ARTICLE : 4

Un algorithme d'évolution différentielle accélérée avec de nouveaux opérateurs

pour la détection de dommages multiples dans les structures en plaques

Résumé

Ce document propose un algorithme d'évolution différentielle accélérée (ADE) pour la

localisation des dommages et la quantification dans des structures en forme de
plaques. Dans cette étude, le problème de détection des dommages inverses est
formulé comme un problème d'optimisation non linéaire. La fonction objective est
établie par les altérations de la matrice de flexibilité de la structure pondérée par une
fonction de pénalité, utilisée spécifiquement pour empêcher la détection de fausses
alarmes.

L’algorithme ADE est conçu par l'introduction de trois modifications dans l'algorithme
standard d'évolution différentielle.

Premièrement, la population initiale est créée en utilisant les connaissances que nous
avons habituellement sur le scénario de dommages d'une structure. Cette technique
d'initialisation aide l'algorithme ADE à converger rapidement Ensuite, dans la phase de
mutation, un nouveau vecteur de différence, créé sur la base de la dispersion des
individus dans l'espace de recherche, est utilisé pour assurer l'équilibre automatique
entre les capacités de recherche globales et locales. Troisièmement, un nouvel
opérateur d'échange est conçu et utilisé pour éviter la convergence intempestive vers
l’optimum local. Des modèles par éléments finis de plaques composites isotropes et
laminées sont considérés comme des exemples numériques pour tester l'efficacité de
l'approche proposée. Les résultats numériques valident les performances de la
méthode ADE, tant en termes de précision de la solution que de coût de calcul, et
mettent en évidence sa capacité à localiser et à évaluer les dommages, même pour des
problèmes à grande échelle et des données contaminées par le bruit.

1 Introduction :

Le problème de la détermination de l'emplacement et de l'étendue des éléments

structurels endommagés, à l'aide de données sur les vibrations, est généralement
exprimé comme un problème inverse très non linéaire, et des méthodes
mathématiques spéciales sont nécessaires pour le résoudre efficacement. Une
approche intéressante, largement utilisée par les chercheurs, consiste à convertir le
problème de détection des dommages en un problème d'optimisation limité. L'idée
principale est de modifier les paramètres du modèle d'éléments finis (EF) de la
structure pour qu'il corresponde correctement aux valeurs obtenues
expérimentalement, ce qui permet d'identifier à la fois l'emplacement et l'étendue des
éléments endommagés. En d'autres termes, l'algorithme d'optimisation utilisé tente de
ARTICLE : 4

trouver un ensemble de paramètres optimaux, décrivant l'étendue des éléments

endommagés, en minimisant une fonction objective définie généralement comme les
écarts entre les données expérimentales et celles calculées par le modèle numérique
des éléments finis.

Les plaques isotropes et composites sont largement utilisées dans de nombreux

domaines des pratiques modernes d'ingénierie, tels que les avions et les engins
spatiaux, les constructions civiles et les structures d'ingénierie en haute mer.
Cependant, les plaques sont sujettes à des dommages causés par le vieillissement et
des conditions environnementales sévères, ce qui entraîne leur défaillance et même
des accidents graves. Il est donc indispensable de détecter rapidement les dommages
afin de préserver leur intégrité et leur sécurité. Pour prédire la localisation et l'ampleur
des dommages dans les plaques, de nombreux chercheurs ont proposé, au cours des
dernières années, divers algorithmes d'optimisation métaheuristiques connus pour
leur potentiel à traiter des problèmes complexes d'ingénierie non linéaire. Par
exemple, un algorithme compétitif colonial a été utilisé dans [1] pour déterminer le site
et l'étendue des dommages en fonction des changements des fréquences naturelles et
des formes de mode d'une plaque endommagée. Sandesh et Shankar [2] ont présenté
un hybride de l'optimisation de l'essaim de particules et de l'algorithme génétique pour
identifier les dommages multi-fissures dans une plaque mince basée sur une
formulation à domaine temporel inverse. Ding et al [3] ont proposé une approche de
détection des dommages utilisant l'algorithme des colonies d'abeilles artificielles, avec
une stratégie de recherche hybride et un mécanisme d'élimination, pour identifier les
dommages multiples dans une plaque continue à deux travées. L'algorithme
d'évolution différentielle (DE) [4] est une méthode d'optimisation globale simple et
efficace conçue pour résoudre divers problèmes d'optimisation. Comme d'autres
algorithmes basés sur la population, l'évolution différentielle commence par une
population aléatoire d'individus. Chaque individu caractérise une solution possible
pour le problème d'optimisation. Ensuite, il isole séquentiellement les mécanismes de
mutation, de croisement et de sélection pour faire évoluer la population. Ces
opérations sont effectuées jusqu'à ce que certains critères de convergence soient
remplis. Pendant le processus d'optimisation, l'exploration de l'espace de recherche est
réalisée à l'aide des opérateurs de mutation et de croisement, tandis que l'exploitation
est effectuée par l'opérateur de sélection. En raison de son concept simple et de sa
facilité d'utilisation, l'algorithme DE a été utilisé avec succès pour résoudre divers
problèmes scientifiques et techniques [5-7], y compris les problèmes d'identification
des dommages structurels [8-10]. Malgré ces avantages, dans certains problèmes
complexes, l'algorithme DE souffre encore du problème de convergence prématurée,
causé par le déséquilibre entre l'exploration et l'exploitation. Elle souffre également du
problème de stagnation, c'est-à-dire que l'algorithme de l'ED ne trouve pas de
meilleure solution pendant le processus d'optimisation, alors qu'un certain niveau de
précision est maintenu [11]. Cela s'explique par le fait que ses performances
ARTICLE : 4

d'optimisation dépendent fortement de ses opérateurs évolutifs, principalement

l'opérateur de mutation, et de l'ajustement de son facteur d'échelle et de son taux de
croisement.

Pour répondre à ces questions, de nombreuses études scientifiques ont été consacrées
au développement de nouveaux schémas de mutation et de croisement ainsi qu'à la
conception de diverses techniques de réglage des paramètres [9-13] . Par exemple, Vo-
Duy et al (9) ont fourni une approche en deux étapes fusionnant la méthode de
l'énergie de contrainte modale et un algorithme d'ED amélioré (EDI), avec un schéma
de mutation adaptative et une technique de sélection élitiste, pour trouver et évaluer
les dommages multiples dans les structures composites laminées. Les auteurs ont
conclu que les deux algorithmes DE et IDE pouvaient quantifier correctement
l'ampleur des dommages. Cependant, les solutions optimales ont été obtenues avec un
coût de calcul très élevé. En outre, en cas de données bruitées, les deux algorithmes
convergeraient vers des solutions de faible qualité. Dinh-Cong et ses collaborateurs
[10] ont présenté un algorithme de DE modifié en plusieurs étapes (MS-MDE), avec des
opérateurs de mutations multiples, pour détecter et quantifier les dommages dans les
plaques stratifiées isotopiques et composites. Si le MS-MDE a permis d'identifier les
éléments endommagés, il s'est révélé peu efficace en termes de coût de calcul pour
parvenir à des solutions optimales. En outre, l'algorithme DE a également connu
d'autres problèmes et lacunes supplémentaires qui doivent encore être traités, tels que
(i) la difficulté de traiter des problèmes à grande échelle et (ii) le fait de ne pas utiliser
les connaissances préalables pour résoudre des problèmes d'optimisation complexes

Motivé par ces limites, cet article présente une nouvelle variante de la DE, appelée la
DE accélérée (ADE), qui fonctionne bien pour les problèmes d'identification des
dommages dans les structures en plaques, même pour les problèmes à grande échelle,
offrant un taux de convergence élevé et une solution de bonne qualité tout en évitant
les optimisations locales. Le problème d'optimisation est défini de telle sorte que les
variables de décision sont l'ampleur des dommages des éléments de la plaque
discrétisée. La fonction objective est exprimée sur la base d'une matrice de flexibilité
modale et d'une fonction de pénalité telle que sa valeur minimale est atteinte lorsqu'il
existe simultanément une forte corrélation entre les matrices de flexibilité
expérimentale et calculée et lorsqu'il n'y a pas de détection de faux éléments
endommagés. L'algorithme ADE proposé, utilisé pour résoudre le problème
d'optimisation en question, est conçu par l'introduction de trois modifications dans la
méthode canonique DE. Premièrement, la population initiale est créée en tenant
compte des connaissances que nous avons habituellement sur un scénario de
dommages structurels, où la plupart des éléments structurels sont sains, tandis que le
nombre d'éléments défectueux est très faible. La prise en compte de ces informations
permet de générer des individus dans ou à proximité de régions prometteuses de
l'espace de recherche, ce qui fait converger rapidement l'algorithme. Ensuite, dans la
ARTICLE : 4

phase de mutation, un nouveau vecteur de différence, créé sur la base de la dispersion

des individus dans l'espace de recherche, est utilisé. Un tel opérateur permet au
vecteur mutant d'être bénéfique pour améliorer le vecteur cible et aussi pour assurer le
compromis automatique entre les capacités de recherche mondiales et locales.
Troisièmement, un nouvel opérateur, appelé "Exchange Operator" (EO), est développé
et intégré à l'algorithme proposé pour éviter les optimisations locales. Comme indiqué
au point 4.3, cet opérateur empêche une convergence inopportune et permet
d'échapper à l’optimum local.

De plus, cette technique est créée pour n'être efficace que pour les structures en forme
de plaque. Outre les modifications susmentionnées, un opérateur de micro-recherche
(MS), fréquemment utilisé par de nombreux chercheurs [9, 10], est périodiquement
appliqué, au cours du processus d'optimisation, à l'ensemble de la population.
L'opérateur MS sélectionne les composants d'une solution potentielle peu
endommagée et les définit comme sains. Une telle technique peut accélérer la
convergence de l'algorithme et réduire le coût du calcul. La performance de
l'algorithme ADE, pour résoudre les problèmes de détection des dommages, est
étudiée à l'aide de trois exemples numériques, dont les modèles FE de plaques
composites isotropes et laminées. En outre, les effets du bruit et la taille du problème
sont examinés. C'est pourquoi cet article propose deux contributions principales. La
première est le développement d'une fonction objective basée sur la matrice de
flexibilité et d'une fonction de pénalité utilisée pour éviter la détection de fausses
alertes. À notre connaissance, il s'agit du premier travail à utiliser une telle fonction. La
seconde contribution est la suggestion d'un algorithme ADE efficace, basé sur l'ED
standard, pour résoudre le problème de l'identification des dommages pour les
structures en forme de plaque. Notre nouvel algorithme ADE se compose de trois
nouvelles techniques conçues dans le cadre de cette étude, qui sont :

- Une technique d'initialisation de la population, basée sur certaines connaissances

dans les domaines de l'identification des dommages, capable de générer des individus
dans des régions prometteuses de l'espace de recherche

- Une stratégie de mutation, basée sur la dispersion des individus à travers des régions
prometteuses, capable de créer un vecteur mutant significativement bénéfique à
l'évolution de la population et garantissant l'équilibre automatique entre l'exploration
et l'exploitation de l'espace de recherche

- Un EO, basé sur les connaissances communes dans le domaine de la surveillance

structurelle de la santé (SHM), qui permet à l'algorithme ADE d'éviter de tomber dans
les optima locaux et de s'en échapper Le reste du document est structuré comme suit.
La section 2 présente la formulation du problème de détection des dommages inverses
comme un problème d'optimisation non linéaire. La section 3 présente brièvement
l'algorithme canonique DE. Ensuite, nous présentons dans la section 4 l'algorithme
ARTICLE : 4

ADE suggéré, en détaillant séparément chaque phase des modifications introduites.

Ensuite, la performance de l'ADE est examinée dans la section 5 en comparant ses
résultats numériques à ceux d'autres approches récentes. Enfin, la section 6 résume le
document.

2. Méthodologie pour l'identification des dommages :

Cette section présente brièvement les fondements du problème de l'évaluation inverse

des dommages, y compris la modélisation des dommages et la fonction via une
matrice de flexibilité modale.

2.1. Modélisation des dommages structurels

Dans ce travail, la méthode FE (FEM) est utilisée pour discrétiser la plaque, en

adoptant la théorie de la plaque Reissner-Mindlin, et pour calculer ses caractéristiques
de vibration. La vibration libre d'une plaque, avec n degrés de liberté, est exprimée
comme le problème propre généralisé :

où ω i et ψ i sont respectivement la i ème fréquence propre et la forme du mode

associé, et M et K sont respectivement les matrices de masse et de rigidité du système (
n ×n ) assemblées avec les matrices de masse/rigidité élémentaire m e et k e . Une
approche fiable, largement utilisée pour modéliser les dommages, suppose que les
dommages sont une réduction des caractéristiques de rigidité de la structure, telles
que le module d'élasticité, la section transversale et le moment d'inertie, tout en
négligeant les effets des dommages sur la masse [14-18] . Dans cet article,
l'endommagement d'une plaque est modélisé par une réduction du module d'élasticité
(E) pour un élément donné, et l'indice d'un tel élément indique l'emplacement de
l'endommagement ; c'est-à-dire que l'élément endommagé est représenté comme un
élément avec un module d'élasticité réduit E d e et son niveau d'endommagement est
exprimé comme la réduction relative de son module d'élasticité :

E−E de
x e= , e=1 , … N (2)
E

Il est clair que le rapport de dommages x e est régulièrement limité par 0 et 1, où 0

indique un élément sain, tandis que 1 signifie un élément complètement endommagé.
En se basant sur la méthode des éléments finis, tout en considérant la modélisation des
dommages, le modèle numérique d'une plaque endommagée peut être facilement
ARTICLE : 4

construit. La matrice de rigidité globale de la plaque endommagée est assemblée avec

les matrices de rigidité des éléments endommagés et non endommagés comme :
N
K=∑ ( 1−x e ) k e (3)
e=1

Où N est le nombre total d'éléments de la plaque.

Dans le cadre d'un problème d'identification des dommages par optimisation, le processus
d'évaluation des dommages est généralement effectué en minimisant une fonction objective
basée sur les paramètres modaux du système. Par conséquent, le succès du processus de
détection des dommages est largement influencé par le choix de la fonction objective. Dans ce
contexte, plusieurs fonctions objectives ont été proposées en utilisant différents paramètres
modaux tels que les fréquences naturelles [19, 20], les fréquences naturelles et les formes de
mode [21, 22], les courbures de forme de mode [23] , l'énergie de déformation modale [24, 25]
et une matrice de flexibilité modale [26-29] . Parmi tous ces paramètres, la matrice de
flexibilité est considérée comme la plus appropriée car elle peut être estimée avec précision en
utilisant uniquement les modes de vibration les plus faibles et peut être extrêmement sensible
aux dommages. Sur la base de ces avantages, une fonction objective est proposée ici, établie
par l'écart entre la matrice de flexibilité mesurée et la matrice correspondante calculée à l'aide
d'un modèle numérique, qui s'exprime comme suit :

2
‖ F E−F A ( x )‖
f (x)= λ(x )
( ‖F E‖
2
) (4)

¿
où F est la matrice de flexibilité exprimée sous la forme
m
1 T
F ¿=∑ 2
×ψ ¿i ( ψ ¿i ) (5)
i =1 ( ωi )
¿ ¿
où w i et ψ i sont respectivement la i ème fréquence naturelle et la forme du mode associé,
les exposants E et A désignent respectivement le modèle endommagé et le modèle
numérique, m est le nombre de modes utilisés, ◦ indique la norme de Frobenius d'une
matrice, ( ∙ )T est la transposition de (.), x = ( x 1 ,..., x N ) ∈ ⌊ 0,1 ⌋ N est le vecteur de la
variable de conception dont les composantes sont l'étendue des dommages des éléments
Nel, et λ(x) est une fonction de pénalité développée sur la base de la connaissance que
la plupart des éléments d'une structure endommagée sont sains alors que seuls
quelques-uns d'entre eux sont défectueux. La fonction de pénalité est formulée comme
le rapport entre le nombre d'éléments endommagés M (x) dans la solution potentielle
x et le nombre total d'éléments de la structure N , exprimé par λ(x ) = ( 1 + M(x ) /N ) .
Notant qu'en intégrant la fonction de pénalité dans la fonction objectif, non seulement
la distance entre les matrices de flexibilité expérimentale et calculée est minimisée,
mais aussi le nombre d'éléments endommagés est réduit et la détection de faux
ARTICLE : 4

éléments endommagés est donc évitée. Par conséquent, le problème de l'identification

des dommages par optimisation est formulé comme suit :

min x f ( x ) tel que 0 ≤x i ≤1 , i = 1 , ... N, (6)

de sorte que l'identification des dommages est réalisée en déterminant l'étendue des
dommages de N éléments qui minimise la fonction objective f ( x ) définie comme
indiqué dans l'équation (4).

3. Algorithme d'évolution différentielle

Dans cette section, les quatre étapes fondamentales de l'algorithme DE conventionnel

sont brièvement décrites comme suit.

3.1. Initialisation

Dans un premier temps, DE génère de manière aléatoire une population avec un

ensemble d’individus N p, connu comme le vecteur cible dans la terminologie commune
de DE. Chaque vecteur est désigné par x Gi = { x Gi ,1 , x Gi ,2, ... x Gi , D,} i = 1, ..., N p, où D est la
dimension du problème d'optimisation (nombre de variables de décision) et G est
l'itération courante. La jème composante du ième individu est créée sous la forme :

x Gi =Li +r ׿ ) (7)

où r est un nombre aléatoire uniforme dans [0, 1], et U j et L j sont les limites
supérieure et inférieure de la jème composante.

3.2. Mutation :

Dans cette deuxième étape, pour chaque individux Gi , un vecteur mutantvGi est créé à
l'aide de l'opérateur de mutation. Généralement, la stratégie de mutation est
représentée par "DE/∝/ β", où DE, α ET β de note l'algorithme DE, le vecteur à
modifier et le nombre de vecteurs de différence employés, respectivement. Six
stratégies de mutation populaires fréquemment utilisées dans de nombreuses variantes
de DE qui sont :

DE/rand /1 :vGi =x Gr 1 + F × ( x Gr 2−x Gr 3 ) ( 8 )

DE/rand /2 :vGi =x Gr 1 + F × ( x Gr 2−x Gr 3 )+ F × ( x Gr 4 −x Gr 5 ) ( 9 )

DE/Best /1 :vGi =x Gbest + F × ( x Gr 1−x Gr 2 ) (10)

DE/Best /2 :vGi =x Gbest + F × ( x Gr 1−x Gr 2 ) + F × ( x Gr 3−x Gr 4 ) (11)

DE/current-to –best /1 : vGi =x Gi + F × ( x Gbest −x Gi ) + F × ( x Gr 1 −xGr 2 ) (12)

ARTICLE : 4

G G G G G G
DE/rand-to –best /1 : vi =x r 1 + F × ( x best −x r 1 ) + F × ( x r 2−x r 3 ) (13)

où les indices souscrits r 1 ∙∙ ∙∙∙ 5 ∈ {1, 2, ..., N p} \ i sont choisis au hasard, F est un paramètre
d'échelle positif utilisé pour contrôler le vecteur de différence, et x Gbest est le meilleur
vecteur individuel de la génération G . Les lecteurs intéressés peuvent se référer aux
références [4 ,5] pour plus de détails.

3.3. Crossover :

Dans la troisième étape, un vecteur d'essai u G i est créé en croisant un vecteur cible x Gi
et un vecteur mutantvGi . Parmi les deux stratégies de croisement classiques utilisées en
DE, à savoir le binôme et l'exponentiel, la première est fréquemment préférée. Dans
cette étude, la stratégie de croisement binomiale est utilisée dans le cadre de notre
proposition d'algorithme ADE et est décrite comme suit :
G
uGi , j= v i , j si rand ⌈ 0,1 ⌉ ≤CG r ou j= j rand
{ sinon , xi
(14)

Où Cr, appelé taux de croisement, est un paramètre réel compris entre 0 et 1, et j rand
est un nombre entier choisi au hasard parmi {1, 2, 3, ..., D} garantissant la présence d'au
moins un composant du vecteur mutant dans celui de l'essai créé. Si uGi , j est en dehors
de la limite, il sera réinitialisé dans la plage [ L j , U j ].

3.4. Sélection

Lors de la dernière étape, un opérateur de sélection un à un est utilisé pour choisir

entre uGi et x Gi : le meilleur subsistera jusqu'à la prochaine génération. Pour un
problème de minimisation, l'opérateur de sélection est indiqué comme suit

u Gi si f ( uGi ) ≤ f (x Gi )
G+1
xi =
{ sinon x Gi
(15)

où f ( ∙ ) est la fonction objective.

4. Algorithme d'évolution différentielle accélérée pour l'identification des dommages

dans les plaques :

Pour résoudre le problème de l'optimisation et de la détection des dommages pour les

structures en plaques, comme indiqué dans l'équation (6), tout en évitant les
limitations de l'algorithme standard DE, un nouvel algorithme variant DE, appelé ADE,
est utilisé. Trois modifications sont intégrées au cadre original de l'algorithme DE,
notamment une nouvelle technique pour créer la population initiale, un nouvel
ARTICLE : 4

opérateur de mutation basé sur la dispersion des individus dans l'espace de recherche,
et un nouvel algorithme d'OT conçu pour éviter les situations d'optima et de
stagnation locales. Les détails de toutes ces modifications sont décrits dans les sous-
sections suivantes.

4.1. Initialisation :

Dans l'algorithme ADE proposé, la population initiale est créée sur la base de ce que
nous savons habituellement de l'état de dégradation d'une structure. Considérant que
la structure analysée est discrétisée en N FEs. Il est prévisible que la plupart de ces
éléments sont sains, tandis que seuls quelques-uns sont défectueux. C'est-à-dire que la
plupart des éléments d'une solution candidate sont égaux ou très proches de zéro,
c'est-à-dire des éléments sains. En revanche, les autres composants se situent entre 0
et 1, comme indiqué dans l'équation (2). En conséquence, au lieu de créer la population
initiale de manière aléatoire dans les limites inférieures et supérieures, nous proposons
de générer des individus initiaux de sorte que la plupart de leurs composantes soient
mises à zéro et que seules quelques-unes d'entre elles prennent des valeurs aléatoires
dans l'intervalle [0, 1].

Deux nouveaux paramètres, M minet, M max sont donc introduits pour définir
respectivement le plus petit et le plus grand nombre d'éléments endommagés. Il est
évident que M mi net, M max doivent tous deux être supérieurs ou égaux au nombre
d'éléments effectivement endommagés et simultanément inférieurs au nombre total
d'éléments de la structure. Un choix réaliste consiste à fixer la valeur de, M min = 10 % et,
M max = 25 % du nombre total d'éléments de la structure, comme le suggère notre étude
empirique. En utilisant cette technique, il est probable que de nombreux individus
générés seront situés dans ou à proximité de régions prometteuses de l'espace de
recherche, où la solution optimale peut être trouvée, ce qui entraînera une
convergence rapide de l'algorithme et une diminution significative de l'effort de calcul.
La procédure de création de la population initiale d'ADE est résumée dans le Pseudo
code 1.
ARTICLE : 4

Où ciel, randperm et rand sont trois fonctions MATLAB. Comme on peut le constater,
la procédure proposée pour créer la population initiale est très simple à mettre en
œuvre et sans coût de calcul supplémentaire pour la solution du problème
d'optimisation.

4.2. Modification de l'opérateur de mutation :

Comme nous l'avons vu plus haut dans cette section, la stratégie de mutation joue un
rôle essentiel dans l'équilibre entre les capacités d'exploration et d'exploitation de
l'espace de recherche, ainsi que dans la vitesse de convergence de l'algorithme DE [30].
Dans la littérature relative à la DE, il existe au moins six opérateurs de mutation,
comme le montrent les équations (8)-(13), qui ont des effets divers sur le
comportement de convergence de la DE. Par exemple, dans la stratégie DE/rand/1
(Équation (8), le vecteur de base est choisi au hasard dans la population actuelle, ce
qui entraîne une forte exploration, mais une faible exploitation. Cependant, la stratégie
DE/Best/1, fournie par l'équation (10), où le vecteur de base est le meilleur individu de
la population actuelle, permet une meilleure exploitation de l'espace de recherche,
alors que l'exploration est faible. De même, pour l'opérateur de mutation DE/current
to best /1, comme dans l'équation (12) , l'opérateur DE a une vitesse de convergence
rapide, mais vers l’optimal local.

Afin d'éviter de telles carences, de nombreux chercheurs ont déployé des efforts
considérables pour développer une variété d'approches et de stratégies de mutations
utiles afin d'accroître les performances de l'ED. Par exemple, les auteurs de [10] ont
utilisé quatre opérateurs de mutation différents, tels que présentés dans les équations
(8) à (10) et (12), pour construire le vecteur de mutation. À chaque génération, deux
opérateurs ont été sélectionnés de manière adaptative grâce à un paramètre de
contrôle calculé en utilisant à la fois la moyenne et les meilleures valeurs de la fonction
objectif. Guo et ses collaborateurs (11) ont proposé une technique de sélection des
parents pour la construction des vecteurs de différence afin d'aider l'algorithme DE à
sortir de la situation de stagnation. Dans la même veine, pour garantir l'équilibre entre
ARTICLE : 4

les capacités d'exploration et d'exploitation de l'ED, Peng et al. [12] a fourni une
technique de mutation basée sur le voisinage aléatoire, avec un voisin aléatoire pour
chaque individu de la population, où le vecteur de base est sélectionné comme le
meilleur voisin. Zheng et al (13) ont proposé une variante DE basée sur l'information
collective des meilleures solutions candidates dans la population. En combinant
linéairement ces meilleurs candidats, de nouvelles solutions ont été générées et
utilisées dans les opérations de mutation et de croisement. Dans [31] , le vecteur de
différence a été construit en utilisant le barycentre de deux ensembles extraits au
hasard, ainsi que leurs éléments d'extrémité. De même, Zhang et Yuen. [32] ont
proposé un opérateur de mutation directionnelle, où un ensemble de vecteurs de
différence a été créé en utilisant des informations de bonne direction, pour améliorer
la vitesse de convergence de l'algorithme DE. Dans ce cadre, nous joignons nos efforts
à ceux déployés pour l'amélioration des performances de l'ED, en suggérant un nouvel
opérateur de mutation, basé sur la stratégie ED/courant à l'abeille/1. Cette nouvelle
stratégie permettra non seulement de créer un vecteur mutant bénéfique à l'évolution
du vecteur cible, mais aussi d'assurer un équilibre automatique entre les capacités de
recherche globale et locale. Formellement, le vecteur de différence ( x Gr 1−x Gr 2 ¿ , décrit
dans l'équation (12), est remplacé par un vecteur aléatoire efficace ε Gi , calculé sur la
base de la dispersion de l'ensemble de la population dans l'espace de recherche. Plus
précisément, est le i-ème vecteur de ligne d'une matrice aléatoire normalement
distribuée EG de taille ( Np ×N ), calculée à chaque itération G , Chaque jème colonne (
j = 1, ..., N ) de EG est générée de manière aléatoire avec une moyenne nulle et un écart-
type σj , où σj est l'écart-type du jème paramètre de conception de tous les individus.
Tel que défini, le vecteur introduit ε Gi peut être considéré comme un vecteur
d'information collectif, calculé par une combinaison aléatoire de tous les individus de
la population, ce qui rend le vecteur mutant vGi plus prometteur pour l'évolution du
vecteur ciblex Gi . L'opérateur de mutation proposé, appelé DE / current -to -best / σ pop ,
modifie la jème composante du ième vecteur mutant, comme le démontre l'équation
(11). La technique de calcul de la matrice EG = [ε Gij ] est présentée dans l'algorithme 1
G G G G G
DE / current - to -best / σ pop:vi =x ij + F 1 × ( x best j−x ij ) + F2 ×ε ij (16)

Généralement, les facteurs d'échelle F 1 et F 2 se voient attribuer la même valeur (c'est-

à-dire F 1 = F 2∈ {0,5, 1}), afin de réduire le nombre de contrôle des paramètres de
l'algorithme DE. Cependant, il a été révélé dans [33] que la performance de l'algorithme de
développement serait considérablement améliorée lorsque F 1 est généré de manière
aléatoire entre 0,5 et 2, en particulier pour les problèmes à grande échelle. En fait,
lorsque F 1 prend la valeur 2, l'exploration globale de toutes les régions autour du
meilleur individu sera possible, tandis qu'une petite valeur de F 1 (c'est-à-dire F 1 = 0,5)
permettra d'exploiter en profondeur les zones déjà explorées de l'espace de recherche.
Sur la base de ces clarifications, nous proposons dans cette étude de générer F 1 dans la
ARTICLE : 4

plage [0,5, 2] de manière uniformément aléatoire, pour chaque jème composante du

ième vecteur mutant, afin de favoriser l'exploration globale et l'exploitation locale vers
le meilleur individu x Gbest . En revanche, le deuxième facteur d'échelle F 2 est généré de
manière aléatoire entre 0,1 et 0,5, pour chaque jème composante du ième vecteur
mutant. Ces valeurs limites sont choisies en fonction des résultats de notre étude
empirique, où il est prouvé qu'elles améliorent largement non seulement le taux de
convergence de l'algorithme proposé, mais aussi la qualité de la solution. Une telle
performance de l'ADE proposé peut s'expliquer comme suit : Au cours des premières
générations, le vecteur ε Gi aura une magnitude importante puisque les individus sont
largement dispersés dans les régions prometteuses de l'espace de recherche. Dans une
telle situation, F 2 = 0,5 est un bon choix qui permet une exploration globale et
empêche également les individus de sortir de l'espace de recherche, puisque
l'amplitude deε Gi est réduite de moitié. Inversement, lors des dernières itérations, il est
évident que tous les individus seront regroupés dans une région étroite, de sorte que
l'amplitude de ε G i sera faible. Dans une telle circonstance, une petite valeur de F 2
(c'est-à-dire F 2= 0,1) est bénéfique pour renforcer encore l'exploitation en profondeur.
Les détails de l'opérateur de mutation proposé sont décrits dans le Pseudo code 2.

Ici, std, repmat et normrnd sont trois fonctions MATLAB. Comme on peut le
constater, la technique proposée pour créer les vecteurs de différence est très facile à
mettre en œuvre et ne nécessite que des efforts de calcul insignifiants pour la solution
du problème de l'optimisation.

4.3. Opérateur d'échange :

Dans la zone SHM, on sait que des dommages dans deux endroits proches, associés à
une certaine intensité de dommages, pourraient produire une altération
approximativement identique des caractéristiques modales structurelles. Par
conséquent, l'identification des sites et de l'étendue des dommages par la solution d'un
problème d'optimisation peut faire converger l'algorithme vers un optimum local. Pour
éviter que cela ne se produise, des techniques spéciales doivent être développées et
utilisées au cours du processus d'optimisation. Dans cet article, un nouvel opérateur,
appelé EO, est conçu et intégré dans l'algorithme ADE proposé, qui vise à remédier à
cet inconvénient. L'EO peut non seulement éviter d'échouer dans les optimums locaux,
mais aussi permettre à l'algorithme de s'en échapper, comme cela sera détaillé
ultérieurement. Il convient de souligner que l'EO ne sera défini que pour les structures
en forme de plaques, car ce sont les seules à être prises en compte dans cette étude.
Néanmoins, comme nous le noterons dans la suite, la définition de cet algorithme peut
être facilement étendue à d'autres types de structures, comme les poutres et les treillis.
ARTICLE : 4

Pour

décrire le fonctionnement de EO, considérons une plaque carrée divisée en (a ×a = N)

FEs, comme illustré dans la Fig. 1. Tout d'abord, deux éléments distincts de la plaque
sont choisis au hasard. En supposant que les indices des éléments sélectionnés sont el 1
et el2 , 1≤e l 1 ≠ el 2 ≤Nel . Deuxièmement, le voisinage de chaque élément sélectionné el
est défini comme l'ensemble Sel el des éléments environnants, comme illustré dans la
ARTICLE : 4

Fig. 1. Dans cette étude, deux configurations de voisinage sont considérées et utilisées
pour déterminer les ensembles Sel 1 et Sel 2 . Les indices des éléments appartenant à Sel 1
sont

Sel 1 = {el 1−a,el 1−1 , el 1 +1, el 1 +a }

et ceux de Sel 2 sont Sel 2 = {el 2−a−1,el 1−a+1, el 1 +a−1, el 1 +a+ 1 } .

Remarquant que si un élément sélectionné el est proche d'un bord quelconque de la

plaque, le nombre d'éléments appartenant à Sel sera inférieur à quatre, puisque les
indices inférieurs à 1, supérieurs à N ou éloignés de l'élément sélectionné ne seront pas
pris en compte. La troisième étape consiste à choisir de manière équiprobable un
élément de chaque ensemble. Soit pel 1et pel 2les indices de deux éléments sélectionnés
dans Sel 1 et Sel 2 , respectivement. Enfin, la dernière étape consiste à ce que les éléments
el 1et pel 1échangent leurs étendues de dommages ; de même, el 2et pel 2. Le pseudo-code 3
illustre les étapes détaillées de l'EO proposées.

Comme
nous avons
déjà noté, EO
permet à l'algorithme ADE d'échapper à un optimum local et aussi de maintenir la
diversité de la population. De plus, comme l'illustre le Pseudo-code 3, le EO proposé
est facile à mettre en œuvre et nécessite un coût de calcul très faible pour la solution
du problème d'optimisation par rapport à celui nécessaire pour l'analyse de la
structure.

4.4. Micro-opérateur de recherche

L'opérateur MS, fréquemment utilisé par plusieurs chercheurs [10, 34, 35], est
également intégré à l'algorithme ADE afin d'accélérer à nouveau la convergence vers
les dommages réels et de réduire le coût de calcul. L'opérateur MS est basé sur l'idée
utilisée dans cette étude pour créer la population initiale, qui considère que le nombre
d'éléments défectueux d'une structure endommagée est toujours beaucoup plus faible
que le nombre d'éléments non endommagés. En utilisant l'opérateur MS, les variables
ARTICLE : 4

de décision ayant des valeurs faibles (c'est-à-dire l'extension des dommages) sont
mises à zéro après plusieurs générations et considérées comme des éléments sains.
Une telle technique aide les individus à se diriger vers les régions prometteuses de
l'espace de recherche, et donc à trouver une véritable solution optimale. Pour
appliquer l'opérateur MS à tous les individus, deux paramètres d'utilisateur sont
définis, à savoir (i) le nombre de générations (G MS), après les multiples de ce dernier, et
(ii) le niveau sain défini comme le ratio de dommages maximum ( δmax ), pour lequel
tous les éléments ayant une étendue de dommages inférieure à δmax sont considérés
comme des éléments sains et fixés à zéro. Les détails concernant l'exploitant de la MS
sont décrits dans le pseudo code 4.

Comme on peut le voir, l'opérateur de la MS est simple à mettre en œuvre et sans effort
de calcul supplémentaire pour la solution du problème d'optimisation.

4.5. Algorithme ADE proposé :

En implantant, dans l'algorithme classique DE, les différentes techniques développées

dans le cadre de cette étude, à savoir la procédure de génération de population, la
stratégie de mutation DE / current -to -best / σpop , l'opérateur EO et MS, on crée un
nouvel algorithme ADE pour l'identification des dommages dans les structures des
plaques, qui est décrit sommairement dans l'algorithme 1 .

Comme on peut le constater dans l'algorithme 1, deux critères de convergence sont pris
en compte pour arrêter le processus d'optimisation de l'algorithme ADE proposé, à
savoir (1) Le nombre de générations maximum (G max ) est atteint.(2) Si la valeur de la
fonction objectif du meilleur individu est égale à zéro ou à une valeur seuil très faible
(par exemple seuil = 1.0−10 ), la solution optimale est trouvée. Lorsque l'un des deux
critères de convergence est rempli, le processus d'optimisation doit être arrêté. Comme
on peut clairement le constater, la procédure d'initialisation de la population suggérée,
l'opérateur EO et l'opérateur MS spécialisent effectivement l'algorithme ADE pour
l'identification des dommages dans les structures en plaque

4.6. Complexité de calcul de l'algorithme ADE :

ARTICLE : 4

L'analyse de la complexité de calcul de l'ADE est assez simple grâce à sa simplicité.

Comme le montre l'algorithme 1, la complexité de calcul de l'ADE dépend
principalement de trois parties : l'évaluation de l'aptitude, un opérateur de mutation et
un opérateur de croisement. De plus, le coût en temps de l'évaluation de l'aptitude ne
sera pas pris en compte dans ce travail car il dépend du problème. Par conséquent,
l'analyse de la complexité temporelle ci-dessous se concentre uniquement sur les
opérateurs de mutation et de croisement, qui sont le processus essentiel pour mettre à
jour les comportements des individus dans l'algorithme de l'ADE. La complexité
temporelle de ces deux opérateurs peut être énoncée comme suit. Étant donné un
individu N p et un problème d'optimisation N -dimensionnel, la complexité temporelle
peut être obtenue comme suit :

T m=T c =O ( N p × N ) (17)

Les résultats des calculs, présentés dans la section 5.3, confirment la faible influence de
la dimensionnalité de recherche N sur la complexité temporelle pour les opérateurs de
mutation et de croisement, T m et T c, respectivement, démontrant ainsi la faible
complexité temporelle de l'algorithme ADE proposé.

5.1 Simulation numérique

Cette section est consacrée à l'étude des performances d'optimisation de l'algorithme

ADE proposé pour identifier les dommages structurels multiples dans les structures en
forme de plaque. Les modèles d'éléments finis des plaques composites isotropes et
laminées, avec divers scénarios de dommages, sont considérés comme montrant
l'efficacité, la robustesse et l'extensibilité de l'approche proposée pour localiser et
quantifier précisément les dommages. En outre, les effets du bruit sur la performance
de la méthode ADE sont également examinés. Les niveaux de bruit de ηω = ±1 % sur les
fréquences et de ηψ = ±5 % sur les formes de mode sont considérés et simulés comme
suit :

(18) , (19)

Où ω noise i est la i ième fréquence naturelle, et ψ noise ij est la j ième composante du

iième vecteur de forme de mode. En fait, les deux sont contaminés par le bruit. Il
convient de noter que les matrices de flexibilité issues des résultats expérimentaux
simulés et des modèles numériques sont construites en utilisant uniquement le
déplacement transversal de tous les degrés de liberté des plaques. En outre, les
résultats de l'identification des dommages de chaque cas sont exécutés
indépendamment cinq fois pour la moyenne et sont comparés avec ceux obtenus
récemment en utilisant une méthode multi-étape basée sur un DE modifié (MS-MDE)
ARTICLE : 4

[10]. Les paramètres de contrôle de l'algorithme DE standard (DE/courant à l'embout

/1) sont définis comme suit : le nombre maximum de générationsGmax =500, la taille de
la population

N p = 30, le taux de croisement Cr = 0,9 et le facteur d'échelle F généré aléatoirement

dans la plage [0,4, 0,9]. Pour la méthode ADE pro posée, les paramètres de contrôle
G max , N p et C r , sont respectivement fixés à 500, 30 et 0,9. En outre, le nombre de
générations pour appliquer l'opérateur MS (G MS) et le niveau sain (δ max ) sont fixés à 10
et 0,05, respectivement. L'algorithme DE standard et la méthode ADE seront arrêtés
soit lorsque le coût de l'individu le plus apte ( f best ) est inférieur au seuil =10−10 , soit
lorsque le nombre maximum de générations (G max ) est atteint. Les deux algorithmes et
les codes de l'analyse par éléments finis pour les plaques sont codés dans le logiciel de
programmation MATLAB et la simulation et les solutions numériques sont exécutées
ARTICLE : 4

sur un PC Intel Core i5-3337 U 1,8 GHz avec 6 Go de RAM sous un système
d'exploitation Windows 64 bits.

5.1. Plaque épaisse isotrope carrée :

Comme premier exemple, une plaque isotrope carrée, préalablement analysée par
Dinh-Cong et al. [10] , est réalisée. Les propriétés géométriques et matérielles sont
spécifiées dans le tableau 1 . La plaque est discrétisée en utilisant des FEs quadratiques
à quatre nœuds avec un maillage de 10 ×10, et les conditions aux limites serrées sont
appliquées aux quatre bords, comme le montre la figure 2 . Deux scénarios de
dommages sont examinés, qui consistent en deux éléments endommagés adjacents et
trois éléments dispersés, comme dans le tableau 1 de [10] . Le tableau 2 montre les
détails des éléments endommagés supposés et les ratios de dommages correspondants.
Le processus d'identification des dommages, pour les deux scénarios, est réalisé en
utilisant uniquement les trois premières fréquences et les formes de mode associées.
ARTICLE : 4

Les résultats de l'identification des dommages de l'algorithme ADE proposé pour les
deux scénarios sont illustrés à la figure 3. Comme on peut le voir, les éléments
réellement endommagés pour le scénario 1 (c'est-à-dire les 47ème et 56ème éléments)
sont exactement identifiés pour un état sans bruit (voir la figure 3 (a)) et lors de
l'utilisation de données contaminées par le bruit, comme le montre la figure 3 (b), sans
aucun élément de fausse alerte. De même, on peut observer sur la figure 3 (c et d) que
les éléments détectés, qui sont les 23ème, 43ème et 57ème éléments, correspondent
exactement aux éléments endommagés supposés du scénario 2. Cela confirme
évidemment l'efficacité de la méthode ADE pour trouver exactement les sites et
l'étendue des éléments endommagés adjacents et dispersés de la plaque isotrope,
même en utilisant des données contaminées par le bruit. Pour examiner les
performances de l'algorithme ADE proposé pour l'évaluation des dommages dans la
plaque isotrope, ses résultats numériques sont comparés à ceux donnés par la méthode
MS-MDE [10] . Il convient de noter que les résultats d'optimisation présentés dans [10]
ont été obtenus en utilisant les cinq premiers modes vibratoires, alors que nos résultats
sont obtenus avec seulement les trois premiers modes. Les résultats des simulations
statistiques de l'ADE et de la méthode MS-MDE (tableaux 3 et 4 dans [10]) sont
présentés dans les tableaux 3 et 4 pour les scénarios de dommage 1 et 2,
respectivement. Comme on peut le constater, les résultats révèlent les grandes
performances des deux algorithmes pour identifier précisément l'étendue des
dommages des deux scénarios sans bruit, avec une petite supériorité de l'ADE. En effet,
l'erreur la plus importante entre les ratios de dommages moyens obtenus et les ratios
de dommages réels (erreur) par l'EAD et le MS-MDE pour le scénario
ARTICLE : 4

2 sont respectivement de 0,00 % et 0,167 %. Pour les deux scénarios, avec des données
contaminées par le bruit, l'erreur atteint 4,43 % (pour le scénario 1) et 9,75 % (pour le
scénario 2) par MS-MDE. Cependant, l'ADE trouve les meilleures solutions de manière
plus précise, avec une erreur maximale de 3,08 % et 8,65 % pour les scénarios 1 et 2,
respectivement. De plus, en termes de nombre d'analyses structurelles (NSA),
l'algorithme ADE détecte de manière stable les meilleures solutions plus de 10 fois plus
vite que l'algorithme MS-MDE. En effet, le nombre moyen d'ANS pour le scénario 1,
avec et sans bruit, est respectivement de 12 180 et 12 270 pour le MS-MDE et de 774 et
784 pour l'ADE. De même, la moyenne des ANS pour le scénario 2, avec et sans bruit,
est respectivement de 12 144 et 12 450 pour le MS-MDE et de 918 et 772 pour l'ADE.

Ces résultats sont obtenus avec un très faible écart-type (Std . f ) par rapport aux
valeurs de la fonction objectif, pour tous les scénarios de dommages, comme indiqué
dans les tableaux 3 et 4 . La figure 4 montre la réduction des valeurs de la fonction
objective en ce qui concerne le nombre de générations. Comme on peut le voir,
l'algorithme standard DE ne parvient pas à atteindre les vraies solutions, pour les deux
scénarios avec et sans bruit, même après 500 itérations, comme le montre la figure 4.
Au contraire, ADE présente un bon comportement de convergence grâce à l'équilibre
plus fin entre l'exploration et l'exploitation de l'espace de recherche et à l'aide apportée
par la bourse intégrée et les opérateurs des États membres. De plus, la grande précision
des solutions obtenues, sans détection de fausses alarmes, est due à la sensibilité de la
ARTICLE : 4

fonction objective proposée aux dommages et en particulier à l'utilité de la fonction de

pénalité empêchant la détection de fausses alarmes.

5.2. Plaque composite stratifiée à trois couches croisées (0°/90°/0°) :

Dans ce deuxième exemple, une plaque composite stratifiée (0°/90°/0°) (Fig. 5),
précédemment étudiée dans [9, 10], est sélectionnée pour démontrer à nouveau
l'efficacité et la résistance de la méthode ADE. Les conditions limites fixées sont
appliquées aux quatre bords de la plaque. La longueur de la plaque est L x = L y = 1m,
l'épaisseur est t = 0,05m, et l'épaisseur de chaque couche est t /3. Les paramètres des
matériaux de la plaque sont indiqués dans le tableau 5. Les caractéristiques
dynamiques de la plaque sont calculées en utilisant la méthode des éléments finis avec
un maillage de 10 × 10 d'un élément quadratique à quatre nœuds [36]. Pour cet
exemple, ADE est vérifié en utilisant deux scénarios de dommages différents énumérés
dans le tableau 6. Les cinq premières fréquences et les formes de mode associées sont
utilisées pour l'identification des dommages. Les résultats de l'identification des
dommages pour les deux scénarios, fournis par l'algorithme ADE, sont présentés à la
figure 6. Comme on peut le constater, les éléments réellement endommagés sont
détectés avec précision pour les deux scénarios sans bruit, comme illustré dans la
figure 6 (a) et (c), et avec bruit, comme illustré dans la figure 6 (b) et (d). En outre,
aucune fausse alarme n'est identifiée pour tous les cas de dommages. Ceci est dû à
l'efficacité de la fonction d'objectif développée et surtout de la fonction de pénalité. En
revanche, pour les deux scénarios
ARTICLE : 4

avec le bruit, les résultats de l'optimisation par MS-MDE, présentés sur les figures 9 et
10 dans [10] , montrent la détection de certaines fausses alarmes de faible gravité. Les
performances de l'algorithme ADE sont comparées à celles de la méthode MS-MDE
(tableaux 9 et 10 dans [10]). Les résultats statistiques des deux approches sont
présentés dans les tableaux 7 et 8 pour les scénarios de dommage 1 et 2,
respectivement. En termes de qualité des solutions, il est clair que les meilleures
solutions obtenues par l'ADE sont plus précises que celles offertes par la méthode MS-
MDE. Plus précisément, pour les deux scénarios sans bruit, les erreurs maximales,
entre les ratios de dommages moyens atteints et les ratios de dommages réels
ARTICLE : 4
ARTICLE : 4
ARTICLE : 4

Par ADE et MS-MDE sont égales à 0,00% et 0,10% pour le scénario 1 et 0,05% et 0,40%
pour le scénario 2, respectivement. Pour le bruit de mesure, les erreurs maximales
augmentent et atteignent 4,05 % et 9,00 %, pour le scénario 1 et 4,05 % et 16,68 % pour
le scénario 2, respectivement par ADE et MS-MDE. En outre, en ce qui concerne les
NSAs, l'algorithme ADE détecte de manière stable les meilleures solutions plus de 10
fois plus vite que l'algorithme MS-MDE. En effet, la moyenne des NSAs pour le
scénario 1, avec et sans bruit, est respectivement de 11,736 et 12,054 pour le MS-MDE et
de 882 et 660 pour l'ADE. De même, la moyenne des NSAs pour le scénario 2, avec et
sans bruit, est respectivement de 12,210 et 12 180 pour le MS-MDE et de 1026 et 858
pour l'ADE. Ces résultats d'optimisation sont obtenus avec un très faible écart-type
(Std. f) par rapport aux valeurs de la fonction objective, pour tous les scénarios de
dommages, comme exposé dans les tableaux 7 et 8. La figure 7 illustre la réduction des
valeurs de la fonction objective en fonction du nombre d'itérations. A noter le bon
ARTICLE : 4

comportement de convergence de l'ADE vers la véritable solution grâce au nouvel

opérateur de mutation, offrant un équilibre parfait entre l'exploration et l'exploitation,
ainsi qu'à la contribution bénéfique des opérateurs d'échange et des EM. De plus,
l'algorithme standard de l'EDE présente le même comportement de convergence que
pour le premier exemple numérique. En effet, il ne parvient pas à trouver de véritables
solutions pour les deux scénarios, avec et sans bruit, même après 500 itérations,
comme le montre la figure 7.

5.3. Problèmes d'identification des dommages à grande échelle

Il est bien connu que la plupart des algorithmes métaheuristiques modernes, y compris
l'algorithme DE, offrent généralement de bonnes performances pour résoudre les
problèmes d'optimisation à petite et moyenne échelle. Toutefois, si le nombre de
variables de décision augmente (généralement au-delà de

100 et plus), ces méthodes éprouvent des difficultés à identifier avec précision
l'optimum global sans la croissance substantielle du coût de calcul. Ce comportement
indésirable est principalement dû à l'expansion drastique de l'espace de recherche en
ARTICLE : 4

ce qui concerne la taille du problème. Malheureusement, de nombreux problèmes

d'optimisation réels, issus de plusieurs domaines de l'ingénierie, impliquent un
nombre important de variables de conception [37]. Ce problème a motivé les
chercheurs à élaborer des algorithmes d'optimisation évolutifs de telle sorte que leurs
performances soient indépendantes de la dimension du problème. Au cours des
dernières décennies, plusieurs tentatives ont été consacrées à l'amélioration de
l'extensibilité de DE par diverses approches telles que l'intégration de nouvelles
stratégies de mutation et de croisement [38, 39], le couplage de La DE avec des
stratégies coopératives de les méthodes de coévolution [40], etc.

Dans ce cadre, l'objectif de cette sous-section est d'étudier l'influence de la taille des
problèmes sur la capacité de l'ADE à identifier les sites et l'ampleur des dommages. À
cette fin, la plaque isotrope carrée, décrite précédemment dans la section 5.1, est à
nouveau considérée comme un exemple numérique. Toutefois, la plaque est ici
discrétisée avec deux mailles uniformes (12 ×12) et (15 ×15). Pour chaque cas, un
scénario de dommage est envisagé, comme indiqué dans le tableau 2. L'algorithme
ADE est utilisé pour résoudre les deux problèmes de détection des dommages qui en
résultent, avec respectivement 144 et 225 variables de conception. Les trois premières
fréquences et les formes de mode associées sont prises en compte pour l'évaluation des
dommages dans la plaque. Les paramètres de contrôle de l'algorithme ADE, utilisés
pour cet exemple, sont les mêmes que ceux utilisés précédemment pour les deux
premiers exemples numériques. Pour chaque problème, le processus d'optimisation est
répété cinq fois avec une population initiale différente créée à l'aide de la technique de
génération de population développée. La figure 8 illustre les résultats d'optimisation
obtenus pour les deux problèmes de détection des dommages. Comme on peut le voir,
l'algorithme ADE converge avec d'excellents résultats d'identification de
l'emplacement et de la gravité des dommages. Ces résultats d'optimisation révèlent les
performances supérieures de l'ADE pour l'identification précise de l'étendue des
dommages dans les deux cas. De plus, l'ADE converge vers la solution réelle avec une
valeur insignifiante de l'écart type et avec le même ordre du nombre d'analyses
structurelles que pour les deux exemples numériques précédents. En fait, les moyennes
des NSAs pour les deux cas, la plaque isotrope à maille 12 ×12 et à maille 15 ×15, sont
respectivement de 882 et 1080. En outre, ADE montre à nouveau un bon
comportement de convergence malgré l'expansion de l'espace de recherche, comme le
montre la figure 9 . Les résultats obtenus démontrent clairement la plus grande
performance de l'algorithme ADE pour résoudre les problèmes d'identification des
dommages à grande échelle, confirmant ainsi son extensibilité.

6 –Conclusion :

Nous avons proposé dans cet article un nouvel algorithme ADE pour la détection de
dommages multiples dans des structures en forme de plaque en utilisant des données
ARTICLE : 4

modales. Dans cette approche, l'identification de l'emplacement et de la gravité des

dommages a été réalisée en minimisant une fonction objet, créée par les écarts de
flexibilité de la structure, et la fonction de pénalité que nous proposons, afin d'éviter la
détection de fausses alarmes. Les variables de conception représentent l'étendue des
dommages des éléments de la plaque discrétisés via la FEM. L'algorithme proposé,
utilisé pour résoudre le problème de l'optimisation et de la détection des dommages, a
été conçu en intégrant trois nouvelles techniques dans le cadre conventionnel de la
DE. La première est une technique d'initialisation de la population capable de générer
des individus dans ou à proximité de zones prometteuses de l'espace de recherche,
utilisée pour accélérer la convergence de l'algorithme. La seconde est un opérateur de
mutation créé sur la base de la dispersion de la population dans l'espace de recherche,
qui permet au vecteur mutant d'être significativement bénéfique à l'évolution du
vecteur cible et assure l'équilibre automatique entre les capacités de recherche globales
et locales. La dernière technique est un nouvel opérateur, appelé EO, développé pour
empêcher une convergence prématurée et pour échapper à un optimum local. En
outre, l'opérateur MS a également été utilisé, qui transforme les éléments faiblement
endommagés en éléments sains, afin d'améliorer encore le taux de convergence de
l'ADE. Pour démontrer l'efficacité, la robustesse et l'extensibilité de l'algorithme ADE
pour résoudre le problème de détection des dommages, trois exemples numériques,
dont une plaque isotrope carrée et une plaque composite laminée à trois couches
(0°/90°/0°), ont été pris en compte. En outre, l'influence des données bruitées et de la
taille du problème a également été étudiée. Sur la base des résultats de la simulation,
certaines conclusions ont été résumées comme suit :

-La fonction objective développée est efficace pour identifier l'emplacement et

l'étendue des éléments de plaque endommagés sans fausses alertes.

-L'algorithme ADE proposé s'avère être un outil d'optimisation efficace pour détecter
les sites réels et les degrés de dommages en utilisant uniquement des modes inférieurs,
même avec des données bruyantes contaminées.

-ADE dépasse ses concurrents en termes de moyenne et d'écart-type et d'effort de

calcul pour tous les cas considérés. De plus, il maintient son niveau de performance de
manière significative malgré l'augmentation de la taille du problème.

Pour les recherches futures, l'algorithme ADE sera étendu pour résoudre le problème
du placement optimal des capteurs pour la détection des dommages dans les plaques,
puis appliqué pour résoudre des problèmes de mots réels. En outre, nous essaierons
d'étendre l'EO proposé à d'autres types de structures, telles que les poutres et les
fermes 
References
ARTICLE : 4

[1] A. Nicknam, M.H. Hosseini, Structural damage localization and evaluation based on modal data via a new evolutionary algorithm, Arch. Appl Mech. 82 (2012) 191–203, doi: 10.10
07/s0 0419- 011- 0548- 6 . [2] S. Sandesh, K. Shankar, Application of a hybrid of particle swarm and genetic algorithm for structural damage detection, Inverse Prob. Sci. Eng. 18 (2010)
997–1021, doi: 10.1080/17415977.2010.500381 . [3] Z.H. Ding, M. Huang, Z.R. Lu, Structural damage detection using artificial bee colony algorithm with hybrid search strategy, Swarm
Evol. Comput. 28 (2016) 1–13, doi: 10.1016/j.swevo.2015.10.010 . [4] R. Storn, K. Price, Differential evolution –A Simple and efficient heuristic for global optimization over continuous
spaces, J. Glob. Optim. 11 (1997) 341–359, doi: 10.1023/A:1008202821328 . [5] V.P. Plagianakos, D.K. Tasoulis, M.N. Vrahatis, A review of major application areas of differential
evolution, Advances in Differential Evolution SE - 8 143 (2008) 197–238, doi: 10.1007/978- 3- 540- 68830- 3 _ 8 . [6] Z. Wang, H. Tang, P. Li, Optimum design of truss structures based
on differential evolution strategy, in: Proceedings of the 2009 International Confer- ence on Information Engineering and Computer Science, 2009, pp. 1–5, doi:
10.1109/ICIECS.2009.5365996 . [7] L. Le-Anh, T. Nguyen-Thoi, V. Ho-Huu, H. Dang-Trung, T. Bui-Xuan, Static and frequency optimization of folded laminated composite plates using
an adjusted differential evolution algorithm and a smoothed triangular plate element, Compos. Struct. 127 (2015) 382–394, doi: 10.1016/j.compstruct.2015. 02.069 . [8] L.T. Stutz, R.A.
Tenenbaum, R.A.P. Corrêa, The differential evolution method applied to continuum damage identification via flexibility matrix, J. Sound Vib. 345 (2015) 86–102, doi:
10.1016/j.jsv.2015.01.049 . [9] T. Vo-Duy, V. Ho-Huu, H. Dang-Trung, T. Nguyen-Thoi, A two-step approach for damage detection in laminated composite structures using modal strain
energy method and an improved differential evolution algorithm, Compos. Struct. 147 (2016) 42–53, doi: 10.1016/j.compstruct.2016.03.027 . [10] D. Dinh-Cong, T. Vo-Duy, V. Ho-Huu,
H. Dang-Trung, T. Nguyen-Thoi, An efficient multi-stage optimization approach for damage detection in plate structures, Adv. Eng. Softw. 112 (2017) 76–87, doi:
10.1016/j.advengsoft.2017.06.015 . [11] S.M. Guo, C.C. Yang, P.H. Hsu, J.S.-H. Tsai, Improving differential evolution with a successful-parent-selecting framework, IEEE Trans. Evol.
Comput. 19 (2015) 717–730, doi: 10.1109/TEVC.2014.2375933 . [12] H. Peng, Z. Guo, C. Deng, Z. Wu, Enhancing differential evolution with random neighbors based strategy, J.
Comput. Sci. 26 (2018) 501–511, doi: 10. 1016/j.jocs.2017.07.010 . [13] L.M. Zheng, S.X. Zhang, K.S. Tang, S.Y. Zheng, Differential evolution powered by collective information, Inf.
Sci. 399 (2017) 13–29, doi: 10.1016/j.ins.2017. 02.055 . [14] S.C. Mohan, D.K. Maiti, D. Maity, Structural damage assessment using FRF employing particle swarm optimization, Appl.
Math. Comput. 219 (2013) 10387–10400, doi: 10.1016/j.amc.2013.04.016 . [15] F. Kang, J. Li, Q. Xu, Damage detection based on improved particle swarm optimization using vibration
data, Appl. Soft Comput. 12 (2012) 2329–2335, doi: 10.1016/j.asoc.2012.03.050 .

[16] S.M. Seyedpoor, Structural damage detection using a multi-stage particle swarm optimization, Adv. Struct. Eng. 14 (2011) 533–549, doi: 10.1260/ 1369-4332.14.3.533 . [17] O.
Begambre, J.E. Laier, A hybrid particle swarm optimization –Simplex algorithm (PSOS) for structural damage identification, Adv. Eng. Softw. 40 (2009) 883–891, doi:
10.1016/j.advengsoft.2009.01.004 . [18] A. Majumdar, D.K. Maiti, D. Maity, Damage assessment of truss structures from changes in natural frequencies using ant colony
optimization, Appl. Math. Comput. 218 (2012) 9759–9772, doi: 10.1016/j.amc.2012.03.031 . [19] W.M. Hasan, Crack detection from the variation of the eigenfrequencies of a
beam on elastic foundation, Eng. Fract. Mech. 52 (1995) 409–421, doi: 10. 1016/0013- 7944(95)00037- V . [20] M.I. Friswell, J.E.T. Penny, S.D. Garvey, A combined genetic and
eigensensitivity algorithm for the location of damage in structures, Comput. Struct. 69 (1998) 547–556, doi: 10.1016/S0 045-7949(98)0 0125-4 . [21] J.T. Kim, Y.S. Ryu, H.M. Cho,
N. Stubbs, Damage identification in beam-type structures: frequency-based method vs mode-shape-based method, Eng. Struct. 25 (2003) 57–67, doi: 10.1016/S0141-
0296(02)00118-9 . [22] J. Maeck, G. De Roeck, Damage assessment using vibration analysis on the Z24-Bridge, Mech. Syst. Sig. Process. 17 (2003) 133–142, doi: 10.1006/mssp.
2002.1550 . [23] A.K. Pandey, M. Biswas, M.M. Samman, Damage detection from changes in curvature mode shapes, J. Sound Vib. 145 (1991) 321–332, doi: 10.1016/ 0022-
460X(91)90595- B . [24] A. Alvandi, C. Cremona, Assessment of vibration-based damage identification techniques, J. Sound Vib. 292 (2006) 179–202, doi: 10.1016/J.JSV.2005.07.
036 . [25] P. Cornwell, S.W. Doebling, C.R. Farrar, Application of the strain energy damage detection method to plate-like structures, J. Sound Vib. 224 (1999) 359–374, doi:
10.1006/jsvi.1999.2163 . [26] M. Nobahari, S.M. Seyedpoor, An efficient method for structural damage localization based on the concepts of flexibility matrix and strain energy
of a structure, Struct. Eng. Mech. 46 (2013) 231–244, doi: 10.12989/sem.2013.46.2.231 . [27] A. Zare Hosseinzadeh, G. Ghodrati Amiri, S.A. Seyed Razzaghi, K.Y. Koo, S.H. Sung,
Structural damage detection using sparse sensors installation by optimization procedure based on the modal flexibility matrix, J. Sound Vib. 381 (2016) 65–82, doi:
10.1016/j.jsv.2016.06.037 . [28] L.T. Stutz, D.A. Castello, F.A. Rochinha, A flexibility-based continuum damage identification approach, J. Sound Vib. 279 (2005) 641–647, doi:
10.1016/j. jsv.2003.11.043 . [29] N. Ben Guedria, H. Hassine, Efficient cultural algorithm for structural damage detection problem based on modal data, (2018) 204–217. doi:
10.1007/ 978- 3- 319- 94616- 0 _ 21 . [30] A.K. Qin, V.L. Huang, P.N. Suganthan, Differential evolution algorithm with strategy adaptation for global numerical optimization,
IEEE Trans. Evol. Comput. 13 (2009) 398–417, doi: 10.1109/TEVC.2008.927706 . [31] V. Feoktistov, S. Janaqi, Generalization of the strategies in differential evolution, in:
Proceedings of the 18th International Parallel and Distributed Processing Symposium, 2004, IEEE, 2004, pp. 165–170, doi: 10.1109/ipdps.2004.1303160 . [32] X. Zhang, S.Y. Yuen,
A directional mutation operator for differential evolution algorithms, Appl. Soft Comput. J. 30 (2015) 529–548, doi: 10.1016/j.asoc. 2015.02.005 . [33] S. Das, A. Ghosh, S.S.
Mullick, A switched parameter differential evolution for large scale global optimization –simpler may be better, in: Proceedings of the Advances in Intelligent Systems and
Computing, Cham, Springer, 2015, pp. 103–125, doi: 10.1007/978- 3- 319- 19824- 8 _ 9 . [34] M. Nobahari, S.M. Seyedpoor, Structural damage detection using an efficient
correlation-based index and a modified genetic algorithm, Math. Comput. Model. 53 (2011) 1798–1809, doi: 10.1016/j.mcm.2010.12.058 . [35] S. Gerist, M.R. Maheri, Multi-stage
approach for structural damage detection problem using basis pursuit and particle swarm optimization, J. Sound Vib. 384 (2016) 210–226, doi: 10.1016/j.jsv.2016.08.024 . [36]
A.J.M. Ferreira, L.M.S. Castro, S. Bertoluzza, A high order collocation method for the static and vibration analysis of composite plates using a first-order theory, Compos.
Struct. 89 (2009) 424–432, doi: 10.1016/j.compstruct.20 08.09.0 06 . [37] S. Mahdavi, M.E. Shiri, S. Rahnamayan, Metaheuristics in large-scale global continues optimization: a
survey, Inf. Sci. 295 (2015) 407–428, doi: 10.1016/ j.ins.2014.10.042 . [38] M.G. Epitropakis, D.K. Tasoulis, N.G. Pavlidis, V.P. Plagianakos, M.N. Vrahatis, Enhancing differential
evolution utilizing proximity-based mutation oper- ators, IEEE Trans. Evol. Comput. 15 (2011) 99–119, doi: 10.1109/TEVC.2010.2083670 . [39] R. Mallipeddi, P.N. Suganthan,
Differential evolution algorithm with ensemble of parameters and mutation and crossover strategies, in: Lecture Notes in Computer Science (Including Subseries Lecture
Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Elsevier, 2010, pp. 71–78, doi: 10. 1007/978- 3- 642- 17563- 3 _ 9 . [40] M.N. Omidvar, S. Member, X. Li, S.
Member, Cooperative co-evolution with differential grouping for large scale optimization, IEEE Trans. Evol. Comput. 18 (2014) 378–393, doi: 10.1109/TEVC.2013.2281543 .