kPa.sm) m0 m1(K-1) n (K) r0 r1(K-1) Ksat (kPa.sm) sat (K)

final
Les courbes effort/dplacement obtenues avec ce modle sont plus proches des donnes exprimentales que celles issues de lidentification du modle 1 (Figures 63 et 64).
126
Bipoinonnement
computed load (model 1) computed load (model 2) measured load
4 load (Tons)
0 0 0.5 1 1.5 2 stroke (m m ) 2.5 3 3.5 4
Figure 63 : comparaison entre leffort exprimental et leffort calcul pour
= 0.1s -1 et pour les deux gomtries
12 10 8
load (Tons)
6 4 computed load (model 1) 2 0 0 0.5 1 1.5 2

stroke (m m )
computed load (model 2) measured load 2.5 3 3.5 4
Figure 64 : comparaison entre leffort exprimental et leffort calcul pour
=5s-1
Lincertitude sur les paramtres est plus importante que pour le modle 1 car de nouveaux effets de corrlation apparaissent lorsque lon rajoute des paramtres. En fait, il faut une mthode doptimisation robuste et un plan dexprience assez complet car le type de modle que nous utilisons introduit de nombreux effets de corrlation entre les paramtres, ce qui a pour effet de rendre le problme inverse mal conditionn. Dun autre ct, si lon complexifie le modle direct, de meilleurs rsultats sont obtenus. En dfinitive, ltude des effets de corrlation et lanalyse de stabilit nous permettent didentifier les paramtres de modles rhologiques plutt complexes. De plus, nous avons pu effectuer, grce cette approche, une optimisation du plan dexprience afin de rendre les paramtres de frottement et de comportement simultanment identifiables. Lanalyse de sensibilit nest donc plus considre comme un simple outil doptimisation, mais cest aussi un outil daide la conception dexpriences et de campagnes dessais.
127
4.5.3 Sensibilit des paramtres identifis par rapport au frottement

Aprs avoir identifi les paramtres du modle 1, nous avons tudi linfluence du coefficient de frottement sur les paramtres identifies. Le rsultat suivant est obtenu :
dK 0 = 2,52.10 2 kPa.s m dm d = 35,49K dm dK sat = 1,98.10 3 kPa.s m dm dm = 8,16.10 4 dm
dn = 1,13.10 3 dm dr = 3,03.10 4 dm d sat = 4,48K dm
(201)
Il semble que seuls K0 et Ksat soient affects de faon significative par un changement de coefficient de frottement. Linfluence sur les autres paramtres est ngligeable :
K 0 m 0,20 K0 m m 4,2.10 3 m K sat m 0,24 K sat m n m 1,9.10 3 n m
n m 8.10 3 n m m 2,7.10 4 m sat m 4,9.10 4 sat m
(202)
En fait, nous pouvons en dduire quune erreur de 1% sur le coefficient de frottement engendre un cart de lordre de 0,2% sur la contrainte dcoulement. La figure 65 montre leffet dune variation de plus ou moins 0,1 du coefficient de frottement sur la courbe contrainte dformation obtenue pour une vitesse de dformation de 0,1/s et pour une temprature de 600C.
128
Utilisation de mesures de champs de dformation pour la caractrisation de tles

80 70 contrainte d'coulement 60 sigma (MPa) 50 40 30 20 10 0 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 dformation quivalente borne suprieure borne infrieure
Figure 65 : influence dune variation de 0.1 du coefficient de frottement sur la contrainte dcoulement pour =0.1 s-1
Mme si la corrlation entre le coefficient de frottement et certains paramtres de la loi de comportement est importante, il existe un cart de sensibilit entre ces paramtres qui fait que lidentification simultane du coefficient de frottement et des coefficients de la loi de comportement nintroduit donc pas dincertitude significative sur la contrainte dcoulement.
4.6 Utilisation de mesures de champs de dformation pour la caractrisation de tles

Dans les applications que nous venons de prsenter, lobservable utilise est soit une mesure deffort, soit une mesure de couple. Mais la mthode inverse que nous avons dveloppe est suffisamment gnrale pour permettre dutiliser dautres types dobservables. A partir de cette constatation, nous avons eu lide dutiliser des mesures de champs de dformation effectues laide du systme de corrlation dimages Aramis, lors dessais mcaniques raliss sur des tles, pour caractriser la rhologie de mtaux. Nous nous sommes intresss plus prcisment lanalyse de lessai de gonflage hydraulique et de lessai Nakazima.
4.6.1 Description du systme de corrlation dimages Aramis

Le systme de mesure Aramis a t acquis au CEMEF aprs des essais croiss mens avec des laboratoires dveloppant ce type de techniques (Ecole des Mines dAlbiCarmaux, INSA Lyon et Braunschweig Universitt). Le principe de ce systme est le suivant (Knockaert (2001)) : on imprime sur les pices un motif alatoire laide de peinture ou bien en faisant un dpt lectrolytique. deux photographies de lprouvette avant dformation sont prises sous un angle diffrent. deux photographies des pices dformes sont nouveau prises
129
Chapitre 4 Exemples dapplications une des photographies de la configuration initiale est prise comme rfrence et est dcompose en carrs dune dizaine de pixels. le logiciel effectue trois tapes de corrlation entre limage de rfrence et les autres images afin de calculer la transformation mathmatique (lapplication linaire tangente) qui permet de passer du carr initial au carr dform. Lutilisation du motif alatoire assure lunicit du voisinage dun point et sert faire la correspondance entre les carrs dformes et les carrs non dformes. cette analyse, associe lutilisation des deux camras, permet de dterminer le dplacement 3D ainsi que la distorsion de chaque carreau. Les dformations sont ainsi calcules partir du calcul du gradient de la transformation.
Ce systme a tout dabord t valid par comparaison avec des mesures effectues par extensomtres. De plus, on vrifie que lapplication dun mouvement de corps rigide la pice donne bien un champ de dformation nul. Suivant le montage de lexprience, on peut soit suivre lvolution de la dformation en prenant une srie de photographies (ce qui permet de suivre le chemin de dformation de tous les points de lprouvette), soit juste recomposer le champ de dformation final (cest dire, dans notre cas, rupture). Les mesures de champs de dformation sont classiquement utilises pour la dtermination de Courbes Limites de Formage (CLF) (Knockaert (2001)). Pour introduire la problmatique de la mise en forme de tles mtalliques, nous pouvons dire que la formabilit des tles dpend du chemin de dformation subit par la matire. Ainsi, la caractrisation de CLF se fait par le biais de diffrents essais (essais de gonflage, Nakazima, traction, etc.) qui ont pour but de faire varier le chemin de dformation. Afin de paramtriser le chemin de dformation, on utilise gnralement le rapport des dformations principales minimale et maximale dans le plan de la tle. Le but des essais de formabilit est de faire varier entre 0.5 (traction) et 1 (expansion biaxiale). Par dfinition, on dit que lon est en expansion lorsque est positif et en rtreint lorsque est ngatif (Figure 66).
Traction
= 0.5
I
Biexpansion
rtreint
=0
=1
expansion
II
Figure 66 : espace des dformation principales
Plutt que de nexploiter que les mesures de dformation rupture, nous avons dcid dutiliser linformation concernant le comportement de tles contenue dans ces essais
130
Utilisation de mesures de champs de dformation pour la caractrisation de tles avant lapparition de la striction localise. Pour ce faire, nous avons analys des essais de gonflage ainsi que des essais Nakazima avec notre modle inverse. Comme dans le cas du test SICO, le but ici est de dmontrer que lon peut utiliser certains essais de formabilit comme essais rhologiques, malgr lcoulement htrogne de matire que lon peut rencontrer.
4.6.2 Identification dune loi de comportement isotrope partir dessais de gonflage hydrauliques
M. Ben Tahar (Ben Tahar et Massoni (2003)) a effectu des essais de gonflage circulaire sur des tles en acier doux. Le diamtre dh de la matrice est de 125 mm (plusieurs dizaines de fois suprieur lpaisseur de la tle afin de rduire leffet de flexion), le rayon dentre Rh de la matrice tant de 10 mm (Figure 67). La tle est fixe entre la matrice et le serre-flan avec un effort de serrage de 104 tonnes. Un jonc de retenu au niveau du flan, empche tout avalement de matire et assure ainsi une expansion equibiaxiale au niveau du sommet de la tle dforme. Il est noter que lutilisation de serre-flans elliptiques permet de faire varier le chemin de dformation de la matire, ce qui est trs utile lorsque lon veut construire une CLF. Durant lessai, la tle est gonfle sous laction dun liquide sous pression et des images de la tle dforme sont prises avec deux camras pour permettre une analyse stro 3D. Au pralable, un motif alatoire a t imprim par dpt lectrolytique sur la tle non dforme afin dutiliser le logiciel de corrlation dimages Aramis pour mesurer le champ de dplacement. Notons que ce type dessai prsente lavantage dtre effectu dans des conditions exprimentales proches de celles rencontres lors dune mise en forme par hydroformage (en terme de chemin de dformation). Il est gnralement analys en utilisant une approximation polynomiale de la surface de la tle dforme.
ht
e0
Figure 67 : essai de gonflage hydraulique
131
Figure 68 : dispositif exprimental de lessai de gonflage
Une photographie dune tle aprs rupture ainsi que le rsultat de lanalyse Aramis sont prsents sur la figure 69. Dans ce cas, lobservable que nous allons utiliser nest plus une mesure globale (comme leffort ou bien le couple) mais bien une mesure locale, effectue en plusieurs points de la tle. La quantit dinformation contenue dans ce type de donnes exprimentales est alors plus importante.
Figure 69 : photographie de la tle aprs rupture et dformation majeure calcule avec Aramis pour un gonflage circulaire
Le modle inverse coupl avec FORGE2 est utilis afin de caractriser la rhologie de lacier. La loi de comportement utilise pour la modlisation est une loi dcrouissage de type Hollomon :
0 = 3K n = (K, n )
(203)
Grce au champ de dformation fourni par Aramis, il est possible de suivre la trajectoire de plusieurs points sur la tle. Cette information a t introduite dans une nouvelle fonction cot :
132

i = Ni
( ) =
j= NbPoin t
j=1
X (t ) X (t )
cal j i exp j i i =1 i = Ni i =1
X (t )
exp j i
(204)
o NbPoint est le nombre de points dont la trajectoire est suivie, Ni est le nombre dinstants de mesure, X exp j (t i ) est la position du j-ime point mesure linstant ti et X cal j (t i ) est la position du j-ime point calcule linstant ti. Les valeurs finales des paramtres sont K= 0.518 MPa, n= 0.206 et la fonction cot vaut 2.6%. Une trs bonne concordance entre les profils calculs et exprimentaux est constate la fin du calcul (Figure 70).
40 35 30 25 z (cm) 20 15 10 5 0 0 5 10 15 r (cm) 20 25 30 35
Xcal Xexp
Figure 70 : volution du profil de la tle au cours du temps comparaison exprience/simulation
Lanalyse de stabilit donne le rsultat suivant :
X 2 K 3.6 K X2 X 2 n 9.0 n X2
(205)
Les paramtres de la loi dcrouissage sont dtermins avec prcision par lanalyse inverse du procd de gonflage, et nous pouvons dduire que le gonflage hydraulique de tles constitue un essai rhologique qui peut tre analys par mthode inverse partir de donnes issues du logiciel Aramis. En un second temps, nous avons essay didentifier les paramtres du critre de plasticit anisotrope de Hill (1948) [eq. (109)] en utilisant des mesures effectues lors de gonflages de tles avec des serre-flans elliptiques raliss dans diverses directions
133
Chapitre 4 Exemples dapplications par rapport au sens de laminage. En fait, il sest avr que lcoulement de matire au cours de cet essai est trop prescrit pour permettre lidentification de ces paramtres. En dfinitive, il semble que lessai de gonflage soit un bon essai pour caractriser la contrainte dcoulement, mais quil ne permette pas de caractriser de faon prcise le caractre anisotrope de la dformation plastique du matriau tudi.
4.6.3 Analyse de lessai Nakazima

Lessai Nakazima est un essai demboutissage de tle gnralement utilis pour dterminer des courbes limites de formage. Il sagit demboutir une tle avec un poinon sphrique. Suivant la forme de lprouvette emboutie, on peut se trouver soit dans la zone de rtreint, soit dans la zone dexpansion. Ainsi, cet essai permet dtudier linfluence du chemin de dformation sur la formabilit dune tle. Plutt que dutiliser lessai Nakazima de manire classique, i.e. comme simple mesure de la dformation rupture, nous lavons tudi comme un essai rhologique complet. En effet, la mesure de leffort au cours du temps fournit une information sur la contrainte dcoulement. De plus, lutilisation du systme de corrlation dimages Aramis permet de recomposer le champ de dformation la fin de lessai. Cette dernire mesure fournit une information sur lanisotropie du matriau. Contrairement lessai de traction, avec lequel il prsente un certain nombre de similitudes, cet essai induit un coulement de matire htrogne.
4.6.3.1 Description du protocole exprimental

Les prouvettes sont embouties par un poinon sphrique de rayon 30 mm mont sur une machine DARTEC de 30 tonnes de puissance. La tle est maintenue par un serreflan prsentant un jonc de retenue de rayon 64 mm (Figure 71).
Vrins pneumatiques Tle Poinon Serre-flan
Figure 71 : montage de lessai Nakazima
Le jonc de retenue et le serre-flan ont pour but dviter un avalement de matire au cours de lemboutissage. La gomtrie des prouvettes est dcrite dans la figure 72. Pour de faibles valeurs de W, la dformation est effectue dans le domaine du retreint, alors que pour des valeurs relativement leves de W, on se situe dans le domaine de lexpansion (Figure 73). Dans le cadre de cette tude, nous avons utilis des prouvettes
134
Utilisation de mesures de champs de dformation pour la caractrisation de tles pour lesquelles W=20 mm, ce qui correspond une dformation dans le domaine du rtreint.
R=50 mm 50 mm
200 mm
Figure 72 : gomtrie des prouvettes Nakazima
= 0 .5
W faible
I
W lev
=0
rtreint expansion
=1
II
Figure 73 : variation du chemin de dformation suivant la valeur de W
Le but de cette tude est didentifier les paramtres rhologiques froid de laluminium 5754 sous forme de tles de 1 mm dpaisseur. Afin de caractriser le caractre anisotrope du matriau (i.e. de dterminer les paramtres du critre de Hill), trois essais ont t effectus, avec des prouvettes dcoupes dans trois directions diffrentes. Une prouvette a t dcoupe dans la direction de laminage, une seconde 45 et une troisime 90 par rapport la direction de laminage. Au cours de lessai sur chacune des prouvettes, la courbe effort/dplacement est enregistre et lprouvette dforme est analyse laide du logiciel Aramis de sorte que lon ait accs au champ de dformation la fin du procd. Il est noter que le frottement peut jouer un effet parasite au cours de cet essai et rendre lidentification des paramtres rhologiques dlicate. Afin de le supprimer, ou du moins de le limiter, nous avons lubrifi les prouvettes avec des feuilles de tflon associes de la graisse. Cette lubrification permet de rendre le frottement ngligeable. En effet, lorsque lon nutilise pas de lubrifiant, le pic du champ de dformation est excentr. Ce pic se rapproche du sommet du poinon lorsque le frottement diminue. Ainsi, lorsque lon effectue une simulation avec un frottement de Tresca de 0.1, on constate que le pic
135
Chapitre 4 Exemples dapplications est fortement dcal, alors quavec un frottement nul, il est parfaitement centr (Figure 74).
Figure 74 : comparaison du champ de dformation principale pour un frottement nul (gauche) et pour un frottement de Tresca de 0.1 (droite)
La position du pic obtenue avec Aramis nous indique donc que le frottement est trs faible avec notre lubrification (Figure 75). Mme si nous le considrons comme nul dans les simulations, il faudrait, dans labsolu, identifier ce coefficient plus prcisment. Nous navons malheureusement pas eu le temps deffectuer des essais de frottement ou bien dutiliser la position du pic en dformation pour effectuer une analyse inverse.
Figure 75 : champ de dformation principale mesur par Aramis pour un cas lubrifi correctement (gauche) et pour un cas mal lubrifi (droite)
136
4.6.3.2 Une analyse inverse en 2 tapes

Le but de lanalyse de lessai Nakazima est didentifier les paramtres de la contrainte dcoulement ainsi que les paramtres du critre de plasticit anisotrope de Hill. Notre intuition est que leffort est surtout sensible aux paramtres de la contrainte dcoulement alors que le champ de dformation est plutt influenc par les paramtres danisotropie tels que ceux du critre de Hill. Si cette hypothse se rvle exacte, lanalyse peut se faire en deux tapes : - tape 1 : nous pouvons identifier les paramtres de la contrainte dcoulement grce aux mesures deffort en utilisant un critre de von Mises. - tape 2 : nous fixons les paramtres de la contrainte dcoulement afin didentifier les paramtres du critre de Hill. Exprimentalement, nous avons constat quil ny avait pas dinfluence de la direction dans laquelle lprouvette a t dcoupe sur la mesure de leffort (Figure 76), ce qui nous conforte dans lide que leffort nest pas sensible aux paramtres du critre de Hill.
4 3.5 3 2.5
effort (kN)
2 1.5 1 0.5 0 0 -0.5

dplacement (mm)
effort 90 effort 45
10
12
14
16
18
20
Figure 76 : comparaison entre leffort obtenu avec une prouvette dcoupe 90 avec leffort obtenu avec une prouvette dcoupe 45 par rapport la direction de laminage
4.6.3.3 Identification des paramtres de la contrainte dcoulement

Afin danalyser lessai Nakazima, il est ncessaire de le simuler avec FORGE3 (Figure 77). Pour se faire, une loi puissance a t utilise pour modliser le comportement du matriau :
0 = 3K n = (K, n )
(206)
La premire tape de lanalyse de lessai Nakazima consistant dterminer les paramtres de la contrainte dcoulement indpendamment des paramtres du critre de
137
Chapitre 4 Exemples dapplications Hill (1948), nous avons effectu les premires simulations en utilisant un critre de von Mises. En effet, leffort tant a priori insensible lanisotropie, une simulation utilisant un critre isotrope suffira pour identifier les paramtres K et n partir de leffort.
Figure 77 : rsultat dune simulation dun essai Nakazima avec FORGE3
Aprs 7 itrations de lalgorithme de Gauss-Newton, une valeur de la fonction cot de 1.1% est obtenue. Cette valeur correspond une trs bonne correspondance entre leffort exprimental et leffort simul aprs recalage (Figure 78). Les valeurs identifies sont : K = 250 MPa, n=0.31.
4 3.5 3 2.5
effort (KN)
2 1.5 1 0.5 0 0 5 10
dplacement (mm)
effort calcul effort exprimental
15
20
Figure 78 : comparaison entre leffort calcul avec FORGE3 aprs recalage avec leffort exprimental
Lanalyse de stabilit par rapport une perturbation sur les donnes exprimentales montre que les valeurs de ces paramtres sont relativement bien dtermines :
138

F dK 5 .7 K F F dn 6 .5 n F
(207)
Le fait que la mesure de leffort nest pas sensible aux paramtres du critre de Hill est lhypothse de base de cette analyse. Il est donc important de vrifier a posteriori la validit de cette hypothse. Pour ce faire, aprs avoir identifi les paramtres de la loi de comportement, nous avons effectu une analyse de sensibilit de leffort par rapport aux paramtres du critre de Hill, pour FH=GH=HH=0.5 (matriau isotrope). Afin de dterminer si linfluence de ces paramtres est ngligeable par rapport linfluence de K et de n, nous avons compar les sensibilits homognises : dF dF = d d hom og (208)
La figure 79 montre bien que les paramtres du critre de Hill ont une influence ngligeable sur leffort. Ainsi, seuls les paramtres de la contrainte dcoulement ont une influence non ngligeable sur leffort. Nous pouvons donc bien dcoupler lidentification des paramtres de la contrainte dcoulement et lidentification des paramtres du critre de Hill.
5 4
sensibilit homognise (kN)
3 2 1 0 0 -1 -2 -3
dplacement (mm)
K dF dK n dF dn
FH dF dFH
G H dF dG H
2 4 6 8 10 12 14 16 18 20
Figure 79 : sensibilits homognises de leffort F par rapport aux paramtres FH et GH du critre de Hill et par rapport aux paramtres K et n de la contrainte dcoulement
Enfin, nous vrifions que lincertitude sur le coefficient de frottement entre le poinon et la pice ne dtriore pas trop le rsultat de lanalyse inverse.
139
dK = 165 MPa.s m dm dn = 2,28.10 2 dm
(209)
En fait, vu linfluence du coefficient de Tresca sur la position du pic de dformation (Figure 74), nous avons pu estimer une valeur de m entre 0 et 0.05, ce qui correspond une incertitude de lordre de 2 3% sur la contrainte dcoulement.
4.6.3.4 Identification des paramtres du critre de Hill

Une fois les paramtres de la contrainte dcoulement identifis, nous cherchons dterminer les paramtres du critre de plasticit de Hill. Pour se faire, nous disposons des dformations principales, dtermines laide du logiciel ARAMIS. Afin didentifier les paramtres du critre de Hill anisotrope, il est ncessaire de trouver une grandeur qui soit sensible ces paramtres. Nous avons raisonn par analogie avec lessai de traction, gnralement utilis pour la dtermination de ces paramtres. Lors dun essai de traction, on mesure le coefficient de Lankford. Soient I la dformation principale dans la direction de traction, II la dformation principale dans la direction transverse et III la dformation dans lpaisseur. Pour un essai donn, le coefficient r de Lankford est dfini comme suit : r=
II III
(210)
o II et III sont respectivement la deuxime et la troisime valeur propre du tenseur de Green-Lagrange (les valeurs propres tant classes dans lordre dcroissant). Le coefficient de Lankford est gnralement mesur pour une prouvette dcoupe dans la direction de laminage (r0), pour une prouvette dcoupe dans la direction transverse (r90), ainsi que pour une prouvette dcoupe 45 par rapport la direction de laminage (r45). Dans ce cas, les coefficients du critre de Hill sont donns par les relations suivantes :
GH = r r0 2(FH + G H )r45 + FH + G H 1 , H H = 0 , FH = , NH = 1 + r0 1 + r0 r90 (1 + r0 ) 2
(211)
Remarque : Dans un contexte anisotrope, la contrainte dcoulement est dfinie comme la contrainte obtenue partir dun essai de traction effectu sur une prouvette dcoupe dans le sens de laminage. Cette dfinition implique que GH+HH=1. De plus, gnralement, on pose LH=MH=NH (Knockaert (2001)). Ainsi, il est ncessaire de dterminer trois degrs de libert pour caractriser lanisotropie dune tle (FH, GH et NH).
Par analogie, nous avons pris comme observable, le rapport de deux des valeurs propres du tenseur des dformations de Green-Lagrange dans le cas de lessai Nakazima, en un point de la surface de la tle suivant le plan tangent :
140
Utilisation de mesures de champs de dformation pour la caractrisation de tles rn =
II III
(212)
Enfin, comme pour lessai de traction, nous avons utilis trois prouvettes, dcoupes 0, 45 et 90 par rapport la direction de laminage. Il faut noter que dans le cas de lessai de traction, le coefficient de Lankford peut tre considr comme une proprit intrinsque du matriau, reprsentant son caractre anisotrope. Dans le cas de lessai Nakazima, le champ de dformation ntant pas homogne, chaque point suit son propre chemin de dformation. Ainsi, le coefficient rn doit tre considr comme une mesure du chemin de dformation plutt que comme une proprit intrinsque du matriau. Il dpend en fait du frottement, du caractre anisotrope de la matire, de la position du point de mesure et de la forme de lprouvette. Dans ces conditions, on peut se demander en quel point il est prfrable de mesurer ce coefficient. Pour rpondre cette question, nous avons ralis une analyse de sensibilit prliminaire. Pour se faire, nous avons calcul la drive logarithmique de rn par rapport aux paramtres du critre de Hill sur toute lprouvette. 1 drn drn = d hom og rn d (213)
Les termes diagonaux de la matrice de Gauss-Newton correspondant aux carrs des drives logarithmiques de rn par rapport chacun des paramtres, nous avons prfr utiliser cette drive plutt quune drive classique pour dfinir la position des points de mesure. Nous avons constat la prsence de deux maxima de sensibilit de rn par rapport FH et GH sur laxe central : un au centre et lautre environ 11 mm du centre (Figures 80 et 81). La position de ces points est la mme quelles que soient les valeurs des paramtres du critre de Hill que nous avons testes (pour des coefficients de Lankford entre 0.6 et 1.4). Nous constatons que la drive logarithmique croit lorsque lon sloigne trop du centre. Cette croissance provient du fait que rn devient trs faible et ne correspond pas une augmentation de linformation. Mme si le pic de sensibilit nest pas trs marqu, nous avons choisi le point 11 mm pour les prouvettes 0 et 90. Daprs nos observations, il y a perte de contact entre le poinon et la tle en ce point. Dailleurs, si lon regarde la drive de rn, on constate que ce point correspond une valeur de la drive de rn par rapport au coefficient de frottement trs faible (Figure 83). Par contre, linfluence du frottement sur rn est relativement importante sous la zone en contact. Nous avons donc choisi de mesurer rn dans une zone hors contact afin de minimiser leffet du frottement sur lanalyse. Nous navons pas russi trouver un maximum de sensibilit de rn par rapport au coefficient LH bien marqu sur lprouvette 45 (Figure 82). Cette fois encore, plutt que dessayer damliorer le conditionnement de la matrice de Gauss-Newton, nous pouvons essayer de minimiser linfluence du frottement sur lanalyse de lessai en choisissant un point de mesure hors contact avec loutillage. Comme dans lessai de traction, linformation sur FH et GH est contenu dans les essais 0 et 90, alors que linformation sur LH est plutt contenue dans lessai 45. En dfinitive, la position des points de mesures retenue est donne dans la figure 84. Mme si le choix de ces points nest pas forcment optimal, nous sommes assurs de lidentifiabilit du problme ainsi que de la faible influence du coefficient de frottement sur lanalyse.
141
1.2
Pic de sensibilit
1/r.dr/dFH
0.8
0.6
0.4 sensibilite dans le cas anisotrope sensiblit dans le cas isotrope 0 0 5 10 15 abscisse curviligne 20 25 30
0.2
Figure 80 : analyse de sensibilit de rn par rapport FH sur une prouvette 0
142
Pic de sensibilit
3.5
2.5
1/r.dr/dGH
1.5
cas anisotrope
0.5
cas isotrope
0 0 5 10 15 abscisse curviligne 20 25 30
Figure 81 : analyse de sensibilit de rn par rapport GH sur une prouvette 0
143
1 0.9 0.8
1/r.dr/dLH
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 loi isotrope loi anisotrope
-15
-10
-5
0 abscisse curviligne
10
15
Figure 82 : analyse de sensibilit de rn par rapport LH sur une prouvette 45
144
0.8
0.6
dr/dm
0.4 loi isotrope 0.2 loi anisotrope
0 0 -0.2 5 10 15 20 25
-0.4
abscisse curviligne
Figure 83 : analyse de sensibilit de rn par rapport m
145
11 mm
Figure 84 : position optimale des points de mesure pour lanalyse inverse
Lanalyse inverse converge en 5 itrations et fournit le jeu de paramtres donn dans le tableau 18. En guise de rfrence, les coefficients de Lankford mesurs par V. Nalewajk (Nalewajk et al. (2003)) partir dessais de traction, et les coefficients obtenus partir de lanalyse inverse des essais Nakazima dcrite ci-dessus, sont donns dans le tableau 19. Nous pouvons constater un mme ordre de grandeur entre les rsultats obtenus partir des deux essais, ce qui nous conforte dans lide que lessai Nakazima peut tre utilis comme un essai rhologique pour rvler et identifier un comportement anisotrope. Cette approche permet de caractriser des mtaux pour des chemins de dformation allant du rtreint lexpansion, contrairement la simple analyse dun essai de traction. Valeurs initiales 0.5 0.5 1.5 Valeurs identifies 0.86 0.53 1.54 5.10-2 %
FH GH LH
final
Tableau 18 : rsultat de lidentification des paramtres du critre de Hill
r0 r45 r90
Traction 0.82 0.70 0.58

Tableau 19 : coefficients de Lankford
Nakazima 0.88 0.66 0.54
Lanalyse de stabilit montre que nos mesures caractrisent bien les coefficients danisotropie de laluminium tudi :
146
Conclusion sur les applications diffrents essais
r dFH 3.2 FH r r dG H 1.0 r GH r dL H 1.4 r LH (214)
Lessai Nakazima permet donc de caractriser la rhologie dune tle mtallique pour une grande varit de chemins de dformation, contrairement lessai de traction, qui ne permet que ltude de la rhologie pour un unique chemin de dformation (i.e. 0.5).
4.7 Conclusion sur les applications diffrents essais

Diverses applications de notre modle inverse ont t prsentes dans ce chapitre dans le but de dmontrer la gnralit et la stabilit de notre approche. Tout dabord, il a t montr que le modle inverse dvelopp permet de saffranchir dun certain nombre de simplifications pour lanalyse dessais relativement classiques. Ainsi, il a t possible de prendre en compte le frottement dans les essais de compression ou de bipoinonnement, et dinclure dans lanalyse lhtrognit de lautochauffement dans lessai de torsion. Nous avons donc pu accder une analyse trs fine (en comparaison avec une mthode analytique classique) de ces essais. Notre mthode tant trs gnrale, nous avons aussi t en mesure dtudier des essais de formabilit (SICO tests, gonflage hydraulique, Nakazima) comme des essais rhologiques. Ainsi, les mthodes inverses ouvrent la voie lexploitation dessais nonclassiques, dans lesquels lcoulement de matire et le champ de temprature sont trs htrognes. Il savre souvent que ces essais sont trs riches en information (de par la diversit des chemins de dformation subis par la matire). Dautre part, il est trs important de quantifier linfluence de variations de conditions opratoires sur le rsultat de lanalyse inverse. Ainsi, grce notre module danalyse de sensibilit semi-analytique, nous avons tudi linfluence dune variation de coefficient de frottement sur le rsultat de lanalyse dessais de compression ou de bipoinonnement, ainsi que linfluence dune variation de cote sur le rsultat de lanalyse dessais de torsion. Ceci nous permet de dtecter les conditions opratoires critiques pour lidentification de paramtres. Enfin, lanalyse de sensibilit a aussi t utilise comme un outil aidant la conception optimale dexpriences. Elle nous a notamment permis de comprendre pour quelle raison il fallait deux gomtries diffrentes dprouvettes de bipoinonnement pour identifier simultanment les coefficients de comportement et de frottement. De mme, grce elle, la dtermination dune position acceptable des points de mesure du champ de dformation de tles devient possible.
147
Bibliographie
M. Ben Tahar, E. Massoni, Etude de formabilit des tles par analyse d'un essai de gonflage hydraulique, CD ROM, 16 Congrs Franais de la mcanique. Nice 1-5 septembre 2003 T. Dal Negro , R. Forestier , E. Massoni, Inverse Analysis of the SICO test using a gradient method with semi-analytical derivative, 5th International ESAFORM Conference on Material Forming, Krakw, Poland, april 14-17 (2002) 167-173. L. DAlvise, Development of a finite element model for the simulation of the inertia friction welding process, Thse de doctorat de lEcole des Mines de Paris, Cemef, 2002. A. Gavrus, E. Massoni, J.L. Chenot, The rheological parameter identification formulated as an inverse finite element problem, Inverse Problems in Engineering, 7 (1999) 1-41. R. Hill, A theory of the yielding and of plastic flow of anisotropic metals, Proceedings of the Royal Society of London, Serie A, 193 (1948) 281-397. R. Knockaert, Etude exprimentale et numrique de la localisation de la dformation lors de la mise en forme de produits minces, Thse de doctorat de lEcole de Mines de Paris, Cemef, 2001. J. Kubie, Le test de bipoinonnement : tude thorique Application ltude du transfert de matire dans un contact frottant, Thse de doctorat de lEcole des Mines de Paris, Cemef, 1998. V. Nalewajk, Y. Chastel, J.P. Nauzin, Warm deep drawing of aluminium : Identification of process parameters, Esaform 2003, Salerno, Italy, april 28-30, pp.367-370 B. Roebuck, M. S. Loveday, Y. Chastel, G. Fiorucci, T. Dal Negro, High temperature soloid torsion tests, Measurement Good Practice Guide, NPL, 2003.
148
149
Conclusion
Le but de cette tude tait de dvelopper une mthode didentification de paramtres par analyse inverse suffisamment gnrale et flexible pour pouvoir identifier divers types de modles partir de diffrents types dessais. Dans ce contexte, le choix des mthodes numriques mettre en uvre tait particulirement critique. Le premier choix important concernait la mthode de minimisation de la fonction de moindres carrs. Aprs une tude bibliographique, il est apparu que, pour les applications que nous visions, il semblait prfrable dutiliser une mthode direction de descente plutt quune mthode dordre zro pour des raisons de taux de convergence. Minimiser une fonction de moindres carrs nest pas la difficult majeure dans la rsolution dun problme inverse, mme si dans notre cas, il a t ncessaire de stabiliser notre mthode doptimisation. Par contre, la connaissance de linfluence des conditions exprimentales sur le rsultat de lanalyse inverse est un sujet dtude trs important. Nous avons propos une approche dterministe pour pouvoir dtecter les paramtres exprimentaux les plus importants matriser au cours dune exprience. Quelques applications, telles ltude de linfluence des cotes des prouvettes de torsion ou bien celle de linfluence dune incertitude sur le frottement au cours dessais de compression ont t traits. Cette approche met en lumire lintrt de lanalyse de sensibilit couple avec une mthode inverse et encourage utiliser des mthodes direction de descente. Lanalyse de sensibilit sest rvle tre un outil pouvant aider la conception dexpriences. Dans le cas du bipoinonnement, nous avons eu lide dajouter une gomtrie dprouvette grce aux rsultats danalyse de sensibilit fournis par nos simulations lments finis. De mme, le choix des points de mesure des valeurs principales du tenseur de Green-Lagrange lors de lessai Nakazima pour dterminer les paramtres du critre de Hill nest pas trivial. Lanalyse de sensibilit est donc non seulement un outil trs utile pour la dtermination dun jeu de paramtres optimal, mais aussi une aide la conception et la comprhension des expriences analyses. Mme si une mthode dordre zro peut fournir un jeu de paramtres optimal (i.e. un optimum global), elle ne permet pas davoir une ide de la stabilit de la mthode inverse. Or, la stabilit est dune importance capitale. Lanalyse de sensibilit tant trs importante, il tait alors ncessaire de dvelopper une mthode qui allie stabilit, rapidit, prcision et flexibilit. Aprs une tude bibliographique et des tests numriques, il est apparu que la mthode semi-analytique reprsente un bon compromis entre toutes ces qualits. Elle permet au module danalyse de sensibilit dtre facilement compatible avec les modifications apportes au modle direct. De plus, elle est presque aussi rapide et stable quune mthode analytique (beaucoup plus lourde mettre en place et maintenir jour). Par contre, ce type de mthode est bien adapt aux problmes inverses ne contenant pas trop de paramtres identifier. Dans des cas o le nombre de paramtres devient significativement plus important (suprieur la dizaine), il serait intressant dutiliser des mthodes adjointes. Lutilisation de FORGE3 comme modle direct permet de prendre en compte des coulements de matire assez complexes. Grce cette approche, nous avons pu proposer une analyse trs fine des essais de bipoinonnement et des essais Nakazima. Ainsi, nous sommes donc actuellement en mesure danalyser des essais dont lcoulement est tridimensionnel. De plus, la gamme de lois de comportement que nous
150
pouvons identifier est relativement importante (diverses contraintes dcoulement et divers critres de plasticit). La mthode inverse que nous avons dveloppe ouvre la voie de multiples applications. Dans le dernier chapitre de ce manuscrit, nous lavons applique plusieurs problmes didentification de paramtres rhologiques. Il est noter que la mthode inverse dveloppe pourrait tre utilise pour lidentification de paramtres mtallurgiques, thermiques, de modles micro-macros, de modles dendommagement, etc. Ainsi, il serait intressant, lavenir, danalyser des essais mcaniques de plus en plus complexes (i.e. contenant beaucoup dinformation), ou bien de caractriser des modles autres que rhologiques. Tous les outils sont maintenant dvelopps pour permettre de nouvelles applications. Ltude de nouveaux essais est particulirement intressante. Lutilisation de champs de dformation ou dobservables lis des gradients de dformation ou de temprature par exemple pourrait permettre de recueillir une quantit dinformation trs importante en un seul essai. Un autre axe dtude pourrait tre aussi lutilisation de fonctions cot multi-objectif. Dans les premires tudes que nous avons pu mener, il sest avr que le choix des pondrations des termes de telles fonctions cot nest pas trivial. Lutilisation de telles mthodes permettrait, l encore, de maximiser la quantit dinformation exploite au cours dun essai. Enfin, loptimisation automatique de plans dexpriences, pour certains essais, semble tre une voie intressante de recherche. En effet, toutes les tentatives doptimisation que nous avons faites sont encore approximatives. Elles nous ont permis daugmenter la quantit dinformation, pas de la maximiser. En dfinitive, la mthode inverse dveloppe ici devrait permettre de donner libre cours limagination de lexprimentateur, de concevoir de nouveaux types de plans dexprience et dutiliser des mesures ou bien des essais quil naurait pas pu analyser de manire classique.
151
Annexe Etat adjoint

Le but ici est de donner le dtail du systme adjoint associ au problme thermomcanique suivant : l' instant t n
avec F( ) = (F1 ( ),..., FN ( )) Pour simplifier, nous pouvons crire :

l' instant t n
R , V n +1 , P n +1 , T n , h n = 0 n +1 n +1 n n 1 MT = Q' V , T , T n +1 n n n +1 n +1 n +1 h = h + t h V , P , T F ( ) = f , V n +1 , P n +1 , T n +1 , h n +1 n
) )
(215)
n n +1 n 0 R , U , T , h + t h i U n +1 , T n +1 = 0 i =1 MT n +1 = Q' U n +1 , T n , T n 1 h n +1 = h n + t h n U n +1 , T n +1 Fn ( ) = f , V n +1 , P n +1 , T n +1 , h n +1 avec F( ) = (F1 ( ),..., FN ( ))
(216)
Les quations dtat peuvent tre considres comme des contraintes pour le problme doptimisation. Pour se faire, une fonction lagrangienne L est introduite :
L = + m + th
avec
n=N n nT m = m R , U n +1 , T n , h 0 + t h i (U i , T i ) n =1 i =1
(217)
(218)
et
n (MT n +1 Q' (U n +1 , T n , T n 1 )) th = th T n =1 n=N
(219)
Ainsi, la drive de la fonction cot L par rapport scrit :
152
L =
avec
d m n = N n T = m d n =1 +
n =1 n=N n =1 n=N nT m
n = N dU n d m d th + + + d d n =1 U n d
(220)
n R , U n +1 , T n , h 0 + t h i U i , T i n +1 i =1 dU d U n +1
( (
) )
+
n=N n =1
nT m
n R , U n +1 , T n , h 0 + t h i U i , T i n i i i i i =1 t h U , T dU h d U i i =1
(221)
nT m
n R , U n +1 , T n , h 0 + t h i U i , T i n i i i i i =1 t h U , T dT h d T i i =1
Soit
d m n = N n T = m d n =1 +
n = N +1
n =2
n 1 T m
n 1 R , U n , T n 1 , h 0 + t h i U i , T i n i =1 dU d U n
+
n =1 i = n n = N i= N n =1 i = n
n =N i= N
i T m
n R , U i +1 , T i , h 0 + t h i U i , T i n n n n i =1 t h U , T dU h d U n
(222)
i T m
n R , U i +1 , T i , h 0 + t h i U i , T i n n n n i =1 t h U , T dT d h T n
et
dT n +1 Q' U n +1 , T n , T n 1 dU n +1 M d d U n +1 d th i = N n T Q' U n +1 , T n , T n 1 dT n = th d d T n i =1 Q' U n +1 , T n , T n 1 dT n 1 d T n 1
( (
) )
(223)
153
d th i = N +1 n 1 T dT n = th M d d i=2
n = N +1
n=2
n 1 th
Q' U n , T n 1 , T n 2 dU n d U n
( (

n =1
n=N
nT th
Q' U n +1 , T n , T n 1 dT n d T n
T
(224)
n = N 1
n =1
n +1 th
Q' U n + 2 , T n +1 , T n dT n d T n
En factorisant, on a :
n n i = N +1 T dU d L n T dT = A + An + A th d m d d i =1
(225)
avec
n = N n T A= + m n =1
(226)
n 1 R , U n , T n 1 , h 0 + t h i U i , T i i =1 nT An + m m = n n U U n i +1 i 0 i i i R , U , T , h t h U , T + i=N h n U n , T n i =1 nT t m h U n i =n
(227)
n 1 T th
Q' U n , T n 1 , T n 2 U n
i = N n T + m A = T n i =n
n th n th T
n+2 Q' U n +1 , T n , T n 1 , T n +1 , T n n +1 T Q' U th T n T n
n R , U i +1 , T i , h 0 + t h i U i , T i n n n i =1 t h U , T h T n
)
(228)
Afin que les termes
dU dT et napparaissent pas explicitement dans le calcul de la d d n drive, on cherche annuler A n m et A th . Ainsi, ltat adjoint est obtenu en rsolvant le systme :
154
T n i +1 i 0 i i i R , U , T , h + t h U , T n n n T i= N i =1 i M T n 1 = t h U , T th m n n h T T i=n T T Q' U n +1 , T n , T n 1 Q' U n + 2 , T n +1 , T n n n +1 th + th + n n T T T n 1 n n 1 0 i i i (229) R , U , T , h + t h U , T T i =1 n 1 = m n U U n T n i +1 i 0 i i i R , U , T , h t h U , T + i=N n n n i =1 t h U , T n m h U n i =n T Q' U n , T n 1 , T n 2 n 1 th n U
Ainsi, en choisissant les vecteurs adjoints comme solution du problme (229), on a la relation suivant :
n R , U n +1 , T n , h 0 + t h i U i , T i i =1 (230)
d d L n = N n T = = + m d d n =1
La cot du calcul de la fonction cot ne dpend alors pas du nombre de paramtres par rapport auquel on drive.
155

These Forestier

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Forestier

Transféré par

Droits d'auteur :

Formats disponibles

ECOLE NATIONALE SUPERIEURE DES MINES DE PARIS

Ingnieur en Mathmatiques et Modlisation de lInstitut National des Sciences Appliques de Toulouse

En vue de lobtention du titre de Docteur en Mcanique Numrique

Soutenue le 22 janvier 2004

Devant le jury compos de

Prsident Rapporteur Rapporteur Examinateur Examinateur Examinateur Examinateur

2.7.1 2.7.2 2.7.3 2.8 2.9 2.10

Bibliographie ..........................................................................................................................148 Conclusion ..............................................................................................................................150

Chapitre 1 Introduction : Optimisation et mise en forme

Chapitre 1 - Introduction : Optimisation et mise en forme

1.1 Ecoulements complexes des matriaux lors dessais mcaniques

1.1.1 Prise en compte de la gomtrie de loutillage et de la pice

1.1.2 Prise en compte du frottement

1.1.3 Prise en compte de lauto-chauffement

1.1.4 Prise en compte de comportements mcaniques complexes

1.1.5 Conception de nouveaux essais

Figure 3 : prouvettes de traction non-classiques (Meuwissen et al. (1998))

1.2 Objectifs du prsent travail

Chapitre 2 Identification de paramtres par mthode de moindres carrs

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

2.2 Problmes inverses et problmes de moindres carrs

2.2.1 Point de vue dterministe

Figure 4 : entres et sorties des problmes direct et inverse

Problmes inverses et problmes de moindres carrs

2.2.2 Point de vue statistique

1 1 exp e T VM e 2 det (VM )

La densit de probabilit de la variable alatoire M sachant scrit donc :

1 T 1 (F( ) M ) exp (F( ) M ) VM det (VM ) 2

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

Mthodes de minimisation de la fonction cot

2.3 Mthodes de minimisation de la fonction cot

2.3.1 Mthodes dordre zro

2.3.1.1 Lalgorithme du simplexe

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

2.3.1.2 Les algorithmes gntiques

une population de k jeux de paramtres ltape n de

Par exemple, certains auteurs choisissent

fonction cot introduite le problme doptimisation (2).

Probabilit de slection proportionnelle la fonction fitness

Mthodes de minimisation de la fonction cot

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

population initiale P0 n=0

slection croisement mutation n=n+1 sous-population P

Critre darrt oui stop

Figure 9 : diagramme gnral dun algorithme gntique

2.3.2 Mthodes direction de descente

Mthodes de minimisation de la fonction cot

Condition suffisante doptimalit du second ordre :

2.3.2.1 Plus forte pente

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

2.3.2.2 Gradient conjugu

on choisit k de sorte que : d (k ) k 1 d =0 d

Mthode de Fletcher et Reeves (1964) : k =

d (k ) d (k 1 ) d (k ) d d d Mthode de Polak et Ribire (1969) : k = d (k 1 ) d 2

2.3.2.3 Algorithme de Newton-Raphson

Mthodes de minimisation de la fonction cot

2.3.2.4 Mthodes de quasi-Newton

sont donnes par les relations de rcurrence suivantes :

T T k +1 yk yk Qksksk Qk k Q = Q + k T k k T k k y s s Q s 1 T 1 T 1 1 T T Qk yk Qk yk sksk sk yk Qk + Qk yksk k +1 1 k 1 T = Q + I + Q kT k 1 k kT k k k y s y s y Q y d (k +1 ) d (k ) s k = k +1 k et yk = dk +1 d k

Chapitre 2 - Identification de paramtres par mthode de moindres carrs

2.3.2.5 Algorithme de Gauss-Newton

d 2 F( ) W (F( ) M ) est nglig. La d 2

d 2 F opt F opt M . k opt + O k opt 2 d

2.3.2.6 Critres de recherche linaire