Thèse Khaled Ziane

Université d’Oran 2
Institut de Maintenance et de Sécurité Industrielle
THÈSE
Pour l’obtention du diplôme de Doctorat « L.M.D »

En Sécurité Industrielle et Environnement
Analyse, Évaluation et Réduction des Risques

d’un Parc Éolien
Présentée et soutenue publiquement par :

M. ZIANE Khaled
Le: 02 Juillet 2017
Devant le jury composé de :
LOUNIS Zoubida Professeur Université d’Oran 2 Présidente

Directrice de
ZEBIRATE Soraya Professeur Université d’Oran 2
Thèse
BOUKEZZI Larbi Professeur Université de Djelfa Examinateur
Centre de Recherche Nucléaire
TOUATI Said Maitre de Recherche A Examinateur
de Birine
HASSINI Abdelatif Professeur Université d’Oran 2 Examinateur
Année 2016/2017
« Analyse, évaluation et réduction des risques d’un parc éolien »
Résumé :
Comme tout système industriel, l'éolienne comporte de nombreux dangers et facteurs aggravants pour les travailleurs,
l'environnement et les riverains. Ainsi, elle est susceptible de générer des risques de nature variée. Dans cette perspective, on
s'intéresse plus particulièrement au risque de projection de tout ou partie de pale, qui est dû généralement à la fatigue des
matériaux de cette dernière. Cette fatigue est l'un des problèmes posés par les aérogénérateurs en termes d'ingénierie, qui réside
dans la charge variable à laquelle les pales de rotor sont soumises. Dans le cadre de cette thèse, nous avons utilisé les méthodes
d’intelligence artificielle en particulier les réseaux de neurones artificiels (RNA) afin de prévenir le comportement en fatigue
des pales d’éoliennes. Cela nous a permis de créer un modèle capable de prédire la durée de vie ainsi que la tenue en fatigue de
plusieurs matériaux composites stratifiés sous l’effet de plusieurs facteurs (environnement, orientation de fibres…). En outre,
les résultats obtenus par les RNA nous ont aidés à proposer quelques types de matériaux composites de point de vue durabilité
et durées de vie pour une éventuelle conception des pales d’éoliennes.
Mots clés : Energie éolienne, analyse des risques, comportement en fatigue, pale d’éolienne, matériaux composites, réseau de
neurone artificiel
« Analysis, assessment and risk reduction of a wind farm »

Abstract :
Like any industrial system, the wind turbine has many aggravating factors and hazards to workers, environment and riparians.
Thus, it is liable to generate risks of varied nature. In this perspective, we are particularly interested in projection of all or part
of the blade which is usually due to the fatigue of the latter. This fatigue is one of problems posed by wind turbines in terms of
engineering, who resides in the variable load at which the rotor blades are subjected. In the context of this thesis, we used the
methods of artificial intelligence in particular artificial neural networks (ANN) to prevent the fatigue behavior of wind turbine
blades. This allowed us to create a model able to predict the lifetime and the fatigue strength of several composite laminates
under the effect of many factors (environment, fiber orientation...). Furthermore, the results obtained by the ANN helped us to
propose some types of composite materials standpoint durability and lifetime for an eventual design of wind turbine blades.
Keywords: Wind energy, risk analysis, fatigue behavior, wind turbine blade, composite materials, artificial neural network
« ‫ تقييم والحد من مخــاطر حقـل الريـاح‬،‫» تحليل‬

: ‫ملخص‬
‫ ومن املمكن جدا أن متتد ملخاطر‬،‫ البيئة والسكان احمليطني هبا‬،‫ تتسبب توربينات الرياح بالكثري من املخاطر على العمال‬،‫مثل أي نظام صناعي‬
‫ اىتممنا بشكل خاص خبطر تطاير "كل أو أجزاء" من مراوح توربينات الرياح الذي عادة ما يكون بسبب تعب املواد‬،‫ من ىذا املنظور‬.‫أخرى‬
‫ وىو الحمل املتغري الذي تتعرض لو مروحة‬،‫ ىذا التعب ىو واحد من املشاكل الكبرية مع ىذه التوربينات من الناحية اهلندسية‬.‫املصنوعة منها‬
‫ استخدمنا أساليب الذكاء االصطناعي وخصوصا الشبكات العصبية االصطناعية للوقاية من سلوك التعب يف‬،‫ فــي إطار ىذه األطروحة‬.‫الدوران‬
)‫خصيصا‬
ً ‫ وىذا ما مسح لنا بإجناز منوذج ميكنو التنبؤ بقوة ومدة الياة يف عدة مواد مركبة ومصفحة (مستعلمة لصناعتها‬.‫مراوح توربينات الرياح‬
‫ فإن النتائج احملصل عليها من خالل‬،‫ باإلضافة إىل ذلك‬.)...‫ اجتاه األلياف‬،‫ منها (البيئة‬،‫ وىذا حتت تأثري عدة عوامل‬،‫خالل تعرضها هلذا التعب‬
"‫الشبكات العصبية االصطناعية ساعدتنا على اقرتاح بعض أنواع املواد املركبة من ناحية الصالبة ومدة الياة من أجل صناعة مستقبلية "حمتملة‬
.‫ملراوح الدوران‬
‫ الشبكة العصبية االصطناعية‬،‫ املواد املركبة‬،‫ مراوح الدوران‬،‫ سلوك التعب‬،‫ حتليل املخاطر‬،‫ طاقة الرياح‬:‫كلمات مفتاحية‬
Préface
Faire sa thèse est un accomplissement de soi, une chose qui fait appel à
notre inconscience, qui nous pousse à aller toujours plus loin, à ne jamais se
contenter de l’acquis ; comme je le disais souvent « le plus agréable ce n’est
pas d’arriver à son but, mais le chemin parcouru pour y arriver... Surtout
lorsque le chemin n’amène pas et on en laisse sa trace..!! Ne regardes pas
seulement dans la destination, essayes de vivre et profiter du chemin... ».

Je dédie ce travail à mes chers parents,
mes sœurs, mes frères et amis pour
leur soutien incommensurable…
Remerciements
Mes premiers remerciements et les plus vifs, je les adresse à la directrice de ma thèse Pr.
Zebirate Soraya qui m’a honoré d’avoir dirigé ce travail. Je la remercie pour tous les principes
qu’elle n’a cessé de me transmettre, la rigueur scientifique, l’objectivité et l’orientation. Elle a
toute ma gratitude pour m’avoir aidé et encouragé dans les moments difficiles et m’avoir
consacré son temps malgré ses occupations.
Mes vifs remerciements vont aussi au Pr. Lounis Zoubida, de m’avoir accepté dans son
équipe de recherche et son suivi durant toutes ces années d’études. Ainsi, de m’avoir fait
l’honneur de présider le jury de thèse.
Je tiens à remercier Monsieur Boukezzi Larbi, Professeur à l’Université Ziane Achour de
Djelfa de m’avoir fait l’honneur de participer au jury en tant que examinateur.
J’adresse un grand merci à Monsieur Touati Said, Maitre de recherche "A" au Centre de
Recherche Nucléaire de Birine CRNB, pour l’honneur qu’il me fait en acceptant de juger ce
travail.
Je présente aussi mes remerciements à Monsieur Hassini Abdelatif, Professeur à
l’Université d’Oran 2 Mohamed Ben Ahmed, d’avoir accepté d’examiner cette thèse.
L’ami et le co-auteur Adel Zaitri, je te remercie vivement pour ta contribution précieuse
dans la réalisation de nos travaux, de ton côté par l’exploitation des RNA.
J’exprime aussi ma gratitude à Madame Bahmed Lylia, Professeur à l’Université Hadj
Lakhdar de Batna, de m’avoir recommandé et aidé à atteindre mon objectif en soutenant
cette thèse, par son accueil au niveau de son institut IHSI, ainsi, pour son soutien moral.
Un mille mercis à Monsieur Adrian Ilinca, Professeur à l’Université du Québec à
Rimouski UQAR pour son accueil chaleureux durant mon stage, qui m’a fait intégrer avec
souplesse dans son équipe de recherche au sein du Laboratoire qu’il préside « Laboratoire de
Recherche en Énergie Éolienne LREE » ; une expérience vraiment si enrichissante pour moi
au niveau professionnel ainsi qu’au niveau culturel et social. Au plaisir de travailler avec vous
dans les futures recherches et collaborations.
Mes remerciements s’adressent également à tous les membres d’équipe du LISIDD et à
tous les enseignants et le personnel de l’IMSI, ainsi qu’à son Directeur.
Il m’est impossible de ne pas citer mes camarades de la résidence Carthage de
Rimouski, plus particulièrement l’ingénieur et le futur Maitre en sciences Jihed Hayouni, qui
mérite beaucoup de respect. Merci à toutes et à tous chacun par son nom.
Tables des Matières
Liste des tableaux ....................................................................................................................... i

Liste des figures ..........................................................................................................................ii
Abréviations et symboles ........................................................................................................... v
Introduction générale ................................................................................................................. 1
Chapitre I : Etat de l’art des éoliennes

I.1 D’où vient le vent ? ............................................................................................................... 5
I.2 L’énergie éolienne en quelques chiffres................................................................................ 6
I.2.1 Histoire de l’éolien ........................................................................................................ 6
I.2.2 L’énergie éolienne pour quoi faire ? .............................................................................. 8
I.2.3 Développement de l’énergie éolienne ........................................................................... 8
I.2.4 Production éolienne ....................................................................................................... 9
I.2.5 L’éolien dans l’Afrique ............................................................................................... 10
I.2.6 Emplacement des parcs éoliens ................................................................................... 12
I.3 Caractéristiques générales d’un parc éolien ........................................................................ 12
I.3.1 Eléments constitutifs d’une éolienne ........................................................................... 13
I.3.1.1 Mât..................................................................................................................... 13
I.3.1.2 Moyeu ................................................................................................................ 14
I.3.1.3 Nacelle ............................................................................................................... 14
I.3.1.4 Rotor .................................................................................................................. 14
I.3.1.5 Pales................................................................................................................... 14
I.3.2 Emprise au sol ............................................................................................................. 17
I.3.3 Principe de fonctionnement d’une éolienne ................................................................ 18
I.4 Raccordement électrique ..................................................................................................... 19
I.4.1. Réseau inter-éolien ..................................................................................................... 19
I.4.2. Poste de livraison ........................................................................................................ 19
I.4.3 Réseau électrique externe ............................................................................................ 20
I.5 Conclusion ........................................................................................................................... 20
Chapite II : Analyse et évalution des risques d’un parc éolien
II.1 Introduction ........................................................................................................................ 21
II.2 Impact des éoliennes sur l’environnement ......................................................................... 22
II.2.1 Impact sur le paysage ................................................................................................. 22
II.2.2 Impact sur l’avifaune.................................................................................................. 22
II.2.3 Impact de bruit ........................................................................................................... 23
II.2.4 Impact sur les riverains .............................................................................................. 23
II.3 Identification des potentiels dangers de l’installation ........................................................ 24
II.3.1 Dangers liés au milieu naturel .................................................................................... 24
II.3.2 Dangers liés aux produits ........................................................................................... 24
II.3.3 Risques sanitaires ....................................................................................................... 25
II.3.4 Dangers liés aux conditions d’exploitation ................................................................ 25
II.4 Inventaire des accidents et incidents à l’international ....................................................... 26
II.5 Analyse préliminaire des risques APR .............................................................................. 27
II.5.1 Scénarios étudiés dans l’analyse préliminaire des risques ......................................... 28
II.5.2 Effets dominos ........................................................................................................... 32
II.6 Mise en place des mesures de sécurité ............................................................................... 32
II.7 Scénarios génériques issus de l’analyse préliminaire des risques ..................................... 35
II.7.1 Scénarios relatifs aux risques liés à la glace (G01 et G02) ........................................ 35
II.7.1.1 Scénario G01 .................................................................................................... 35
II.7.1.2 Scénario G02 .................................................................................................... 36
II.7.2 Scénarios relatifs aux risques d’incendie (I01 à I07) ................................................. 36
II.7.3 Scénarios relatifs aux risques de fuites (F01 à F02) .................................................. 37
II.7.3.1 Scénario F01 .................................................................................................... 37
II.7.3.2 Scénario F02 .................................................................................................... 38
II.7.4 Scénarios relatifs aux risques de chute d’éléments (C01 à C03) ............................... 38
II.7.5 Scénarios relatifs aux risques de projection de pales ou de fragments de pales (P01 à
P06) ...................................................................................................................................... 38
II.7.5.1 Scénario P01 .................................................................................................... 39
II.7.5.2 Scénario P02 .................................................................................................... 39
II.7.5.3 Scénarios P03 ................................................................................................... 39
II.7.6 Scénarios relatifs aux risques d’effondrement des éoliennes (E01 à E10) ................ 39
II.8 Conclusion ......................................................................................................................... 39
Chapite III : Fatigue des pales d'éoliennes

III.1 Introduction ...................................................................................................................... 41
III.2 Architecture structurale d’une pale d’éolienne ................................................................. 42
III.3 Pales en matériaux composites ......................................................................................... 42
III.3.1 Classification des matériaux composites .................................................................. 43
III.3.2 Constituants des matériaux composites .................................................................... 43
III.3.2.1 Les fibres ........................................................................................................ 44
III.3.2.2 Les matrices .................................................................................................... 45
III.3.2.3 L’interphase .................................................................................................... 46
III.4 Procédé de fabrication des pales d’éoliennes ................................................................... 46
III.4.1 Matériaux et calcul structural ................................................................................... 47
III.5 Fatigue des pales d’éolienne ............................................................................................. 48
III.5.1 Endommagement en fatigue ..................................................................................... 49
III.5.2 Mécanismes d’endommagement en fatigue .............................................................. 49
III.5.3 Prédiction de la durée de vie en fatigue .................................................................... 50
III.6 Conclusion ........................................................................................................................ 53
Chapite IV : Intelligence artificielle et prédiction

IV.1 Introduction ...................................................................................................................... 54
IV.2 Introduction à l’intelligence artificielle ............................................................................ 55
IV.3 Réseaux de neurones ........................................................................................................ 56
IV.3.1 Neurones biologiques ............................................................................................... 56
IV.3.2 Neurones artificiels (formels) ................................................................................... 57
IV.3.3 Histoire de l’évolution des RNA .............................................................................. 58
IV.3.4 Comportement du neurone artificiel ......................................................................... 59
IV.4 Structure d’interconnexion des RNA ............................................................................... 60
IV.4.1 Réseau multicouche .................................................................................................. 60
IV.4.2 Réseau à connexions locales..................................................................................... 61
IV.4.3 Réseau à connexions récurrentes .............................................................................. 61
IV.4.4 Réseau à connexions complexes............................................................................... 61
IV.5 Architecture des RNA ...................................................................................................... 62
IV.5.1 Réseaux statiques ...................................................................................................... 62
IV.5.2 Réseaux dynamiques ................................................................................................ 62
IV.5.3 Réseaux auto-organisés ............................................................................................ 62
IV.6 Apprentissage des RNA ................................................................................................... 62
IV.6.1 Procédure d’apprentissage ........................................................................................ 63
IV.6.2 Types d’apprentissage .............................................................................................. 63
IV.7 Réseaux de neurones a apprentissage supervisé............................................................... 64
IV.7.1 Perceptron multicouche ............................................................................................ 64
IV.7.2 Perceptron multicouche à rétropropagation .............................................................. 66
IV.7.2.1 Rétro-propagation avec Momentum ................................................................. 66
IV.8 Intelligence en essaim ...................................................................................................... 67
IV.8.1 Optimisation par essaim particulaire (OEP) ............................................................. 67
IV.8.1.1 Description informelle ...................................................................................... 68
IV.8.1.2 Voisinage .......................................................................................................... 69
IV.8.2 Algorithme OEP ....................................................................................................... 70
IV.9 Réseau de neurones optimisé par essaim de particules .................................................... 72
IV.10 Prédiction ....................................................................................................................... 73
IV.10.1 Régression linéaire ................................................................................................. 73
IV.11 Conclusion ...................................................................................................................... 75
Chapitre V : Prédiction de la fatigue des pales d’éoliennes

V.1 Introduction ....................................................................................................................... 76
V.2 Effet d’environnement sur la fatigue des pales d’éoliennes .............................................. 78
V.2.1 Hygro-thermo-mécanique des pales d’éolienne......................................................... 78
V.2.2 Comportement du gel-coat aux contraintes climatiques ............................................ 79
V.2.3 Procédure expérimentale et échantillons ................................................................... 80
V.2.3.1 Renfort en verre .................................................................................................. 80
V.2.3.2 Matrice en résine ................................................................................................ 80
V.2.3.3 Préparation des échantillons et géométries ........................................................ 81
V.2.3.4 Conditionnement environnemental .................................................................... 82
V.2.4 Réseaux de neurones artificiels .................................................................................. 82
V.3 Prédiction de la tenue en fatigue sous l’effet de l’environnement..................................... 83
V.3.1 Apprentissage par l’algorithme de Rétropropagation ................................................ 84
V.3.2 Résultats de la prédiction utilisant RNA-RP ............................................................. 85
V.4 Effet d’orientation de fibres sur la fatigue des pales d’éolienne ....................................... 88
V.4.1 Procédure expérimentale et échantillons ................................................................... 89
V.4.1.1 Échantillons et géométrie ................................................................................... 90
V.4.2 Paramètres de fatigue et propriétés ............................................................................ 90
V.5 Prédiction de la tenue en fatigue sous l’effet d’orientation de fibres ................................ 92
V.5.1 Ajustement des paramètres de la topologie RNA ...................................................... 92
V.5.2 Ajustement des paramètres de la topologie OEP ....................................................... 92
V.5.3 Fonction objective ...................................................................................................... 93
V.5.4 Résultats de la prédiction utilisant RNA-OEP ........................................................... 95
V.6 Conclusion ......................................................................................................................... 98
Conclusion générale ................................................................................................................. 99
Bibliographie .......................................................................................................................... 102
Annexes .................................................................................................................................. 111

Liste des Tableaux
Tableau I.1 : Production mondiale d’électricité éolienne en 2011 et 2012 en (TWh) ............ 10
Tableau I.2 : Découpage fonctionnel de l’installation ........................................................... 18
Tableau II.1 : Dangers liés au fonctionnement d’un parc éolien ........................................... 26
Tableau II.2 : Analyse générique des risques potentiels d’un parc éolien ............................. 29
Tableau II.3 : Mise en place des mesures de sécurité des éoliennes ..................................... 33
Tableau V.1 : Différentes résines étudiées ............................................................................. 80
Tableau V.2 : Résumé des données sur la fatigue par compression pour la résine ortho-
polyester « CoRezyn 63-AX-051 »........................................................................................... 84
Tableau V.3 : MD/UD Matériaux .......................................................................................... 89
Tableau V.4 : Résumé des données des résistances à la traction et les tendances de la fatigue
(R = 0,1) pour divers matériaux de pale .................................................................................. 91
Tableau V.5 : Paramètres de l’algorithme d’entrainement OEP ............................................. 93
i
Liste des Figures
Figure I.1a : Rose des vents ..................................................................................................... 5

Figure I.1b : Manche à air ........................................................................................................ 5
Figure I.2a : Éolienne de pompage .......................................................................................... 7
Figure I.2b : Moulins à vent ..................................................................................................... 7
Figure I.3 : Capacité éolienne cumulée en GW dans le monde de 1996 à 2014 ...................... 8
Figure I.4 : Évolution des puissances éoliennes installées en MW dans les 5 pays leaders .... 9
Figure I.5 : Carte annuelle de la vitesse moyenne du vent en (m/s) en Algérie (2009-2010) 11
Figure I.6 : Installation d’éoliennes offshore en Mer du Nord (Photo Gunnar Britse) ........... 12
Figure I.7 : Schéma descriptif d’un parc éolien terrestre ....................................................... 13
Figure I.8 : Éléments constitutifs d’une éolienne ................................................................... 13
Figure I.9 : Montage des pales d’éolienne ............................................................................. 15
Figure I.10 : Conception d’une pale d’éolienne ..................................................................... 16
Figure I.11 : Illustration des emprises au sol d’une éolienne ................................................. 17
Figure I.12 : Raccordement électrique d’un parc éolien ........................................................ 19
Figure II.1 : Impact visuel d’un parc éolien ........................................................................... 22
Figure II.2 : Impact sur l’avifaune ......................................................................................... 22
Figure II.3 : Atténuation du bruit suivant l’éloignement de l’éolienne ................................. 23
Figure II.4 : Projection de glace et circulation des passants .................................................. 23
Figure II.5 : Incendie d’une éolienne à cause de la foudre .................................................... 24
Figure II.6 : Pale brisée par la tempête .................................................................................. 25
Figure II.7 : Répartitions des évènements accidentels dans le monde entre 2000 et 2011 ..... 26
Figure II.8 : Répartitions des causes premières d’effondrement ........................................... 27
Figure II.9 : Répartitions des causes premières de rupture de pale ........................................ 27
Figure II.10 : Répartitions des causes premières d’incendie ................................................. 27
Figure III.1 : Profil standardisé d’une pale d’éolienne .......................................................... 42
Figure III.2 : Classification des matériaux composites .......................................................... 43
Figure III.3 : Constituants d’un matériau composite stratifié ................................................ 46
Figure III.4 : Coupe transversale d’un profil de pale sous moulage par procédé RTM ........ 46
ii
Figure III.5 : Procédé d’injection séquentielle de la résine dans la technologie RTM .......... 47
Figure III.6 : Différents mécanismes d’endommagement ..................................................... 49
Figure III.7 : Exemple de courbe d’endurance (Wöhler)........................................................ 50
Figure III.8 : Divers types de sollicitations sinusoïdales ....................................................... 51
Figure III.9 : Allure des courbes d’endurance exprimées en fonction de la déformation ..... 51
Figure III.10 : Courbe d’endurance S-N pour un composite carbone époxy de séquence
[0/903/0] ................................................................................................................................... 52
Figure IV.1 : Schéma d’un neurone biologique ..................................................................... 57
Figure IV.2 : Mise en correspondance neurone biologique/neurone artificiel ....................... 57
Figure IV.3 : Fonctionnement de base d’un neurone ............................................................. 58
Figure IV.4 : Différents types de fonctions de transfert pour le neurone artificiel ................ 60
Figure IV.5 : Réseau multicouche classique .......................................................................... 60
Figure IV.6 : Réseau à connexions locales ............................................................................ 61
Figure IV.7 : Réseau à connexions récurrentes ...................................................................... 61
Figure IV.8 : Réseau à connexions complexes ...................................................................... 62
Figure IV.9 : différentes possibilités de classification des réseaux de neurones ................... 64
Figure IV.10 : Structure d’entrainement d’un perceptron linéaire ......................................... 65
Figure IV.11 : Entraînement du réseau par rétropropagation de l’erreur ............................... 66
Figure IV.12: Déplacement d’une particule ........................................................................... 68
Figure IV.13: Règles simples d’application locale utilisées dans un essaim de particules .... 69
Figure IV.14: Voisinage étoile ............................................................................................... 69
Figure IV.15: Voisinage anneau ............................................................................................. 70
Figure IV.16: Voisinage rayon ............................................................................................... 70
Figure IV.17 : Logigramme pour les réseaux de neurones optimisés par OEP ..................... 72
Figure IV.18 : Régression par une ligne droite ...................................................................... 74
Figure V.1 : Vue de dessus d’un segment (AOC 15/50) d’une pale d’éolienne .................... 77
Figure V.2 : Pale soumise à un chargement de type hygro-thermo-mécanique ..................... 79
Figure V.3a : Test de fatigue typique d’une peau-raidisseur ................................................. 81
Figure V.3b : Géométrie et dimensions d’un T-échantillon peau-raidisseur ......................... 81
Figure V.4 : Principe de l’entraînement du réseau par rétropropagation de l’erreur ............. 82
iii
Figure V.5 : Prédiction de la tenue en fatigue de la résine ortho-polyester (CoRezyn 63-AX-
051) pour les conditions sec/humide (coupons humides dans 1.0 % d’eau distillée) .............. 85
Figure V.6 : Prédiction de la tenue en fatigue de la résine iso-polyester (CoRezyn 75-AQ-
010) pour les conditions sec/humide (coupons humides dans 0.55 % d’eau distillée) ............ 85
Figure V.7 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 411C-50)
pour les conditions sec/humide (coupons humides dans 0.52 % d’eau distillée) ..................... 86
Figure V.8 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 8084) pour les
conditions sec/humide (coupons humides dans 0.56 % d’eau distillée)................................... 86
Figure V.9 : Prédiction de la tenue en fatigue des quatre résines pour T=50 °C humide ...... 87
Figure V.10 : Prédiction de la tenue en fatigue des quatre résines pour T=20 °C sec ........... 87
Figure V.11: Prédiction de la tenue en fatigue des quatre résines pour T=20 °C humide ..... 88
Figure V.12 : Section typique d’une pale d’éolienne ............................................................. 88
Figure V.13 : Schéma du procédé d’infusion de résine .......................................................... 89
Figure V.14 : Géométrie de coupon d’Os de Chien ............................................................... 90
Figure V.15 : Particules d’OEP dans l’espace de recherche .................................................. 93
Figure V.16 : Position de la particule 9 en fonction d’itération de dim1 à dim91 .................. 94
Figure V.17 : Évolution de la fonction objective selon les 25 particules ............................... 95
Figure V.18 : Prédiction de la tenue en fatigue de « PPG1200-EP1 fibre de verre/Époxy »
pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................. 95
Figure V.19 : Prédiction de la tenue en fatigue de « PPG1200-UP5 fibre de verre/Polyester »
pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................ 96
Figure V.20 : Prédiction de la tenue en fatigue de « PPG1200-VE4 fibre de verre/Vinylester »
pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................. 97
Figure V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de
[0]2 ........................................................................................................................................... 97
Figure V.24 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de
[(±45)2/(0)2]S ............................................................................................................................ 98
iv
Abréviations et Symboles
ANN Artificial Neural Network

APR Analyse Préliminaire des Risques
AOC Atlantic Orient Corporation
BP Backpropagation
CEEG Compagnie de l’Engineering de l’Électricité et du Gaz
CDER Centre de Développement des Énergies Renouvelables
DOE Department of Energy
EP Epoxy
GDM Gradient Descent avec Momentum
IA Intelligence Artificielle
ISO International Standards Organization
IEC International Electrotechnical Commission
LM Levenberg-Marquardt
MD Multidirectionnel
MSE Mean Square Error
MSU Montana State University
MLP Multilayer Perceptron
MEF Méthodes des Éléments Finis
OEP Optimisation par Essaim de Particules
PSO Particle Swarm Optimization
RTM Resin Transfer Molding
RNA Réseau de Neurones Artificiels
RP Rétropropagation
SVM Support Vector Machine
UD Unidirectionnel
UCS Ultimate Compressive Stress
UTS Ultimate Tensil Stress
UP Unsaturated Polyester
VE Vinyl Ester
v
Moments de flexion par rapport aux axes x et y
Moment de torsion
Efforts normaux par rapport aux axes x et y
Effort de cisaillement
Efforts de cisaillement transverse
Déformation
Coefficient de rigidité
Stress (Contrainte)
Nombre de cycles
Nombre de cycles à la rupture
Rapport de contrainte
Contrainte maximale
Contrainte minimale
Limite d’endurance ou de fatigue
Résistance en traction
Logarithme décimal
Valeur absolue
Amplitude de contrainte
Weight (poids)
Bias (biais)
Entrée (Input)
Sortie (Output)
Désirée (desired)
Network
Taux d’apprentissage
Matrice de poids synaptiques
Meilleur particule
Meilleur voisinage
vi
Nombre d’itérations
Meilleur position
Meilleur position de voisinage
Coefficients d’accélération
Position d’une particule
Variation de température
Variation d’humidité
Cost function
Vélocité maximale
Vélocité minimale
( ) Fonction objective
̂ Sortie obtenue par RNA

Sortie désirée
vii
Introduction générale
“Of All the Forces of Nature, I Should Think the Wind Contains the
Largest Amount of Motive Power…That Is, Power to Move Things”
…Abraham Lincoln
Depuis son existence sur terre, L’homme a commencé par exploiter les animaux dans ses
déplacements, pour entrainer les roues des moulins, puis il s’est orienté vers l’utilisation de
l’énergie emmagasinée dans les fleuves, les ruisseaux et les chutes d’eau avant de découvrir et
de se servir de l’énergie du vent pour faire pousser les navires.
Au fil des ères et jusqu’à nos jours, l’homme a réussi à accumuler des expériences très
riches en matière d’exploitation et de conversion des énergies. Au début de notre ère, et grâce
aux progrès spectaculaires connus par les différentes disciplines de la science telles que la
chimie, la mécanique, les mathématiques, etc. l’homme a pu développer des procédés très
complexes révélant ainsi son génie. Au début du XXe siècle, et grâce au développement des
sciences de l’ingénierie et surtout de l’économie, une mutation radicale a marqué la science,
l’homme est passé du stade de la construction et de la création au stade de l’optimisation et de
l’amélioration des performances, de ce fait, il est arrivé à une maitrise quasi totale de
l’énergie.
1
Cette énergie qui est dites renouvelable est utilisée depuis l’antiquité et son utilisation a
continué à exister jusqu’à l’arrivée de la révolution industrielle, époque à laquelle, étant donné
le bas prix du pétrole, elle a été abandonnée. Cependant, depuis ces dernières années au vu
l’accroissement du coût les combustibles fossiles et des problèmes environnementaux dérivés
de leur exploitation, nous assistons à un à renouveau des énergies renouvelables.
Malgré la maîtrise des techniques, la question de l’énergie apparaît aujourd’hui comme
l’une de nos préoccupations majeures. Certaines de ses sources s’épuisent, d’autres polluent
notre environnement. Nos besoins augmentant chaque jour, que faut-il utiliser ? Quelles sont
les énergies que l’on appelle renouvelables, et sont-elles vraiment propres ? L’histoire de
l’énergie, et tout particulièrement des énergies renouvelables, est donc d’actualité.
Depuis plusieurs décennies, l’homme est devenu de plus en plus convaincu de la
nécessité de nouvelles sources plus propres et plus rentables d’énergie. Ceci a pour but soit de
renforcer celles déjà existantes, soit de les remplacer carrément. Dans ce contexte, il ne
trouvera pas mieux que l’énergie éolienne.
Cette dernière aussi présente un impact sur l’environnement et les riverains, que ce soit
au niveau des éléments constitutifs des éoliennes, des produits contenus dans l’installation,
des modes de fonctionnement, etc. En outre, l’ensemble des causes externes à l’installation
pouvant entraîner un phénomène dangereux, qu’elles soient de nature environnementale,
humaine ou matérielle.
À cet effet, il existe plusieurs notions permettant une optimisation des systèmes
industriels qui s’intègrent à la discipline de la sécurité, fiabilité, maintenabilité et maîtrise de
risques.
À l’issue de l’analyse détaillée des risques ; les risques potentiels retenus pour les
installations d’un parc éolien sont les suivants: l’effondrement des éoliennes, la chute
d’élément, la chute de glace, la projection de tout ou partie de pale et la projection de glace.
Comme la pale est un élément structurel essentiel dans l’éolienne, elle est sujette au
risque de « projection partielle ou totale », qui est dû à la fatigue des matériaux destinés à la
conception de cette dernière. Car elle est exposée, selon la climatologie de la région, à des
contraintes d’ordre climatique telles que les vents violents, les variations de température et
d’humidité, les grains de sable liés aux tempêtes, etc.
Cela nous a conduits à comprendre le comportement des matériaux composites vis-à-vis
ce type de sollicitations et de défaillances. Cette défaillance qui est la fatigue, est l’un des
sérieux problèmes pouvant entraver le bon fonctionnement de l’éolienne. Par conséquent, elle
peut avoir un impact négatif sur les performances et peut même entraîner des pannes
prématurées.
Ce travail de thèse est réparti en cinq chapitres. Dans le premier, une description de la
naissance du phénomène du vent, suivie par l’histoire de l’évolution des éoliennes durant les
2
dernières décennies. Des statistiques sont données montrant l’évolution de la production et la

consommation de l’énergie éolienne dans le monde et l’Afrique en particulier, puis une
description détaillée des différentes structures d’un parc éolien, et leur principe de
fonctionnement.
Le deuxième chapitre est composé de deux sections: la première est consacrée à l’impact
des éoliennes sur l’environnement, tel que le paysage, la faune et la flore et les riverains. La
deuxième section est sur l’identification des différents potentiels de danger liés à
l’installation, incluant : les risques liés au milieu naturel, aux produits, aux conditions
d’exploitations et en fin les risques sanitaires qui sont les plus dangereux. La deuxième
section présente aussi le résultat d’une analyse des risques, qui peut être considéré comme
représentatif des scénarios d’accident pouvant potentiellement se produire sur les éoliennes.
Et à la fin de ce chapitre, une identification des barrières de sécurité installées sur les
aérogénérateurs "éoliennes" et qui interviennent dans la prévention et/ou la limitation des
phénomènes dangereux listés dans le tableau de l’analyse préliminaire des risques APR et de
leurs conséquences.
Les pales d’un aérogénérateur sont exposées durant leur fonctionnement à des
chargements cycliques complexes, dus à des conditions environnementales sévères et très
variables, comme le cas des vents forts et des rafales qui engendrent des efforts extrêmes,
favorisant ainsi la fatigue des pales. Ces notions sont le cœur du troisième chapitre, qui
commence à donner un aperçu sur la conception des pales d’éoliennes en matériaux
composites, et de leur classification et leur constitution. Puis, une description sur le procédé
de fabrication des pales d’éoliennes par le Moulage par Transfert de Résine « Resin transfer
Molding RTM ». Après toutes ces définitions, il est donc nécessaire de bien comprendre les
mécanismes d’endommagent en fatigue, et de savoir comment prendre en compte au mieux
les différents facteurs dont dépend la fatigue des matériaux composites (la nature des fibres et
des résines, du drapage, de la qualité des interfaces...).
Les travaux présentés dans le quatrième chapitre portent sur la prédiction de la rupture
des matériaux composites des pales d’éoliennes. Rappelons que lors des tests de fatigue, les
éprouvettes testées ont des durées de vie largement différentes, cela rend les données
brouillées ou manquantes, par conséquent, les résultats seront compliqués et non linéaires.
Pour résoudre cette problématique, nous nous sommes tournés vers l’intelligence artificielle
(IA) en particulier les réseaux de neurones artificiels (RNA), qui ont été conçus pour apporter
des réponses à des problèmes complexes et qui peuvent avoir un grand nombre de solutions
possibles. En fait, ils sont considérés comme éligibles à tout problème qui se présente sous
forme d’une fonction de mise en correspondance entre un espace d’entrée et un espace de
sortie.
Les réseaux de neurones utilisés dans le cinquième chapitre sont employés pour prédire le
comportement en fatigue (résistance et durée de vie) des matériaux composites destinés à la
conception des pales d’éoliennes. La phase expérimentale sur ces matériaux a été réalisée par
3
les laboratoires nationaux de SNADIA (USA), et les données ont été collectées à partir d’une
variété de leur base de données. Après plusieurs tests de topologie (architecture du réseau),
algorithme d’apprentissage et d’entrainement, des fonctions d’activations...; le choix s’arrête
sur le réseau feedforward à une seule couche cachée « Tow-layer feedforward neural
network » entrainé par deux algorithmes qui sont : l’algorithme de rétropropagation
« Levenberg-Marquardt (LM) » utilisé dans la première section de ce chapitre (l’effet de
l’environnement sur la fatigue des pales d’éoliennes) ; et l’algorithme d’Optimisation par
Essaim de Particules OEP « Paticle swarm optimazation PSO » utilisé dans la deuxième
section du même chapitre (l’effet d’orientation de fibres sur la fatigue des pales d’éoliennes).
Sachant que le réseau exploité est d’un apprentissage supervisé utilisant l’erreur quadratique
moyenne « Mean square error MSE » comme critère à optimiser, ce qu’on appelle « The
fitness function ».
4
Chapitre I
État de l’art des éoliennes
I.1 D’où vient le vent ?

Le vent est en fait la résultante de plusieurs phénomènes qui engendrent différents types
de forces, à l’origine de mouvements d’air. Pour être tout à fait rigoureux, il y a même trois
forces différentes, qui sont [1] :
 Forces de pression
 Force de Coriolis
 Forces de frottement.
Dans un premier temps, il faut savoir que le vent est indissociable du soleil. En effet,
c’est grâce au soleil que les principaux mouvements d’air peuvent avoir lieu.
Fig. I.1a : Rose des vents Fig. I.1b : Manche à air
5
Chapitre I État de l’art des éoliennes
La terre reçoit 1.75x1014 kW de puissance du soleil sous forme de rayons solaires, ces
rayons réchauffent l’air atmosphérique [2]. Cette atmosphère est constituée de gaz, qui au
passage sont principalement de l’azote et de l’oxygène. Ces gaz qui constituent notre air vont
être chauffés par les rayons du soleil, mais de façon non uniforme, principalement à cause de
la forme sphérique de la terre. Car l’inclinaison des rayons du soleil par rapport au sol
terrestre aura tendance à plus chauffer l’air qui se trouve au niveau de l’équateur qu’au niveau
des pôles. Mais cette non-uniformité est aussi due à la présence d’océans ou de continents,
ainsi qu’à l’épaisseur des nuages [1]. Donc une fois l’air chauffé, celui-ci va chercher à
occuper un plus grand volume, il va se dilater et être à l’origine d’une force de pression qui va
s’exercer sur une partie de l’atmosphère sous forme de mouvements de convection de
l’équateur vers les pôles (les volumes de gaz pris en compte étant quand même importants).
C’est ce phénomène qui va être à l’origine de notre première force nécessaire à la
« naissance » du vent : la force de pression [3].
A ce phénomène d’échange thermique s’ajoute l’effet de la force de Coriolis générée par
la rotation de la Terre et qui accélère la descente de ces masses d’air chaud. Dans ces zones il
y a la création de hautes pressions (anticyclone), alors qu’inversement à l’équateur l’ascension
de l’air chaud crée une zone de basses pressions attirant les masses d’air des pôles [1, 4]. Ces
vents correspondent à des phénomènes globaux géostrophiques [5].
Enfin, voici notre troisième force, qui correspond aux frottements. Il s’agit des frictions
entre le sol et les masses d’air déplacées, ou encore entre les différentes masses d’air elles-
mêmes qui auront modifié leurs trajectoires aux abords des reliefs rencontrés [1]. En effet, on
comprendra facilement qu’il se forme des turbulences, quand par exemple, se dresse devant
ces masses d’air une chaîne de montagnes [6].
La force du vent est mesurée en km/h ou en nœud. Les nœuds étant en fait des miles par
heure. Cette force correspond à la vitesse du vent à une hauteur standard de 10 mètres au-
dessus d’un terrain plat et découvert. Une échelle de valeurs a été mise en place vers 1805 par
un contre-amiral anglais Francis Beaufort [5]. Graduée de 0 à 17, l’échelle anémométrique de
Beaufort décrit le vent du premier souffle à l’ouragan.
I.2 L’énergie éolienne en quelques chiffres
I.2.1 Histoire de l’éolien
Parmi toutes les énergies renouvelables, à part l’énergie du bois, c’est l’énergie du vent
qui a été exploitée en premier par l’homme. Depuis l’antiquité, elle fut utilisée pour la
propulsion des navires et ensuite les moulins à blé et les constructions permettant le pompage
d’eau. Les premières utilisations connues de l’énergie éolienne remontent à 2000 ans avant J.-
C environ. Hammourabi, fondateur de la puissance de Babylone, avait conçu tout un projet
d’irrigation de la Mésopotamie utilisant la puissance du vent. La première description écrite
de l’utilisation des moulins à vent en Inde date d’environ 400 ans avant J.-C. Les Chinois ont
également exploité la puissance du vent pour les systèmes de pompage de l’eau [7].
6
Le début du Moyen-Âge a vu l’apparition des moulins en Europe avec comme

application l’assèchement des lacs et terrains inondés aux Pays-Bas ainsi que la moudre de
grains.
Fig. I.2a : Éolienne de pompage Fig. I.2b : Moulins à vent
La génération d’énergie électrique par le vent a débuté à la fin du XIXème siècle. Parmi
les pionniers, on peut citer Paul La Cour au Danemark qui a associé une dynamo à une
éolienne en 1891. Dans les années 1950, Johannes Juul (élève de Paul La Cour) devint aussi
un pionnier dans l’utilisation de l’énergie éolienne en construisant les premières éoliennes
produisant du courant alternatif.
La première crise pétrolière en 1973 contribua à éveiller l’intérêt pour l’énergie éolienne
dans plusieurs pays. Ainsi plusieurs pays commencèrent à investir de l’argent pour améliorer
notamment la technologie des aérogénérateurs.
L’industrie espagnole de l’énergie éolienne a remporté des victoires remarquables tant
dans la conception que dans la fabrication des aérogénérateurs. Les États-Unis d’Amérique
ont notamment lancé en Californie une opération à grande échelle au début des années 1980
en passant de 7 MW en 1981 à 386 MW en 1985 à 16 813 MW en 2007 à 25 170 MW en
2008 et en 2009 35 159 MW qui occupe la première place en production d’énergie éolienne.
En 1991, l’Espagne avait seulement 7 MW de puissance installée ; à la fin de 2008, elle
cumulait 16 689 MW de puissance installée et se hissait au troisième rang, et au quatrième
rang en 2009 avec 19 149 MW, de tous les pays du monde en matière de production d’énergie
éolienne [7].
Aujourd’hui, les études portent sur l’amélioration des matériaux ainsi que sur la chaîne de
conversion de l’énergie du vent en énergie électrique exploitable par le réseau. Les premières
éoliennes mettent en œuvre une génératrice asynchrone liée aux pales par l’intermédiaire
d’une boîte de vitesse, fonctionnent à vitesse fixe et sont directement reliées au réseau (pas
d’interface électronique). Cette technologie était surtout employée au Danemark dans les
années 1970. Les systèmes les plus récents se dirigent d’une part vers la vitesse variable pour
7
maximiser la puissance captée du vent avec l’insertion d’interface d’électronique entre la

génératrice et le réseau [8].
I.2.2 L’énergie éolienne pour quoi faire ?
L’énergie éolienne est utilisée par l’homme depuis très longtemps déjà. Elle remplaça les
rames pour faire avancer les navires, elle fut utilisée pour actionner les meules des moulins,
elle permet encore le pompage d’eau pour abreuver les bêtes dans les champs. Depuis plus de
100 ans, elle est utilisée pour produire de l’électricité, source d’énergie fondamentale dans
notre société actuelle. En effet, on utilise l’électricité pour la plupart de notre activité, que ce
soit dans le domaine domestique ou industriel [9].
Ainsi l’homme a souvent besoin d’énergie électrique dans des proportions faibles ou
importantes selon l’utilisation qu’il a faite :
 Pour faire fonctionner des stations météo ou toutes autres installations électriques
isolées à faible consommation, une éolienne de petite taille peut fournir cette énergie
tout au long de l’année.
 Pour alimenter en éclairage des maisons ou villages dans des contrées isolées
exposées au vent, des installations d’éoliennes de quelques mètres de diamètres sont
choses courantes.
 Pour alimenter en électricité des villes tout en produisant une énergie propre, on
utilise des éoliennes de plusieurs dizaines de mètres de diamètres pouvant produire
jusqu’à 4.5 MW [10].
I.2.3 Développement de l’énergie éolienne
Depuis ces dernières années, la production d’électricité par l’énergie éolienne s’est
considérablement développée dans le monde entier. Ceci est principalement dû à deux
raisons :
 Produire une énergie propre ;
 Trouver une source d’énergie durable alternative aux combustibles fossiles.
Fig. I.3 : Capacité éolienne cumulée en GW dans le monde de 1996 à 2014 [11]
8
À la fin 2014, le total mondial de la puissance éolienne installée atteignait 369.6 GW, en
augmentation de 51.5 GW en un an. La Chine a installé à elle seule 23.35 GW, soit 45.2 % du
total 2014, et représente 31 % du parc mondial fin 2014.
Fig. I.4 : Évolution des puissances éoliennes installées en MW dans les 5 pays leaders [11]
Les États-Unis et la Chine représentent ensemble 38.4 % du total mondial installé. Les
cinq premiers pays (États-Unis, Chine, Allemagne, Espagne et Inde) représentent 72.9 % du
total, légèrement plus que les 72.4 % de 2008.
Pour la première fois, l’Europe représente moins de la moitié de la Capacité totale : lors
des années passées, la part de l’Europe est tombée de 65.5 % en 2006 à 61 % en 2007, 54.6 %
en 2008 puis 47.9 % en 2009.
Alors qu’il y a cinq ans l’Europe dominait le marché mondial des éoliennes avec 70.7 %
de la nouvelle capacité installée, l’Europe est descendue à la troisième place en 2009 avec
seulement 27.3 % de la capacité installée en 2009 (2008 : 32.8 %), juste derrière l’Amérique
du Nord (28.4 %, après 32.6 % en 2008) [11]. L’Asie est devenue le continent leader,
représentant 40.4 % des nouvelles éoliennes installées (31.5 % en 2008).
L’Amérique latine (1.5 %, 0.6 % auparavant) et l’Afrique (constante à 0.5 %) restent des
parts mineures de la capacité totale. Les deux continents ont augmenté leur part dans les
nouvelles installations à 1.5 % pour l’Amérique Latine (2008 : 0.4 %) et 0.4 % pour l’Afrique
(2008 : 0.3 %).
I.2.4 Production éolienne
En 2012, la production mondiale d’électricité éolienne a atteint 534.3 TWh, en
augmentation de 18.3 % par rapport à 2011 ; son taux moyen annuel d’accroissement depuis
10 ans a été de 26.1 % ; elle représente 11.4 % de la production totale d’électricité
renouvelable et 2.4 % de la production mondiale d’électricité [12].
9
Tab. I.1 : Production mondiale d’électricité éolienne en 2011 et 2012 en (TWh)
Pays 2011 2012 % 2012

États-Unis 120.5 140.9 26.4
Chine 88.6 118.1 22.1
Espagne 42.4 49.1 9.2
Allemagne 48.9 46.0 8.6
Inde 24.9 30.0 5.6
Royaume-Uni 15.5 19.6 3.7
France 12.2 14.9 2.8
Italie 9.9 13.4 2.5
Canada 10.2 11.8 2.2
Danemark 9.8 10.3 1.9
Total mondial / 534.3 100
L’énergie éolienne est la deuxième source d’électricité renouvelable après l’hydraulique.
L’Europe de l’Ouest est en 2012 la première région productrice avec 36.8 %, devant
l’Amérique du Nord (28.6 %) et l’Asie de l’Est et du Sud-Est (23.3 %) ; l’Asie du Sud
(5.6 %), l’Europe centrale (2.1 %) et l’Océanie (1.5 %) ont amorcé leur démarrage depuis
quelques années ; l’Amérique centrale (0.7 %), l’Afrique du Nord (0.4 %), l’Afrique
Subsaharienne (0.04 %) et le Moyen-Orient (0.04 %) sont encore peu impliqués [12]. La
production a été multipliée par dix en une décennie ; les taux moyens de croissance sur 10 ans
sont particulièrement élevés en Asie de l’Est et du Sud-Est (+57.5 % par an) et en Amérique
du Nord (+30.4 %), qui rattrape rapidement l’Europe de l’Ouest (+18.4 %). En 2012, la filière
éolienne a été, après l’hydraulique, la seconde par sa contribution à la croissance de la
production d’électricité renouvelable (30 %).
I.2.5 L’éolien dans l’Afrique
La puissance éolienne installée en Afrique a progressé de 58 % en 2014, passant de
1612 MW fin 2013 à 2545 MW fin 2014 ; le Maroc a pris la première place sur le continent
africain en termes de puissance installée avec 1157 MW répartis en 15 parcs ; l’Égypte se
place au deuxième rang en Afrique par 610 MW fin 2014, en progression de 60 MW [5].
L’Afrique du Sud se place au troisième rang avec 570 MW installés fin 2014, après avoir mis
une décennie pour installer ces premiers 10 MW d’éoliennes, elle est en train de développer
3000 MW à 5000 MW de projets éoliens, dont 636 MW en construction et 562 MW proches
de leur bouclage financier ; le plan directeur énergétique (Power Sector Integrated Resource
Plan 2010-2030) prévoit 9000 MW éoliens d’ici 2030.
L’Algérie présente un potentiel éolien considérable qui peut être exploité pour la
production d’énergie électrique, surtout dans le sud où les vitesses de vents sont élevées et
10
peuvent dépasser 4 m/s (6 m/s dans la région de Tindouf), et jusqu’à 7 m/s dans la région
d’Adrar [13, 14, 15].
Fig. I.5 : Carte annuelle de la vitesse moyenne du vent en (m/s) en Algérie (2009-2010)
Les ressources énergétiques de l’Algérie ont déjà été estimées par le CDER (Centre de
Développement des Énergies Renouvelable) depuis les années 90 à travers la production des
Atlas de la vitesse du vent et du potentiel énergétique éolien disponible en Algérie.
Ceci a permis l’identification de huit zones ventées susceptibles de recevoir des
installations éoliennes [16] :
 Deux zones sur le littoral
 Trois zones sur les hauts plateaux
 Trois zones en sites sahariens.
La réalisation de la première ferme éolienne en Algérie, d’une puissance de 10 MW à
Adrar (sud-ouest), a été confiée Janvier 2010 au groupe français VERGNET. Ce dernier a été
retenu par la Compagnie de l’Engineering de l’Électricité et du Gaz (CEEG), filiale du groupe
SONELGAZ [17].
Le potentiel éolien de ces régions a été estimé à 172 TWh/an dont 37 TWh/an
économiquement exploitable soit l’équivalent de 75 % des besoins nationaux en 2007 [17].
Les trois régions situées au sud-ouest du Sahara (Tindouf, In Salah et Adrar) semblent être les
plus favorables à l’installation de fermes éoliennes, car elles cumulent à elles seules un
potentiel économique approchant les 24 TWh/an.
La figure (I.5) présente la carte des vents en Algérie établie par le centre de
développement des énergies renouvelables CDER, division énergie éolienne [13].
11
I.2.6 Emplacement des parcs éoliens

Les parcs éoliens se situent naturellement là où il y a un niveau de vent suffisant tout au
long de l’année pour permettre une production maximale. Les côtes, les bords de mer et les
plateaux offrent des conditions intéressantes en termes de vent, mais il faut aussi tenir compte
de l’impact sur le paysage [9]. Pour ces raisons, lorsque c’est possible, des parcs éoliens
offshores sont construits. Ces derniers comportent des dizaines d’éoliennes comme on peut le
voir sur la figure I.6.
Fig. I.6 : Installation d’éoliennes offshore en Mer du Nord (Photo Gunnar Britse)
I.3 Caractéristiques générales d’un parc éolien

Un parc éolien est une centrale de production d’électricité à partir de l’énergie du vent
[18]. Il est composé de plusieurs aérogénérateurs et de leurs annexes :
 Plusieurs éoliennes fixées sur une fondation adaptée, accompagnée d’une aire
stabilisée appelée « plateforme » ou « aire de grutage »
 Un réseau de câbles électriques enterrés permettant d’évacuer l’électricité produite
par chaque éolienne vers le ou les poste(s) de livraison électrique (appelé « réseau
inter-éolien »)
 Un ou plusieurs poste(s) de livraison électrique, concentrant l’électricité des
éoliennes et organisant son évacuation vers le réseau public d’électricité au travers
du poste source local (point d’injection de l’électricité sur le réseau public)
 Un réseau de câbles enterrés permettant d’évacuer l’électricité regroupée aux postes
de livraison vers le poste source (appelé « réseau externe » et appartenant le plus
souvent au gestionnaire du réseau de distribution d’électricité)
 Un réseau de chemins d’accès
 Éventuellement des éléments annexes type mât de mesure de vent, aire d’accueil du
public, aire de stationnement, etc.
12
Fig. I.7 : Schéma descriptif d’un parc éolien terrestre
I.3.1 Eléments constitutifs d’une éolienne

L’éolienne (ou aérogénérateur) est définie comme un dispositif mécanique destiné à
convertir l’énergie du vent en électricité, composé des principaux éléments suivants : un mât,
une nacelle, le rotor auxquels sont fixées les pales, ainsi que, le cas échéant, un
transformateur. Les aérogénérateurs se composent de ces cinq principaux éléments [18, 19].
Fig. I.8 : Éléments constitutifs d’une éolienne
I.3.1.1 Mât
Le mât, pylône ou tour a pour rôle, d’une part de supporter l’ensemble rotor plus nacelle
pour éviter que les pales ne touchent le sol, et d’autre part, de placer le rotor à une hauteur
13
suffisante, de manière à sortir autant que possible le rotor du gradient de vent qui existe à
proximité du sol, améliorant ainsi la captation de l’énergie. La tour cylindrique est une
structure en acier d’une hauteur comprise entre 60 et 100 mètres, à l’intérieur de laquelle se
trouvent l’échelle d’accès et les câbles électriques de raccordement au réseau.
I.3.1.2 Moyeu
En général c’est une pièce d’acier moulé, il reçoit les pales sur des brides normalisées et
se monte sur l’arbre lent du multiplicateur. Pour sa conception on utilise des éléments finis. Il
est souvent protégé par une coupe en polyester en forme d’obus qui a une forme
aérodynamique (plus esthétique que fonctionnelle)
I.3.1.3 Nacelle
Située en haut de la tour et qui comporte toute l’installation de production d’électricité :
le multiplicateur, le (ou les) générateur(s), les systèmes de frein et d’orientation de l’éolienne
et tous les équipements automatisés d’asservissement de l’ensemble des fonctions de
l’éolienne. La nacelle est une structure en acier ou en fonte à laquelle tous ces éléments sont
attachés.
I.3.1.4 Rotor
Fait tourner le mécanisme d’entraînement et le générateur. Les pales doivent être légères,
solides et durables, pour résister à l’action des éléments. On les construit habituellement en
matériaux composites à base de fibre de verre, en plastique renforcé ou en bois. Le rotor ne
tourne pas trop vite [19]. C’est le diamètre des pales qui détermine la quantité d’électricité
produite par le système. L’éolienne compte habituellement deux ou trois pales, le rotor à trois
pales réduit les contraintes mécaniques que subit le système, mais son coût est plus élevé.
 Les rotors à pas variable : le mécanisme est presque idéal, car on optimise la vitesse
de rotation et la puissance (presque constante), en fonction du vent disponible. Mais
un tel dispositif est complexe et coûteux [20].
 Les rotors à pas fixe : ralentir automatiquement à partir d’une certaine vitesse. La
conception des pales conduit à un effet aérodynamique qui réduit l’efficacité du rotor.
Cette technologie entraîne néanmoins une variation plus importante des vitesses du
rotor et exige de réguler davantage le courant de sortie [20]. En outre, par vents forts,
et bien que la turbine ralentisse, les pales, toujours face au vent, exercent de fortes
pressions sur la nacelle et le mât.
I.3.1.5 Pales
Le rotor, et tout particulièrement les pales, constituent la partie mécanique la plus importante
de l’éolienne. L’efficacité globale de l’aérogénérateur dépend fortement de celle-ci [19].
Plusieurs éléments caractérisent ces dernières tels que : la longueur, la largeur, le profil, le
matériau et le nombre.
14
Fig. I.9 : Montage des pales d’éolienne
Parmi ces éléments, certains sont déterminés par des hypothèses de calcul, puissance et
couple et d’autres sont choisis en fonction du critère tels que : couts, résistance au climat.
I.3.1.5.1 Longueur
Le diamètre de l’hélice est en fonction de la puissance désirée, la détermination de ce
diamètre fixe aussi la fréquence de rotation maximum, que l’hélice ne devra pas dépasser pour
limiter les contraintes en bout de pales dues à la force centrifuge. Il est essentiel de prendre en
compte le travail des pales en fatigue et les risques de vibration, surtout pour les très longues
pales. Pour les roues à marche lente, ayant une inertie importante, le diamètre reste limité à
8 m à cause de leur comportement lors de rafales du vent. Pour les roues à marche rapide, la
longueur des pales peut être grande, supérieure à 30 m.
I.3.1.5.2 Largeur
La largeur des pales intervint pour le couple de démarrage qui sera d’autant meilleur que
la pale sera large. Mais pour obtenir des vitesses de rotation élevées, on préférera des pales
fines et légères. Le résultat sera donc un compromis.
I.3.1.5.3 Profil
Il est choisi en fonction du couple désiré. Pour la plupart des aérogénérateurs de moyenne
et de faible puissance, les pales ne sont pas vrillées. Par contre, pour la plupart des machines
de grande puissance (≥ 100 KW), elles le sont, c’est-à-dire qu’elles prennent la forme d’une
hélice. Les caractéristiques des différents profils sont déterminées en soufflerie. Ils ont en
général été étudiés pour l’aviation (ailes ou hélices)
I.3.1.5.4 Matériaux
Les matériaux choisis doivent répondre aux objectifs techniques d’assurance qualité avec
la prise en compte des nouvelles réglementations vis-à-vis du respect de l’environnement. Il
est donc important de choisir avec prudence : la classe des fibres, la classe de la matrice et la
mousse constituant le sandwich (mousse adaptée à la mise en œuvre) [21].
15
Les caractéristiques mécaniques des matériaux sélectionnés sont déterminées après

plusieurs essais de traction, compression, flexion, torsion, délaminage, flambage, fatigue,
contrôle de fibres en volume, etc. [21].
Les valeurs obtenues seront comparées aux valeurs calculées en tenant compte des
aspects environnementaux et sanitaires qui peuvent être caractérisés par une approche d’éco-
caractérisation et des éco-coefficients représentatifs de la fonction d’éco-conception.
Fig. I.10 : Conception d’une pale d’éolienne
On rencontre plusieurs types de matériaux :

 Le bois : il est simple, léger, facile à travailler et il résiste bien à la fatigue, mais il est
sensible à l’érosion, peut se déformer et est réservé pour des pales assez petites.
 Le lamellé-collé : c’est un matériau composite constitué d’un empilement de lamelles
de bois collées ensemble. Il est possible de réaliser des pales jusqu’à 5 à 6 m de
longueur ayant un bonne tenue à la fatigue.
 Les alliages d’aluminium : pour des pales allant principalement jusqu’à 20 m de
longueur.
 Les matériaux composites : Leur intérêt est de permettre la réalisation de toutes les
formes et dimensions, ainsi que d’obtenir les caractéristiques mécaniques exactes
recherchées : pale vrillée, corde évolutive et changement de profil [22].
I.3.1.5.5 Nombre de pales
Les éoliennes à marche lente ont généralement entre 20 et 40 ailettes et ont un couple de
démarrage proportionnel au nombre de pales et au diamètre ; leur rendement par rapport à la
limite de Betz (voir Annexe A) est faible, car leur vitesse en bout de pale est limitée. Les
éoliennes à marche rapide sont généralement bipales ou tripales. La roue bipale est la plus
économique et la plus simple, mais elle est génératrice de vibrations qui peuvent être
importantes. La roue tripale présente moins de risque de vibration, d’où fatigue et bruit plus
faibles, mais elle est plus compliquée et plus lourde.
16
I.3.2 Emprise au sol

Plusieurs emprises au sol sont nécessaires pour la construction et l’exploitation des parcs
éoliens [18] :
 La surface de chantier est une surface temporaire, durant la phase de construction,
destinée aux manœuvres des engins et au stockage au sol des éléments constitutifs
des éoliennes.
 La fondation de l’éolienne est recouverte de terre végétale. Ses dimensions exactes
sont calculées en fonction des aérogénérateurs et des propriétés du sol.
 La zone de surplomb ou de survol correspond à la surface au sol au-dessus de
laquelle les pales sont situées, en considérant une rotation à 360° du rotor par rapport
à l’axe du mât.
 La plateforme correspond à une surface permettant le positionnement de la grue
destinée au montage et aux opérations de maintenance liées aux éoliennes. Sa taille
varie en fonction des éoliennes choisies et de la configuration du site d’implantation.
Fig. I.11 : Illustration des emprises au sol d’une éolienne [18]
Si les éoliennes ont évolué en taille et en puissance dans le monde entier, leur technologie
actuelle est également sensiblement différente des premières éoliennes installées. Les
technologies sont aujourd’hui plus sûres et plus fiables grâce à de nombreuses évolutions
technologiques telles que :
 les freins manuels (sur le moyeu) de rotor qui ont été remplacés par des systèmes de
régulation aérodynamiques (pitch), évitant l’emballement et assurant des vitesses de
rotation nominales constantes ;
 l’évolution des matériaux des pales vers des fibres composites ;
 le développement de nouveaux systèmes de communication par fibres optiques,
satellites, etc. qui ont permis d’améliorer la supervision des sites et la prise de
commande à distance ;
17
 l’installation de nouveaux systèmes de sécurité (détection de glace, vibrations, arrêt

automatiques, etc.).
I.3.3 Principe de fonctionnement d’une éolienne
Les instruments de mesure de vent placés au-dessus de la nacelle conditionnent le
fonctionnement de l’éolienne. Grâce aux informations transmises par la girouette qui
détermine la direction du vent, le rotor se positionnera pour être continuellement face au vent.
Les pales se mettent en mouvement lorsque l’anémomètre (positionné sur la nacelle)
indique une vitesse de vent d’environ 10 km/h et c’est seulement à partir de 12 km/h que
l’éolienne peut être couplée au réseau électrique. Le rotor et l’arbre dit « lent » transmettent
alors l’énergie mécanique à basse vitesse (entre 5 et 20 tr/min) aux engrenages du
multiplicateur, dont l’arbre dit « rapide » tourne environ 100 fois plus vite que l’arbre lent.
Certaines éoliennes sont dépourvues de multiplicateur et la génératrice est entraînée
directement par l’arbre « lent » lié au rotor. La génératrice transforme l’énergie mécanique
captée par les pales en énergie électrique [19, 23].
La puissance électrique produite varie en fonction de la vitesse de rotation du rotor. Dès
que le vent atteint environ 50 km/h à hauteur de nacelle, l’éolienne fournit sa puissance
maximale. Cette puissance est dite « nominale ».
Tab. I.2 : Découpage fonctionnel de l’installation
Élément de
Fonction
l’installation
Fondation Ancrer et stabiliser l’éolienne dans le sol
Mât Supporter la nacelle et le rotor
Supporter le rotor
Abriter le dispositif de conversion de l’énergie
Nacelle
mécanique en électricité (génératrice, etc.) ainsi
que les dispositifs de contrôle et de sécurité
Capter l’énergie mécanique du vent et la
Rotor/pales transmettre à la génératrice
Élever la tension de sortie de la génératrice avant
Transformateur l’acheminement du courant électrique par le réseau
Poste de Adapter les caractéristiques du courant électrique à
livraison l’interface entre le réseau privé et le réseau public
Pour un aérogénérateur de 2,5 MW par exemple, la production électrique atteint

2500 kWh dès que le vent atteint environ 50 km/h. L’électricité produite par la génératrice
correspond à un courant alternatif de fréquence 50 Hz avec une tension de 400 à 690 V. La
18
tension est ensuite élevée jusqu’à 20 000 V par un transformateur placé dans chaque éolienne
pour être ensuite injectée dans le réseau électrique public.
Lorsque la mesure de vent, indiquée par l’anémomètre, dépasse les 100 km/h (variable
selon le type d’éoliennes), l’éolienne cesse de fonctionner pour des raisons de sécurité. Deux
systèmes de freinage permettront d’assurer la sécurité de l’éolienne :
 Le premier par la mise en drapeau des pales, c’est-à-dire un freinage aérodynamique :
les pales prennent alors une orientation parallèle au vent.
 Le second par un frein mécanique sur l’arbre de transmission à l’intérieur de la
nacelle.
I.4 Raccordement électrique
Le raccordement d’éoliennes au réseau global de distribution électrique (sans stockage
local de l’énergie) nécessite, comme pour les autres centrales de production électrique, des
lignes haute tension [23, 24]. La concentration des éoliennes en parcs terrestres, côtiers ou
maritimes correspond à une logique de centralisation de l’offre de courant.
Fig. I.12 : Raccordement électrique d’un parc éolien [24]
I.4.1 Réseau inter-éolien

Le réseau inter-éolien permet de relier le transformateur, intégré ou non dans le mât de
chaque éolienne, au point de raccordement avec le réseau public. Ce réseau comporte
également une liaison de télécommunication qui relie chaque éolienne au terminal de
télésurveillance. Ces câbles constituent le réseau interne de la centrale éolienne, ils sont tous
enfouis à une profondeur minimale de 80 cm.
I.4.2 Poste de livraison
Le poste de livraison est le nœud de raccordement de toutes les éoliennes avant que
l’électricité ne soit injectée dans le réseau public. Certains parcs éoliens, par leur taille,
peuvent posséder plusieurs postes de livraison, voire se raccorder directement sur un poste
19
source, qui assure la liaison avec le réseau de transport d’électricité (lignes haute tension). La
localisation exacte des emplacements des postes de livraison est fonction de la proximité du
réseau inter-éolien et de la localisation du poste source vers lequel l’électricité est ensuite
acheminée.
I.4.3 Réseau électrique externe
Le réseau électrique externe relie le ou les postes de livraison avec le poste source
(réseau public de transport d’électricité). Ce réseau est réalisé par le gestionnaire du réseau de
distribution. Il est lui aussi entièrement enterré.
I.5 Conclusion
Ce chapitre donne une idée générale sur l’énergie éolienne et son intérêt. Cette énergie
renouvelable a suivi son chemin depuis plusieurs années avec une croissance annuelle
d’utilisation très importante dans le monde. La production d’électricité par l’énergie éolienne
intéresse de plus en plus les pays afin de produire une énergie propre et durable.
Son développement va progresser grâce aux recherches effectuées sur les moyens de
conversion de l’énergie. Une éolienne faisant appel à de nombreux domaines de compétences,
allant de la mécanique classique au génie électrique en passant par la résistance des
matériaux. Elle nécessite une communication et un travail en commun entre de nombreux
corps de métiers.
Utilisant les matériaux et les procédés technologiques les plus novateurs, l’industrie
éolienne devrait pouvoir produire des aérogénérateurs permettant de limiter, voire même
supprimer l’utilisation de nos centrales thermiques. Les grands parcs de production donnent
de bons résultats et se développent de plus en plus avec des éoliennes toujours plus
puissantes.
L’état avancé des recherches dans le domaine éolien montre une volonté de développer
des éoliennes capables de capter au mieux la puissance disponible dans le vent. Beaucoup de
recherches sont faites en ce moment sur les stratégies des différentes chaînes de conversion
utilisées pour la production d’électricité éolienne.
20
Chapitre II
Analyse et évaluation des risques
d’un parc éolien
II.1 Introduction
Tout système industriel est susceptible de générer des risques de nature variée. Dans le
domaine de la sécurité, on s’intéresse plus particulièrement aux conséquences négatives, qui
se traduisent, par exemple, par un dommage causé à un élément vulnérable. Dans ce cas le
risque est défini comme « la combinaison de la probabilité d’un dommage et de sa gravité ».
La gestion des risques est une des composantes fondamentales de la gestion de la
production de l’énergie éolienne. Gérer un risque est un processus itératif qui a pour objectif
d’identifier, d’analyser et de réduire au maximum ce dernier ou de le maintenir dans des
limites acceptables.
Ce chapitre a pour objectif de mettre en évidence les éléments de l’installation pouvant
constituer un danger potentiel, au niveau des éléments constitutifs des éoliennes, des produits
contenus dans l’installation, des modes de fonctionnement, etc. L’ensemble des causes
externes à l’installation pouvant entraîner un phénomène dangereux, qu’elles soient de nature
environnementale, humaine ou matérielle, seront traitées dans l’analyse des risques.
21
Chapitre II Analyse et évaluation des risques d’un parc éolien
II.2 Impact des éoliennes sur l’environnement

Le développement des projets éoliens, qui permettra d’atteindre ces objectifs, doit être
réalisé de manière à prévenir les atteintes aux paysages, au patrimoine et à la qualité de vie
des riverains. Dans cette perspective, l’étude d’impact constitue le seul moyen de fonder la
décision [25]. Elle facilite l’élaboration de projets prenant en compte les enjeux
environnementaux locaux, et contribue à un débat social enrichi.
II.2.1 Impact sur le paysage
Quoique l’esthétique d’une éolienne soit une affaire de gout qu’on ne peut objectivement
trancher, les riverains craignent généralement une dégradation visuelle des sites concernés.
Fig. II.1 : Impact visuel d’un parc éolien [26]

La présence d’une éolienne ou d’un parc éolien dans le paysage ne laisse jamais
indifférent. C’est souvent l’argument premier des mouvements anti-éoliens qui se forment et
qui déclenchent des débats animés lors de l’annonce de l’implantation d’un parc éolien. Pour
s’affranchir de toute subjectivité, il faut considérer l’éolienne comme une nouvelle
déclinaison du motif bâti, de très grande taille donc visible de loin. Cette échelle
monumentale contraste avec l’échelle humaine des éléments courants du paysage. Un projet
éolien doit déterminer le meilleur parti d’aménagement en fonction des caractéristiques du
lieu étudié pour contribuer à son acceptation.
II.2.2 Impact sur l’avifaune
Fig. II.2 : Impact sur l’avifaune
22
Les impacts des parcs éoliens sur la biodiversité touchent principalement les oiseaux et
les chauves-souris et varient en fonction des espèces, des saisons, des milieux, de la taille du
parc éolien et des éoliennes qui peuvent engendrer : la mortalité, le dérangement et la perte
d’habitat [26].
II.2.3 Impact de bruit
Le bruit est l’un des problèmes environnementaux les plus importants. Les turbines
éoliennes sont bruyantes en fonctionnement, principalement au niveau des pales et de la
chaîne de transmission mécanique [27, 28]. La distance à respecter doit garantir que le bruit
au niveau des résidences les plus proches ne dépasse pas les valeurs seuils définies par les
normes en vigueur.
Fig. II.3 : Atténuation du bruit suivant l’éloignement de l’éolienne [26]
En plus des tests sonores et de l’aspect visuel, la plupart des autorités exigent des études
de risques et de sécurité, ainsi que des études de projection d’ombre. De plus, la rotation des
pales exposées au soleil provoque un effet stroboscopique des ombres lorsque ces dernières
cachent le soleil (environ une fois par seconde). Les effets de projection d’ombre et de
stroboscopie causent des nuisances fortes sur les personnes résidant à proximité des éoliennes.
II.2.4 Impact sur les riverains
Il est interdit de placer des éoliennes au-dessus de routes ou de voies ferrées. La
formation de glace sur les pales et sur la nacelle est une source de danger pour les personnes
et les propriétés situées dans un environnement proche et il convient de prendre des mesures
de sécurité particulières [28].
Fig. II.4 : Projection de glace et circulation des passants [28]
23
Une mesure possible est l’arrêt des rotors en cas de gel et redémarrage des éoliennes
après contrôle visuel d’absence de glace.
II.3 Identification des potentiels dangers de l’installation
II.3.1 Dangers liés au milieu naturel
Les dangers liés au milieu naturel incluant des risques pour les éoliennes sont les
suivants [29] :
Fig. II.5 : Incendie d’une éolienne à cause de la foudre [30]

 La structure du sol, qui peut conduire à l’effondrement de l’éolienne ;
 Les phénomènes sismiques, qui peuvent conduire à l’effondrement de l’éolienne ;
 Les vents violents, qui peuvent conduire à la détérioration de la structure, à la chute du
mât ou à la projection de pales ;
 Le dépôt de neige et de glace sur les pales, qui peut conduire à la chute ou à la
projection de neige et de glace ;
 La foudre et l’incendie qui peuvent endommager l’éolienne ;
 La pluie, qui peut conduire à l’érosion de matériaux et revêtements.
II.3.2 Dangers liés aux produits
Compte tenu de la nature des éléments stockés sur le site et de leur quantité, aucune
précaution particulière ne sera prise. Il n’y a pas de problèmes d’incompatibilité des produits
entre eux ou bien vis-à-vis des matériaux utilisés pour leur stockage [29, 30]. Les produits
identifiés dans le cadre d’un parc éolien sont utilisés pour le bon fonctionnement des
éoliennes, leur maintenance et leur entretien :
 Produits nécessaires au bon fonctionnement des installations (graisses et huiles de
transmission, huiles hydrauliques pour systèmes de freinage…), qui une fois usagés
sont traités en tant que déchets industriels spéciaux.
24
 Produits de nettoyage et d’entretien des installations (solvants, dégraissants,

nettoyants…) et les déchets industriels banals associés (pièces usagées non souillées,
cartons d’emballage…).
II.3.3 Risques sanitaires
Les risques sanitaires liés aux éoliennes sont les suivants [27, 30] :
 La pollution accidentelle, qui peut conduire à la contamination du sol et de la nappe.
 Niveau sonore gênant, définit dans l’étude acoustique de chaque parc éolien.
 Syndrome éolien : troubles du sommeil, maux de tête, bourdonnements, vertiges,
irritabilité, palpitation…
II.3.4 Dangers liés aux conditions d’exploitation
Les dangers liés aux conditions d’exploitation incluant des risques pour les éoliennes sont
les suivants [29] :
 La faiblesse de la structure du mât, qui peut conduire à son effondrement ;
 La faiblesse de la structure des pales, qui peut conduire à leur chute ou à leur
projection ;
 Le gel qui peut conduire à la formation de glace et à sa projection ;
 Les incendies qui peuvent conduire à la chute du mât, à la projection de pales et à la
propagation de l’incendie.
Fig. II.6 : Pale brisée par la tempête [28]
25
Ces dangers potentiels sont recensés dans le tableau suivant :

Tab. II.1 : Dangers liés au fonctionnement d’un parc éolien [30]
Installation ou Phénomène
Fonction Danger potentiel
système redouté
Transmission Échauffement des
Système de
d’énergie Survitesse pièces mécaniques et
transmission
mécanique flux thermique
Bris de pale ou
Énergie cinétique
Pale Prise au vent chute
d’éléments de pales
de pale
Production d’énergie
Énergie cinétique de
Aérogénérateur électrique à partir Effondrement
chute
d’énergie éolienne
Poste de
livraison, Court-circuit
Réseau électrique Arc électrique
intérieur de interne
l’aérogénérateur
Protection des
Chute
équipements Énergie cinétique de
Nacelle d’éléments/Chute
destinés à la projection/chute
de nacelle
production électrique
Transformer l’énergie
Énergie cinétique des
Rotor éolienne en énergie Projection d’objets
objets
mécanique
II.4 Inventaire des accidents et incidents à l’international
Le graphique suivant montre la répartition des événements accidentels par rapport à la
totalité des accidents analysés.
Fig. II.7 : Répartitions des évènements accidentels dans le monde entre 2000 et 2011 [31]
Ci-après est présenté le recensement des causes premières pour chacun des événements
accidentels recensés (données en répartition par rapport à la totalité des accidents analysés).
26
Fig. II.8 : Répartitions des causes premières d’effondrement
Fig. II.9 : Répartitions des causes premières de rupture de pale
Fig. II.10 : Répartitions des causes premières d’incendie [32]
II.5 Analyse préliminaire des risques APR

L’analyse des risques a pour objectif principal d’identifier les scénarios d’accident
majeurs et les mesures de sécurité qui empêchent ces scénarios de se produire ou en limitent
les effets. Cet objectif est atteint grâce à une identification de tous les scénarios d’accident
potentiels pour une installation (ainsi que des mesures de sécurité) basée sur un
27
questionnement systématique des causes et conséquences possibles des événements

accidentels, ainsi que sur le retour d’expérience disponible [32].
Les scénarios d’accident sont ensuite hiérarchisés en fonction de leur intensité et de
l’étendue possible de leurs conséquences. Cette hiérarchisation permet de filtrer les scénarios
d’accident qui présentent des conséquences limitées et les scénarios d’accident majeurs. Ces
derniers pouvant avoir des conséquences sur les personnes.
Le tableau d’analyse des risques proposé dans ce chapitre constitue une analyse
générique pour les éoliennes. Lors de la réalisation de son étude de dangers, l’exploitant
veillera à vérifier son applicabilité à son site et si nécessaire à le compléter et/ou à l’amender.
II.5.1 Scénarios étudiés dans l’analyse préliminaire des risques
Après avoir recensé, dans un premier temps, les potentiels dangers des installations,
qu’ils soient constitués par des substances dangereuses ou des équipements dangereux, l’APR
doit identifier l’ensemble des séquences accidentelles et phénomènes dangereux associés
pouvant déclencher la libération du danger.
Le tableau (II.2) présente une proposition d’analyse générique des risques. Celui-ci est
construit de la manière suivante [33] :
 une description des causes et de leur séquençage (événements initiateurs et
événements intermédiaires) ;
 une description des événements redoutés centraux qui marquent la partie incontrôlée
de la séquence d’accident ;
 une description des fonctions de sécurité permettant de prévenir l’événement redouté
central ou de limiter les effets du phénomène dangereux ;
 une description des phénomènes dangereux dont les effets sur les personnes sont à
l’origine d’accident ;
Les différents scénarios listés dans le tableau générique de l’APR sont regroupés et
numérotés par thématique, en fonction des typologies d’événements redoutés centraux
identifiés grâce au retour d’expérience, tels que (« G » pour les scénarios concernant la glace,
« I » pour ceux concernant l’incendie, « F » pour ceux concernant les fuites, « C » pour ceux
concernant la chute d’éléments de l’éolienne, « P » pour ceux concernant les risques de
projection, « E » pour ceux concernant les risques d’effondrement).
Ce tableau présentant le résultat d’une analyse des risques peut être considéré comme
représentatif des scénarios d’accident pouvant potentiellement se produire sur les éoliennes.
28
Tab. II.2 : Analyse générique des risques potentiels d’un parc éolien [31, 33]
Événement Événement
Événement Fonction de Phénomène
N° Intermédiair redouté
initiateur sécurité dangereux
e central
Conditions
Dépôt de Chute de
climatiques Prévenir l’atteinte Impact de
glace sur les glace lorsque
G01 favorables à des personnes par la glace sur les
pales, le mât les éoliennes
la formation chute de glace alentours
et la nacelle sont arrêtées
de glace
Conditions Projection de
Prévenir la mise en
climatiques Dépôt de glace lorsque Impact de
mouvement de
G02 favorables à glace sur les les éoliennes glace sur les
l’éolienne lors de la
la formation pales sont en alentours
formation de glace
de glace mouvement
Chute/projecti
Incendie de on d’éléments
Prévenir les courts- enflammés
I01 Humidité/Gel Court-circuit tout ou partie
circuits
de l’éolienne Propagation de
l’incendie
Chute/projecti
Dysfonctionn Incendie de Prévenir les courts- on d’éléments
I02 ement Court-circuit tout ou partie circuits enflammés
électrique de l’éolienne Propagation de
l’incendie
Prévenir
Échauffemen Chute/projecti
l’échauffement
t des parties Incendie de on d’éléments
significatif des
I03 Survitesse mécaniques tout ou partie enflammés
pièces mécaniques
et de l’éolienne Propagation de
Prévenir la
inflammation l’incendie
survitesse
Désaxage de Prévenir Chute/projecti
Échauffemen
la génératrice l’échauffement on d’éléments
t des parties Incendie de
/ Pièce significatif des enflammés
I04 mécaniques tout ou partie
défectueuse /
et de l’éolienne pièces mécaniques Propagation de
Défaut de
lubrification
inflammation l’incendie
Incendie poste
de livraison
Prévenir les courts-
(flux
Conditions circuits
thermiques +
I05 climatiques Surtension Court-circuit Protection et fumées
humides intervention toxiques SF6)
incendie
Propagation de
l’incendie
Prévenir les courts- Incendie poste
I06 Rongeur Surtension Court-circuit
circuits de livraison
29
Protection et (flux
intervention thermiques +
incendie fumées
toxiques)
Propagation de
l’incendie
Incendie au
Fuites poste de
Défaut Perte de Prévention et
I07 d’huile transformation
d’étanchéité confinement isolante
rétention des fuites
Propagation de
l’incendie
Fuite système Écoulement
lubrification hors de la
Fuite nacelle et le Infiltration
Prévention et Pollution
F01 convertisseur long du mât, d’huile dans
rétention des fuites environnement
Fuite sur le sol le sol
transformateu avec
r infiltration
Renversement
de fluides lors Infiltration
Prévention et Pollution
F02 des opérations Écoulement d’huile dans
rétention des fuites environnement
de le sol
maintenance
Chute
Défaut de Chute de Prévenir les erreurs Impact sur
C01 d’élément de
fixation trappe de maintenance cible
l’éolienne
Prévenir les défauts
de stabilité de
Défaillance Chute l’éolienne et les
Chute Impact sur
C02 fixation d’élément de défauts
anémomètre cible
anémomètre l’éolienne d’assemblage
(construction-
exploitation)
de stabilité de
Défaut
Chute l’éolienne et les
fixation Impact sur
C03 Chute nacelle d’élément de défauts
nacelle-pivot cible
l’éolienne d’assemblage
central-mât
(construction-
exploitation)
Contraintes
Projection de
trop Prévenir la Impact sur
P01 Survitesse tout ou partie
importantes survitesse cible
pale
sur les pales
Fatigue Chute de Projection de Prévenir la Impact sur
P02
Corrosion fragment de tout ou partie dégradation des cible
30
pale pale équipements

Serrage de stabilité de
inapproprié Chute de Projection de l’éolienne et les
Impact sur
P03 Erreur fragment de tout ou partie défauts
cible
maintenance- pale pale d’assemblage
desserrage (construction-
exploitation)
de stabilité de
Effets Agression
l’éolienne et les Projection/chut
dominos externe et Effondremen
E01 défauts e fragments et
autres fragilisation t éolienne
d’assemblage chute mât
installations structure
(construction-
exploitation)
Agression
de stabilité de Projection/chut
Glissement de externe et Effondremen
E02 l’éolienne et les e fragments et
sol fragilisation t éolienne
défauts chute mât
structure
d’assemblage
Agression
de stabilité de Projection/chut
Crash externe et Effondremen
E05 l’éolienne et les e fragments et
d’aéronef fragilisation t éolienne
défauts chute mât
structure
d’assemblage
Effondrement Agression
Chute
engin de externe et Effondremen Mises en œuvre de
E07 fragments et
levage fragilisation t éolienne prévention
chute mât
travaux structure

de stabilité de
l’éolienne et les
défauts
d’assemblage
Prévenir les risques
de dégradation de
l’éolienne en cas de Projection/chut
Défaillance Effondremen vent fort dans les e
E08 Vents forts
fondation t éolienne zones cycloniques, fragments et
mettre en place un chute mât
système de
prévision
cyclonique et
équiper les
éoliennes d’un
dispositif d’abattage
et d’arrimage au sol
31
Prévenir la Projection/chut
Défaillance Effondremen
E09 Fatigue dégradation de l’état e fragments et
mât t éolienne
des équipements chute mât
de stabilité de
Désaxage l’éolienne et les Projection/chut
Impact pale- Effondremen défauts
E10 critique du e fragments et
mât t éolienne d’assemblage
rotor chute mât
Prévenir les erreurs
de maintenance
II.5.2 Effets dominos
Lors d’un accident majeur sur une éolienne, il est possible que les effets de cet accident
endommagent d’autres installations. Ces dommages peuvent conduire à un autre accident. Par
exemple, la projection de pale touchant les canalisations d’une usine à proximité peut
conduire à des fuites de substances dangereuses. Ce phénomène est appelé « effet domino »
[33].
Les effets dominos susceptibles de ce produire sont décrits dans le tableau d’analyse des
risques générique présenté ci-dessus.
II.6 Mise en place des mesures de sécurité
L’étape suivante de l’analyse préliminaire des risques consiste à identifier les barrières de
sécurité installées sur les aérogénérateurs et qui interviennent dans la prévention et/ou la
limitation des phénomènes dangereux listés dans le tableau APR et de leurs conséquences.
Les tableaux suivants ont pour objectif de synthétiser les fonctions de sécurité identifiées
sur les éoliennes [34, 35]. Ces tableaux sont génériques et constituent un « cahier des
charges » des mesures typiques mises en œuvre sur les aérogénérateurs. Les fonctions de
sécurité sont détaillées selon les critères suivants :
 Fonction de sécurité : Il est proposé ci-dessous un tableau par fonction de sécurité.
Cet intitulé décrit l’objectif de la ou des mesure(s) de sécurité : il s’agira
principalement de « empêcher, éviter, détecter, contrôler ou limiter » et sera en relation
avec un ou plusieurs événements conduisant à un accident majeur identifié dans
l’analyse des risques. Plusieurs mesures de sécurité peuvent assurer une même
fonction de sécurité.
 Mesures de sécurité : Cette ligne permet d’identifier les mesures assurant la fonction
concernée. Dans le cas de systèmes instrumentés de sécurité, tous les éléments de la
chaîne de sécurité sont présentés (détection + traitement de l’information + action).
 Description : Cette ligne permet de préciser la description de la mesure de maîtrise
des risques, lorsque des détails supplémentaires sont nécessaires.
32
Tab. II.3 : Mise en place des mesures de sécurité des éoliennes
Fonction de Prévenir la mise en mouvement de l’éolienne lors de la formation de

sécurité glace
Mesures de Aérogénérateurs équipés d’un système de pales chauffantes permettant la
sécurité suppression du dépôt de glace. Procédure adéquate de redémarrage.
Système de détection redondant du givre permettant, en cas de détection
de glace, une mise à l’arrêt rapide de l’aérogénérateur.
Description Le redémarrage peut ensuite se faire soit automatiquement après
disparition des conditions de givre, soit manuellement après inspection
visuelle sur site.
Fonction de
Prévenir l’atteinte des personnes par la chute de glace
sécurité
Mesures de Panneautage en pied de machine
sécurité Éloignement des zones habitées et fréquentées
Mise en place de panneaux informant de la possible formation de glace en
Description
pied de machines
Fonction de
Prévenir l’échauffement significatif des pièces mécaniques
sécurité
Capteurs de température des pièces mécaniques
Mesures de Définition de seuils critiques de température pour chaque type de
sécurité composant avec alarmes
Mise à l’arrêt ou bridage jusqu’à refroidissement
Fonction de
Prévenir la survitesse
sécurité
Mesures de Détection de survitesse et système de freinage.
sécurité
Systèmes de coupure s’enclenchant en cas de dépassement des seuils de
vitesse prédéfinis, indépendamment du système de contrôle commande.
Description
N.B. Le système de freinage est constitué d’un frein aérodynamique
principal (mise en drapeau des pales) et/ou d’un frein mécanique auxiliaire.
Fonction de
Prévenir les courts-circuits
sécurité
Mesures de Coupure de la transmission électrique en cas de fonctionnement anormal
sécurité d’un composant électrique.
Les organes et armoires électriques de l’éolienne sont équipés d’organes de
coupures et de protection adéquats et correctement dimensionnés. Tout
Description fonctionnement anormal des composants électriques est suivi d’une
coupure de la transmission électrique et à la transmission d’un signal
d’alerte vers l’exploitant qui prend alors les mesures appropriées.
Fonction de
Prévenir les effets de la foudre
sécurité
Mesures de
Mise à la terre et protection des éléments de l’aérogénérateur.
sécurité
33
Dispositif de capture + mise à la terre

Description
Parasurtenseurs sur les circuits électriques
Fonction de
Protection et intervention incendie
sécurité
Capteurs de températures sur les principaux composants de l’éolienne
pouvant permettre la mise à l’arrêt de la machine
Mesures de
Système de détection incendie relié à une alarme transmise à un poste de
sécurité
contrôle
Intervention des services de secours.
Détecteurs de fumée qui lors de leur déclenchement conduisent à la mise
en arrêt de la machine et au découplage du réseau électrique. De manière
concomitante, un message d’alarme est envoyé au centre de
télésurveillance.
Description
L’éolienne est également équipée d’extincteurs qui peuvent être utilisés par
le personnel d’intervention
En cas de déclenchement d’incendie, de l’azote sera libéré dans la nacelle
afin de supprimer le comburant et étouffer l’incendie
Fonction de
Prévention et rétention des fuites
sécurité
Détecteurs de niveau d’huiles
Mesures de
Procédure d’urgence
sécurité
Kit antipollution
Nombreux détecteurs de niveau d’huile permettant de détecter les
éventuelles fuites d’huile et d’arrêter l’éolienne en cas d’urgence.
Description Les opérations de vidange font l’objet de procédures spécifiques.
Des kits de dépollution d’urgence composés de grandes feuilles de textile
absorbant pourront être utilisés
Fonction de Prévenir les défauts de stabilité de l’éolienne et les défauts
sécurité d’assemblage (construction-exploitation)
Mesures de Contrôles réguliers des fondations et des différentes pièces d’assemblage
sécurité (ex : brides, joints, etc.)
Procédures qualité et attestation du contrôle technique
Description La nacelle, le nez, les fondations et la tour répondent au standard IEC 61
400-1. Les pales respectent le standard IEC 61 400-1 ; 12 ; 23.
Les éoliennes sont protégées contre la corrosion due à l’humidité de l’air,
selon la norme ISO 9223.
Fonction de
Prévenir les erreurs de maintenance
sécurité
Mesures de
Procédure maintenance
sécurité
Description Préconisations du manuel de maintenance et formation du personnel
Fonction de
Prévenir les risques de dégradation de l’éolienne en cas de vent fort
sécurité
34
Classe d’éolienne adaptée au site et au régime de vents.

Mesures de
Détection et prévention des vents forts et tempêtes
sécurité
Arrêt automatique et diminution de la prise au vent de l’éolienne
L’éolienne est mise à l’arrêt si la vitesse de vent mesurée dépasse la vitesse
Description
maximale pour laquelle elle a été conçue.
Fonction de Prévenir les risques de dégradation de l’éolienne en cas de cyclones
sécurité dans les zones cycloniques
Mise en place d’une procédure de veille cyclonique et d’intervention + mise
Mesures de en œuvre d’éoliennes équipées de dispositifs anticycloniques permettant
sécurité abattage et arrimage au sol des éléments les plus sensibles, en particulier les
pales
L’ensemble de la structure [mât et/ou nacelle + hélice] peut être rabattu et
arrimé au sol
Description Détection des cyclones
Formation des opérateurs
Mise en place d’une procédure d’intervention suivant les niveaux d’alerte
II.7 Scenarios génériques issus de l’analyse préliminaire des risques
Cette section apporte un certain nombre de précisions par rapport à chacun des scénarios
étudiés dans le cadre de l’analyse préliminaire des risques.
Le tableau générique issu de l’analyse préliminaire des risques est présenté dans la
section (II.5.1). Il peut être considéré comme représentatif des scénarios d’accident pouvant
potentiellement se produire sur les éoliennes et pourra par conséquent être repris à l’identique
dans les études de dangers [33, 34, 35, 37].
La numérotation des scénarios ci-dessous reprend celle utilisée dans le tableau de
l’analyse préliminaire des risques, avec un regroupement des scénarios par thématique, en
fonction des typologies d’événements redoutés centraux identifiés grâce au retour
d’expérience.
II.7.1 Scénarios relatifs aux risques liés à la glace (G01 et G02)
II.7.1.1 Scénario G01
En cas de formation de glace, les systèmes de préventions intégrés stopperont le rotor. La
chute de ces éléments aboutira donc dans l’aire surplombée par le rotor, le déport induit par le
vent étant négligeable. Plusieurs procédures/systèmes permettront de détecter la formation de
glace :
 Système de détection de glace.
 Arrêt préventif en cas de déséquilibre du rotor.
 Arrêt préventif en cas de givrage de l’anémomètre.
35
II.7.1.2 Scénario G02

La projection de glace depuis une éolienne en mouvement se produira lors d’éventuel
redémarrage de la machine encore « glacée », ou en cas de formation de glace sur le rotor en
mouvement simultanément à une défaillance des systèmes de détection de givre et de balourd.
Aux faibles vitesses de vents (vitesse de démarrage ou « cut in »), les projections
resteront limitées au surplomb de l’éolienne. À vitesse de rotation nominale, les éventuelles
projections seront susceptibles d’atteindre des distances supérieures au surplomb de la
machine.
II.7.2 Scénarios relatifs aux risques d’incendie (I01 à I07)
Les éventuels incendies interviendront dans le cas ou plusieurs conditions seraient réunies
(ex : Foudre + défaillance du système parafoudre = Incendie).
Le moyen de prévention des incendies consiste en un contrôle périodique des
installations. La méthodologie suivante pourra aider à déterminer l’ensemble des scénarios
devant être examinés :
 Découper l’installation en plusieurs parties : rotor, nacelle, mât, fondation et poste de
livraison ;
 Déterminer à l’aide de mot clé les différentes causes (cause 1, cause 2) d’incendie
possibles.
L’incendie peut aussi être provoqué par l’échauffement des pièces mécaniques en cas
d’emballement du rotor (survitesse). Plusieurs moyens sont mis en place en matière de
prévention :
 Concernant le défaut de conception et fabrication : Contrôle qualité
 Concernant le non-respect des instructions de montage et/ou de maintenance :
Formation du personnel intervenant, Contrôle qualité (inspections)
 Concernant les causes externes dues à l’environnement : Mise en place de solutions
techniques visant à réduire l’impact. Suivant les constructeurs, certains dispositifs
sont de série ou en option. Le choix des options est effectué par l’exploitant en
fonction des caractéristiques du site.
L’emballement peut notamment avoir lieu lors de pertes de certaines fonctions. Ces
pertes peuvent être la conséquence de deux phénomènes :
 Perte de réseau électrique : l’alimentation électrique de l’installation est nécessaire
pour assurer le fonctionnement des éoliennes (orientation, appareils de mesures et de
contrôle, balisage…) ;
 Perte de communication : le système de communication entre le parc éolien et le
superviseur à distance du parc peut être interrompu pendant une certaine durée.
36
Concernant la perte du réseau électrique, celle-ci peut être la conséquence d’un défaut
dans le réseau d’alimentation du parc éolien au niveau du poste source. En fonction de leurs
caractéristiques techniques, le comportement des éoliennes face à une perte de foction peut
être différent (fonction du constructeur). Cependant, deux systèmes sont couramment
rencontrés :
 Déclenchement au niveau du rotor du code de freinage d’urgence, entrainant l’arrêt
des éoliennes ;
 Basculement automatique de l’alimentation principale sur l’alimentation de secours
(batteries) pour arrêter les aérogénérateurs et assurer la communication vers le
superviseur.
Concernant la perte de communication entre le parc éolien et le superviseur à distance,
celle-ci n’entraîne pas d’action particulière si elle est de courte durée.
En revanche, en cas de perte de communication pendant une longue durée, le superviseur
du parc éolien concerné dispose de plusieurs alternatives, dont deux principales :
 Mise en place d’un réseau de communication alternatif temporaire (faisceau hertzien,
agent technique local…) ;
 Mise en place d’un système autonome d’arrêt à distance du parc par le superviseur.
Les solutions aux pertes de foctions étant diverses, les porteurs de projets pourront
apporter dans leur étude de danger une description des protocoles qui seront mis en place.
II.7.3 Scénarios relatifs aux risques de fuites (F01 à F02)
Les fuites éventuelles interviendront en cas d’erreur humaine ou de défaillance
matérielle.
Une attention particulière est à porter aux mesures préventives des parcs présents dans
des zones protégées au niveau environnemental, notamment en cas de présence de périmètres
de protection de captages d’eau potable (identifiés comme enjeux dans le descriptif de
l’environnement de l’installation). Dans ce dernier cas, un hydrogéologue agréé devra se
prononcer sur les mesures à prendre en compte pour préserver la ressource en eau, tant au
niveau de l’étude d’impact que de l’étude de danger. Plusieurs mesures pourront être mises en
place (photographie du fond de fouille des fondations pour montrer que la nappe phréatique
n’a pas été atteinte, comblement des failles karstiques par des billes d’argile, utilisation de
graisses végétales pour les engins…).
II.7.3.1 Scénario F01
En cas de rupture de flexible, perçage d’un contenant ..., il peut y avoir une fuite d’huile
ou de graisse, alors que l’éolienne est en fonctionnement. Les produits peuvent alors s’écouler
hors de la nacelle, couler le long du mât et s’infiltrer dans le sol environnant l’éolienne.
37
Plusieurs procédures/actions permettront d’empêcher l’écoulement de ces produits

dangereux :
 Vérification des niveaux d’huile lors des opérations de maintenance
 Détection des fuites potentielles par les opérateurs lors des maintenances
 Procédure de gestion des situations d’urgence
Deux événements peuvent être aggravants :
 Écoulement de ces produits le long des pales de l’éolienne, surtout si celle-ci est en
fonctionnement. Les produits seront alors projetés aux alentours.
 Présence d’une forte pluie qui dispersa rapidement les produits dans le sol.
II.7.3.2 Scénario F02
Lors d’une maintenance, les opérateurs peuvent accidentellement renverser un bidon
d’huile, une bouteille de solvant, un sac de graisse, etc. Ces produits dangereux pour
l’environnement peuvent s’échapper de l’éolienne ou être renversés hors de cette dernière et
infiltrer les sols environnants.
Plusieurs procédures/actions permettront d’empêcher le renversement et l’écoulement de
ces produits :
 Kits anti-pollution associés à une procédure de gestion des situations d’urgence
 Sensibilisation des opérateurs aux bons gestes d’utilisation des produits
Ce scénario est à adapter en fonction des produits utilisés.
II.7.4 Scénarios relatifs aux risques de chute d’éléments (C01 à C03)
Les scénarios de chutes concernent les éléments d’assemblage des aérogénérateurs : ces
chutes sont déclenchées par la dégradation d’éléments (corrosion, fissures…) ou des défauts
de maintenance (erreur humaine). Les chutes sont limitées à un périmètre correspondant à
l’aire de survol.
II.7.5 Scénarios relatifs aux risques de projection de pales ou de fragments de pales (P01
à P06)
Les événements principaux susceptibles de conduire à la rupture totale ou partielle de la
pale sont liés à 3 types de facteurs pouvant intervenir indépendamment ou conjointement :
 Défaut de conception et de fabrication
 Non-respect des instructions de montage et/ou de maintenance
 Causes externes dues à l’environnement : glace, tempête, foudre…
Si la rupture totale ou partielle de la pale intervient lorsque l’éolienne est à l’arrêt on
considère que la zone d’effet sera limitée au surplomb de l’éolienne.
38
L’emballement de l’éolienne constitue un facteur aggravant en cas de projection de tout

ou partie d’une pale.
II.7.5.1 Scénario P01
En cas de défaillance du système d’arrêt automatique de l’éolienne à cause de survitesse,
les contraintes importantes exercées sur la pale (vent trop fort) pourraient engendrer la rupture
de la pale et sa projection.
II.7.5.2 Scénario P02
Les contraintes exercées sur les pales sont des :
 Contraintes mécaniques (vents violents, variation de la répartition de la masse due à
la formation de givre…),
 Conditions climatiques (averses violentes de grêle, foudre…) peuvent entraîner la
dégradation de l’état de surface et à terme l’apparition de fissures sur la pale.
Prévention : Maintenance préventive (inspections régulières des pales, réparations si
nécessaire)
Facteur aggravant : Infiltration d’eau et formation de glace dans une fissure, vents
violents, emballement de l’éolienne
II.7.5.3 Scénarios P03
Un mauvais serrage de base ou le desserrage avec le temps des goujons des pales pourrait
amener au décrochage total ou partiel de la pale, dans le cas de pale en plusieurs tronçons.
II.7.6 Scénarios relatifs aux risques d’effondrement des éoliennes (E01 à E10)
Les événements pouvant conduire à l’effondrement de l’éolienne sont liés à 3 types de
facteurs pouvant intervenir indépendamment ou conjointement :
 Erreur de dimensionnement de la fondation : Contrôle qualité, respect des
spécifications techniques du constructeur de l’éolienne, étude de sol, contrôle
technique de construction ;
 Non-respect des instructions de montage et/ou de maintenance : Formation du
personnel intervenant ;
 Causes externes dues à l’environnement : séisme, cyclone…
II.8 Conclusion
L’analyse des risques liés aux installations et équipements du site est basée sur un
recensement des accidents possibles, de l’évaluation de leurs conséquences, de leur
probabilité de se réaliser en prenant en compte les moyens de secours et de prévention adaptés
notamment à la vitesse d’apparition de l’accident.
39
À l’issue de l’analyse détaillée des risques effectués dans ce chapitre ; les risques
potentiels retenus pour les installations du site sont les suivants : l’effondrement des
éoliennes, la chute d’élément, la chute de glace, la projection de tout ou partie de pale et la
projection de glace.
En conclusion, d’après ces données, les éoliennes ne devraient pas être implantées à
moins de quelques kilomètres des habitations. Ceci tout en sachant qu’il y aura toujours des
problèmes de santé et de qualité de vie causés par les éoliennes au-delà de cette distance.
40
Chapitre III
Fatigue des pales d’éoliennes
III.1 Introduction
La pale d’une éolienne est en réalité le véritable capteur de l’énergie présente dans le
vent. De ses performances dépend la production d’énergie de l’installation, puis par
conséquent l’intérêt économique de la machine.
La conception d’une pale doit faire appel à un compromis délicat entre le rendement
aérodynamique, la légèreté, la résistance statique et les conditions de vent (vitesses, taux de
turbulence) qui influent sur la conception (charges extrêmes, tenue en fatigue).
On s’aperçoit donc aisément que la conception d’une pale est en fait un procédé itératif
avec de nombreux paramètres et de nombreuses contraintes. Les matériaux utilisés
actuellement pour la fabrication des pales d’éolienne sont des composites à base de polymères
thermodurcissables. Ces derniers présentent une maturité technologique éprouvée et des
facilités de mise en œuvre dans les étapes de fabrication (grande fluidité de la résine, bonne
adhésion aux fibres de renfort du composite). Néanmoins, leurs performances mécaniques, en
particulier la fatigue, sont limitées, et ces matériaux ne sont pas recyclables.
41
Chapitre III Fatigue des pales d’éoliennes
Les pales d’un aérogénérateur sont exposées, durant leur fonctionnement, à des
chargements cycliques complexes dus à des conditions environnementales sévères et très
variables, comme le cas des vents forts et des rafales qui engendrent des efforts extrêmes,
favorisant ainsi la fatigue des pales. Cette fatigue est l’un des problèmes sérieux pouvant
entraver le bon fonctionnement de l’éolienne [38].
III.2 Architecture structurale d’une pale d’éolienne
En collaboration avec les institutions spécialisées en mécanique de fluide et
aérodynamique, le profil standardisé de la pale pourra être déterminé et validé. Ce dernier est
défini par son bord d’attaque, son bord de fuite et sa corde (figure III.1) [38].
Fig. III.1 : Profil standardisé d’une pale d’éolienne [38]
L’évolution de la loi de vrillage le long de l’envergure (rotation du profil par rapport à un

axe d’articulation) pourra être améliorée par l’organisme compétent. Toutefois, la
terminologie techno-scientifique entre la position du centre élastique et le centre de gravité
doit faire l’objet d’une distinction claire et précise. Vient ensuite, la taille de la pale qui doit
répondre à un cahier de charges donné. La détermination de l’épaisseur relative à chaque
tronçon, l’orientation adéquate des fibres et la séquence d’empilement pour chaque tronçon
font appel à un calcul de vérification de la tenue mécanique de la pale.
III.3 Pales en matériaux composites
Dans l’industrie moderne de fabrication des pales d’éoliennes, les matériaux composites à
base de fibres occupent une place prépondérante, car ils présentent des avantages attractifs
résidant principalement dans les bonnes caractéristiques mécaniques, thermiques et
hygrométriques associées aux exigences de légèreté, de coût et de meilleure durée de vie [39].
En plus de ces critères techniquement qualitatifs, s’ajoute l’imposition d’une méthode de
fabrication sûre et respectueuse de l’environnement et de la santé.
Un matériau composite peut être défini comme une combinaison d’au moins deux
matériaux différents à l’échelle macroscopique. Les composites utilisés pour leurs propriétés
structurales se limitent à ceux qui contiennent des renforts réunis en une seule masse par une
matrice [40]. Typiquement, un matériau composite contient une phase discontinue de renfort
plus rigide et plus résistante que la phase continue de la matrice.
42
III.3.1 Classification des matériaux composites

La classification des composites peut être effectuée selon diverses façons. Une manière
simple consiste à les classer par les formes des renforts. Les composites sont donc divisés en
quatre catégories (figure III.2) [41] :
 Composites à renforts de particules : Le renfort est considéré comme une particule
si toutes ses dimensions sont approximativement égales et petites devant les autres
dimensions du matériau. Les particules dures sont dispersées aléatoirement dans la
matrice moins rigide.
 Composites à renforts de paillettes : Les paillettes ont une dimension très faible par
rapport aux autres. La dispersion de ces « particules minces » est généralement
aléatoire. Cependant, les paillettes peuvent être rangées parallèlement l’une à l’autre
afin d’avoir des propriétés plus uniformes dans le plan.
 Composites à renforts de fibres : Une fibre a une longueur bien supérieure aux
dimensions de la section transversale. Ce type de composites peut être divisé selon les
renforts : en fibres discontinues (courtes) ou fibres continues (longues).
 Composites stratifiés : Un stratifié se compose d’au moins deux couches minces de
matériau. Les couches peuvent être constituées de différents matériaux monolithiques
comme dans les métaux plaqués ou du même matériau composite empilé selon
différentes orientations comme pour des stratifiés composites à renforts de fibres
longues. Ce dernier devient une classe hybride du composite comportant à la fois le
composite à renfort de fibres et la technique de stratification.
Fig. III.2 : Classification des matériaux composites
III.3.2 Constituants des matériaux composites

Dans la suite de la présentation, nous nous intéresserons uniquement aux composites à
renfort de fibres longues et stratifiés utilisés, couramment rencontrés dans l’industrie éolienne.
43
Ces matériaux seront parfois appelés « composites fibreux » ou même « composites » par
simplicité.
Les propriétés mécaniques des composites fibreux sont directement liées aux
caractéristiques mécaniques de leurs constituants : la fibre, la matrice, ainsi que l’interphase.
La résistance et la rigidité d’un composite sont assurées principalement par les fibres qui
possèdent des caractéristiques mécaniques beaucoup plus élevées que la matrice. Cette
dernière, quant à elle, réunit les fibres et donne la forme géométrique de la structure. La
matrice sert également à transférer les efforts mécaniques entre les fibres et les protéger
contre l’environnement. L’interphase est la zone créée par l’adhérence et la réaction entre les
fibres et la matrice [41]. Elle possède des caractéristiques chimiques et mécaniques différentes
de celles des fibres et de la matrice.
La disponibilité d’un grand choix de fibres et de matrices permet de réaliser des
composites ayant diverses propriétés. Nous présenterons rapidement quelques-uns des
constituants les plus couramment utilisés [42, 43].
III.3.2.1 Les fibres
La rupture des matériaux hautes résistances ou hauts modules est généralement
provoquée par la propagation des défauts. Les matériaux en forme de fibre sont
intrinsèquement plus résistants à la rupture qu’en forme massive, car la taille des défauts est
limitée par le diamètre faible. Dans un composite fibreux, la tenue mécanique est assurée
principalement par les fibres. Par sa nature filamenteuse, la rupture de quelques fibres a pour
résultat la redistribution du chargement sur les autres fibres, ce qui empêche la rupture
catastrophique de la structure. Les fibres les plus souvent rencontrées dans les composites
sont les suivantes [41] :
 Fibres de verre : La connaissance des matériaux composites fibreux à matrice de
polymères est initialement basée sur des études des composites à fibres de verre. Ces
fibres sont très répandues dans des applications basses performances ainsi que des
applications hautes performances telles que les réservoirs de propulseurs de fusée.
Leurs avantages incluent prix compétitif, disponibilité, et résistance élevée.
Cependant, à cause de leur rigidité relativement faible, les fibres de verre sont
progressivement remplacées par les fibres aramides ou les fibres de carbone dans les
applications hautes performances.
 Fibres de carbone : Actuellement, les fibres de carbone sont le renfort le plus
répandu pour les matériaux composites hautes performances. Deux avantages
principaux de ces fibres sont leur fabrication plus adaptée à la production à grande
échelle que d’autres fibres hautes performances et leurs excellentes propriétés
mécaniques plus facilement transférables aux matériaux composites. Leur prix reste
toutefois prohibitif pour les produits grand public.
44
 Fibres aramides : Ces fibres appartiennent à la famille des fibres polyamides

aromatiques. Les versions commerciales disponibles incluent le Kevlar (nom déposé)
et le Nomex (nom déposé). Elles possèdent une résistance élevée et une rigidité
considérablement supérieure à celle des fibres de verre. La tolérance aux dommages
est très bonne également. Leurs désavantages incluent une résistance en compression
inférieure à celle des fibres de carbone et une adhésion relativement faible aux
matrices.
III.3.2.2 Les matrices
La matrice réunit les fibres par ses propriétés cohésive et adhésive. Elle maintient les
fibres dans leur orientation et leur position prévues pour les charges appliquées. Ses autres
rôles consistent à distribuer les efforts entre les fibres, fournir une résistance à la propagation
de fissure, et fournir toutes les résistances en cisaillement du composite. La matrice détermine
en général la limite de la température d’utilisation et l’environnement de service du matériau.
Il existe un grand nombre de polymères pouvant servir de matrice aux matériaux
composites. Ceux parmi les plus utilisés sont les suivants [42] :
 Les thermodurcissables :
 Les résines polyesters insaturées (UP) peu onéreuses qui sont généralement
utilisées avec les fibres de verre et que l’on retrouve dans de nombreuses
applications de la vie courante ;
 Les résines époxy (EP) qui possèdent de bonnes caractéristiques mécaniques.
Elles sont généralement utilisées avec les fibres de carbone pour la réalisation de
pièces de structure et d’aéronautique ;
 Les résines vinylester (VE) sont surtout utilisées pour des applications où les
résines polyester ne sont pas suffisantes. Elle est issue d’une modification d’une
résine époxyde et est excellente pour des applications de résistance chimique ;
 Les résines phénoliques (PF) utilisées dans les applications nécessitant des
propriétés de tenue aux feux et flammes imposées par les normes dans les
transports civils ;
 Les résines polyimides thermodurcissables (PIRP) pour des applications à
haute température (~300 °C) et polybismaleimides (BMI) pour des applications à
température intermédiaire (~225 °C).
 Les thermoplastiques comme le polypropylène ou le polyamide ou comme le
polyéther imide (PEI), le sulfure de polyphénylène (PPS) et la polyétheréthercétone
(PEEK) sont pour la réalisation de pièces de structure et d’aéronautique.
45
Fibres Orientation
Référentiel des fibres
Matrice
Couche
(Pli individuel) Stratifié
Fig. III.3 : Constituants d’un matériau composite stratifié
III.3.2.3 L’interphase
La nature de l’adhésion fibre/matrice inclut le verrouillage mécanique, l’attraction
électrostatique, l’enchevêtrement moléculaire, et la réaction chimique. L’interphase est
constituée de la surface de contact (interface) fibre/matrice ainsi que de la région d’un volume
fini prolongée dans la matrice. Elle peut être considérée comme un constituant du composite,
car elle possède des propriétés chimiques, physiques, et mécaniques différentes de celles de la
fibre et de la matrice [41]. L’interphase assure la liaison fibre/matrice et permet le transfert
des contraintes de l’une à l’autre sans déplacement relatif. Cependant, l’hypothèse que
l’interphase n’a pas d’épaisseur est souvent faite pour faciliter l’analyse micromécanique des
composites.
III.4 Procédé de fabrication des pales d’éoliennes
Le procédé traditionnel exploité actuellement pour la fabrication des pales d’éolienne est
caractérisé principalement par une opération d’assemblage de demi-coquilles par un joint de
collage. Cette technique de collage est susceptible de poser des problèmes de résistance
mécanique au cours du temps. Alternativement, le procédé de moulage par transfert de résine
(Resin Transfer Molding RTM) vient positivement pallier cette problématique (Annexe B).
Fig. III.4 : Coupe transversale d’un profil de pale sous moulage par procédé RTM [38]
46
Il présente une solution industrielle à la production des pales d’éoliennes avec une
excellente qualité de finition, de meilleures caractéristiques mécaniques, un faible coût et une
cadence de production modeste [44].
En outre, il participe à la réduction des quantités d’émission de Composés Organiques
Volatils (COV), tels que le styrène. La figure (III.4) illustre la technologie RTM light
appliquée au profil d’une pale d’éolienne.
En ce qui concerne les grandes pales d’éoliennes, l’injection se fera d’une manière
séquentielle. Les points d’injection sont situés sur le bord de fuite, les points d’aspiration, par
contre, sont situés sur le bord d’attaque. La figure (III.5) schématise la méthode d’injection
séquentielle, et ce, en commençant par le pied de pale (partie travaillante et fortement
sollicitée).
Fig. III.5 : Procédé d’injection séquentielle de la résine dans la technologie RTM [38]
III.4.1 Matériaux et calcul structural

La conception des pales d’éoliennes en matériaux composites doit répondre aux
exigences normatives définies dans le document ISO 2394 [45] en termes de calcul de
structures (charges, résistance, vibrations, fatigue, sécurité…) et des tests de vérification
statique et dynamique.
Les matériaux choisis doivent répondre aux objectifs techniques d’assurance qualité avec
la prise en compte des nouvelles réglementations vis-à-vis du respect de l’environnement. Il
est donc important de choisir avec prudence [46] :
 La classe des fibres.
 La classe de la matrice.
 La mousse constituant le sandwich (mousse adaptée à la mise en œuvre).
Les caractéristiques mécaniques des composites sélectionnés sont déterminées après
plusieurs essais de traction, compression, flexion, torsion, délaminage, flambage, fatigue,
contrôle de fibres en volume, etc.
47
Les valeurs obtenues seront comparées aux valeurs calculées analytiquement en se basant
sur les équations constitutives gouvernant le comportement d’un panneau sandwich avec faces
(extrados, intrados) en composite stratifié. Ces équations sont généralement exprimées par la
forme matricielle compacte [46]:
{ } [ ]{ } ( )
Où,
* + { } * + { } * + { }
⁄
* + { } { ⁄ }
⁄ ⁄
⁄
* + { } { ⁄ }
⁄
⁄ ⁄
* + { } { }
⁄ ⁄
Les moments de flexion ( ), le moment de torsion ( ), les efforts normaux
( ) et l’effort de cisaillement ( ) sont appliqués sur les faces extrados et intrados ; par
contre les efforts de cisaillement transverse ( ) sont appliqués au cœur (âme).
III.5 Fatigue des pales d’éolienne

Lors de son service, la pale est sujette à des problèmes de variation de contraintes d’un
cycle à un autre. Cette variation peut avoir pour conséquence une dégradation de la résistance
structurale à travers les phénomènes d’accumulation de contraintes et de fatigue.
Cependant, un certain nombre d’échantillons (tronçons) doit être réalisé conformément
aux principes de construction de la pale. Ces échantillons seront ensuite testés à un niveau
suffisant jusqu’à rupture sous un chargement alterné. Un banc d’essai et des jauges de
déformation pour effectuer de tels essais sont nécessaires. Les résultats expérimentaux
obtenus permettront de chiffrer la durée de vie de la pale avec un degré de confiance
suffisamment admissible. En moyenne, cette durée de vie est estimée à 20 ans [38, 39, 44].
Il est donc nécessaire de bien comprendre les mécanismes d’endommagent en fatigue, et
de savoir comment prendre en compte au mieux les différents facteurs dont dépend la fatigue
des matériaux composites (la nature des fibres et des résines, du drapage, de la qualité des
interfaces...).
48
III.5.1 Endommagement en fatigue

La fatigue est un processus (succession de mécanismes) qui sous l’action de contraintes
ou déformations variables dans le temps modifie les propriétés locales d’un matériau. Ces
dernières peuvent entraîner la formation de fissures et éventuellement la rupture de la
structure. La fatigue est notamment caractérisée par une étendue de variation de contrainte qui
peut être bien inférieure à la limite d’élasticité du matériau. Les étapes principales de la ruine
par fatigue d’un assemblage sont l’amorçage de fissures (si des défauts ne sont pas déjà
présents dans le matériau), la propagation de fissures et la rupture finale [43].
Les paramètres souvent utilisés pour prédire le comportement en fatigue et ainsi le
nombre de cycles à la rupture d’une structure sont: l’amplitude de la sollicitation (chargement
ou déformation imposée), sa valeur moyenne, l’état de surface et le milieu dans lequel la
structure sera utilisée.
Même si l’étude de la fatigue s’appuie sur des considérations théoriques (en particulier
mécanique de la rupture), c’est essentiellement un domaine expérimental. La caractérisation
d’un matériau, d’une pièce, d’un ensemble, d’une structure… nécessite de nombreux essais et
mesures.
III.5.2 Mécanismes d’endommagement en fatigue
La ruine des matériaux composites n’est pas initiée par un unique mécanisme
d’endommagement, mais elle est la conséquence de l’accumulation de plusieurs modes de
dégradations. En effet, par endommagement on entend le développement plus ou moins
progressif de micro-défauts (micro-vides, micro-fissures...) qui conduisent par coalescence à
des macro-défauts (fissures, dé-cohésions...) menant ainsi à la ruine de la structure [47].
Fig. III.6 : Différents mécanismes d’endommagement
Les mécanismes d’endommagement dans les composites stratifiés à fibres longues sont
aujourd’hui clairement identifiés. Différents facteurs peuvent influencer l’apparition et le
développement de ces dégradations: la séquence d’empilement (ply-orientations) [41], la
nature de la matrice, le procédé de fabrication... Ainsi, soumis à des sollicitations externes, les
matériaux composites sont le siège de dégradations au niveau des fibres (ruptures de fibres),
de la matrice (micro-vides, fissures intra-laminaires) ou encore au niveau des interfaces
49
fibre/matrice (dé-cohésions fibre/matrice) ou des interfaces inter-plis (délaminage). La figure

(III.6) présente de façon schématique les différents mécanismes d’endommagement.
III.5.3 Prédiction de la durée de vie en fatigue
L’utilisation croissante des matériaux composites à hautes performances tient sans doute
à leur résistance exceptionnelle à la fatigue. Encore plus légers que les alliages d’aluminium,
ils sont nettement meilleurs que ces derniers lorsqu’ils sont soumis à des sollicitations
cycliques. Comme critère, on a l’habitude d’évaluer le rapport ( ⁄ ) de la limite
d’endurance (ou limite de fatigue) à la résistance en traction [47, 48].
Fig. III.7 : Exemple de courbe d’endurance (Wöhler)
Le critère le plus utilisé pour évaluer la durée de vie des matériaux est celui de la courbe
d’endurance ou de Wöhler (Stress-Number of cycles). Le principe en est simple, il
s’agit de reporter les sollicitations appliquées (contraintes, déformations, amplitude des
contraintes ou des déformations…) en fonction du nombre de cycles à la rupture du matériau
sollicité. Cette courbe définit une relation entre la contrainte appliquée (sigma parfois notée
) et le nombre de cycles à la rupture (en fait nombre de cycles pour lequel on observe
de ruptures) [47].
Pour la tracer, on réalise généralement des essais simples qui consistent à soumettre
chaque éprouvette à des cycles d’efforts périodiques, d’amplitude de chargement constante Sa
fluctuant autour d’une valeur moyenne fixée et à noter le nombre de cycles au bout duquel
l’amorçage d’une fissure est observé, appelé ici nombre de cycles à rupture ; ceci est fait
pour plusieurs valeurs de l’amplitude alternée et de R ; le rapport de charge est le rapport
de la contrainte minimum à la contrainte maximum du cycle périodique ( ⁄ ).
Pour plus de commodité, ce nombre est reporté en abscisse sur une échelle logarithmique,
et l’amplitude de contrainte Sa est reportée en ordonnée sur une échelle linéaire ou
logarithmique pour plusieurs valeurs de . correspond à un cycle symétrique alterné,
correspond à un cycle répété, correspond à des contraintes ondulées [49].
50
Fig. III.8 : Divers types de sollicitations sinusoïdales [49]
Lorsque la plasticité est généralisée, la durée de vie en fatigue caractérisée par le nombre
de cycles à la rupture de l’échantillon est donnée par les relations de Manson-Coffin et
Basquin (figure III.9) [47] :
⁄ ⁄ ( ) ( ) ( )
Avec : α, β, b et c paramètres déterminés par l’expérience;

, et déformations élastiques, plastiques et totales.
Fig. III.9 : Allure des courbes d’endurance exprimées en fonction de la déformation
Pour les métaux, la concavité de la courbe d’endurance est attribuée à la plasticité. Pour
les matériaux composites, dont le comportement monotone est quasi linéaire (absence notable
de plasticité), en coordonnées logarithmiques l’allure de la courbe est assez plate. Considérant
négligeable, la durée de vie peut alors s’exprimer par la relation simplifiée:
⁄ ( ) ( )
51
Ce type de courbe d’endurance est généralement assez bien vérifié pour les matériaux
composites unidirectionnels à hautes performances (figure III.10), que la durée de vie soit
exprimée en fonction de l’amplitude de la déformation ou de celle de la contrainte appliquée.
Pour les composites stratifiés à plis croisés, l’allure de la courbe dépend de l’orientation du
drapage. Toutefois, la courbe d’endurance reste encore assez plate comparée à celle obtenue
pour des matériaux métalliques. Il apparaît qu’une fonction logarithmique permet de
représenter le phénomène en première approximation [47, 48] :
( )
Avec: Limite d’endurance;

F et m paramètres dépendant du matériau
Les résultats précédents amènent cependant quelques réflexions. Si les courbes
d’endurance ou le rapport ( ⁄ ) font figure de caractéristiques intrinsèques pour les
matériaux métalliques homogènes et isotropes, c’est plus difficilement le cas pour les
matériaux composites qui par conception ne sont plus vraiment des matériaux, mais déjà des
structures. En face du mot rupture, il convient d’associer des modes de dégradations qui
comme nous l’avons vu précédemment peuvent intervenir dans les plis et aux interfaces. Les
limites de fatigue et d’endurance varient avec les constituantes fibres et matrice, les
orientations et les épaisseurs des plis.
De même la viscosité ou la ductilité de la matrice sont des facteurs importants dans les
processus de fatigue. Pour les stratifiés croisés, une plus grande ductilité matricielle donne des
limites d’endurance supérieures.
Fig. III.10 : Courbe d’endurance S-N pour un composite carbone époxy de séquence [0/903/0]
Un autre facteur important pour bien comprendre les modes de ruine en fatigue, est l’état
local des contraintes, engendré par la sollicitation appliquée.
52
Si les matériaux composites ont de bonnes performances en traction cyclée comparés aux
matériaux métalliques, ils s’endommagent beaucoup plus sévèrement que les métaux sous des
sollicitations de compression ou de cisaillement. Il en résulte qu’au cours d’une flexion
cyclique un matériau composite peut s’endommager à la fois en traction, en compression et en
cisaillement, ce qui rend l’analyse complexe.
III.6 Conclusion
L’un des problèmes posés par les éoliennes en termes d’ingénierie réside dans la charge
variable à laquelle les pales de rotor sont soumises. Ceci peut avoir un impact négatif sur leurs
performances et peut même entraîner des pannes prématurées. De tels défauts peuvent faire
obstacle à l’adoption des éoliennes pour la production d’électricité, en particulier sur les
installations au large (offshore) qui sont difficiles d’accès.
L’analyse du comportement dynamique des pales a un rôle primordial dans la conception
des aérogénérateurs, car ces pales sont soumises à des forces de vent très variables favorisant
ainsi le cumul de la fatigue, sachant que ce phénomène est l’un des problèmes majeurs qui
entravent le bon fonctionnement des éoliennes.
53
Chapitre IV
Intelligence artificielle et prédiction
IV.1 Introduction
Les travaux présentés dans ce chapitre portent sur la prédiction de la rupture des
matériaux composites des pales d’éoliennes en utilisant des techniques d’intelligence
artificielle (IA), qui ont été conçues pour apporter des réponses à des problèmes complexes et
qui peuvent avoir un grand nombre de solutions possibles. Cela est dû à la variété des
méthodes utilisées pour la résolution de ce problème. Les chercheurs en IA ont proposé des
méthodes ingénieuses qui permettent de trier parmi les solutions possibles, appelées les
heuristiques, afin d’accélérer le processus de sélection de la meilleure solution.
54
Chapitre IV Intelligence artificielle et prédiction
Les méthodes d’intelligence artificielle (réseaux de neurones artificiels RNA, la logique

floue, machine à vecteurs de support SVM…) et les algorithmes métaheuristiques
(optimisation par essaim de particules OEP, algorithmes génétiques…) ont été développés à
partir de la compréhension de phénomènes biologiques et naturels. Ils suivent souvent des lois
stochastiques, ce qui les rend plus proches de la réalité, car la plupart des phénomènes
physiques suivent le hasard.
IV.2 Introduction à l’intelligence artificielle
L’augmentation de puissance dans les ordinateurs ne permet pas de résoudre toujours les
problèmes d’une application informatique dans un domaine particulier. L’idée qui s’est donc
installée, est que le problème n’était peut-être pas tant le matériel que le logiciel. La
construction de logiciels s’appuie sur plusieurs approches. Deux parmi les plus utilisées sont
l’approche algorithmique et l’approche basée sur la connaissance [51].
Une approche algorithmique nécessite l’écriture (avant la transcription dans un
quelconque langage de programmation) du processus à suivre pour résoudre le problème. Les
ordinateurs sont des machines complètement logiques (et même binaires) qui suivent à la
lettre chacune des instructions du programme. C’est un avantage lorsque tous les cas ont été
prévus à l’avance par l’algorithmicien.
La seconde approche possible est celle de l’intelligence artificielle (IA), avec pour
applications les plus connues les systèmes experts. Ici, la résolution du problème est confiée à
un ensemble de règles données par l’expert humain du domaine. Il n’en demeure pas moins
que toutes les règles doivent avoir été exprimées préalablement au traitement, et que le
programme demeure binaire dans son exécution. Les cas qui n’ont pas été prévus par l’expert
ne seront pas correctement traités. L’introduction de la logique floue ne change pas la nature
des limitations d’emploi du programme : l’exécution reste totalement déterministe.
En fait, l’approche basée sur la connaissance se limite à des domaines d’application où la
modélisation de la connaissance, par exemple sous forme de règles, est possible. Ces
domaines sont souvent ceux des sciences dites « exactes » comme l’électronique, la physique,
etc., par opposition aux sciences dites « humaines » comme la médecine, la psychologie, etc.,
où la connaissance est plus empirique. L’IA se révèle donc être un moyen commode de
stocker de la connaissance sous forme explicite [52].
Ces deux approches ne suffisent pas à répondre à tous les problèmes existants. Citons les
domaines de la reconnaissance de formes (images ou signaux), du diagnostic, du contrôle, de
la traduction automatique, de la compréhension du langage, depuis longtemps explorés à
l’aide des approches algorithmiques et à base de connaissances, qui n’ont pas rencontré le
succès escompté.
Une troisième approche au traitement de l’information semble donc s’offrir à nous, où
l’on cherche à s’inspirer du traitement de l’information effectué par le cerveau.
55
L’hypothèse principale est que le comportement intelligent est sous-tendu par un

ensemble de mécanismes mentaux. L’hypothèse proposée par de nombreux biologistes est :
pour recréer le comportement intelligent du cerveau, il faut s’appuyer sur son architecture, en
fait, tenter de l’imiter.
Les réseaux de neurones artificiels sont dotés de propriétés qui, comme l’apprentissage à
partir d’exemples, semblent prometteuses dans certains domaines d’applications. Ils sont
d’usage de citer la reconnaissance de formes, le diagnostic, la prédiction, etc. En fait, ils sont
considérés comme éligibles à tout problème qui se représente sous la forme d’une fonction de
mise en correspondance entre un espace d’entrée et un espace de sortie, dès lors que l’on ne
dispose que d’exemples de comportement de cette fonction [51].
IV.3 Réseaux de neurones
Le cerveau, ce principal organe avec lequel on pense, on réfléchit, on raisonne et j’en
passe des termes qualifiant ces fonctionnalités, mais que bon nombre, même les spécialistes
ne savent pas avec précision comment le cerveau fait tout cela. Le cerveau est sans doute le
membre de l’être humain le moins maîtrisé par les spécialistes du point de vue de son
fonctionnement et ses capacités [53].
Nous n’avons pas l’intention ici de répondre à la question de son fonctionnement, loin de
là, nous allons juste essayer d’exposer un modèle de fonctionnement assez rudimentaire qui a
fait ses preuves dans un grand nombre d’applications et notamment en ingénierie, le terme
« rudimentaire » a été utilisé dans le sens où on a simplifié au maximum le fonctionnement
supposé du réseau de neurones biologique.
Les réseaux de neurones biologiques réalisent facilement un certain nombre
d’applications telles que la reconnaissance de formes, le traitement du signal, l’apprentissage
la mémorisation et surtout la généralisation [53]. Ces applications sont pourtant, malgré tous
les efforts déployés en algorithmique et en intelligence artificielle, à la limite des possibilités
actuelles. C’est à partir de l’hypothèse que le comportement intelligent émerge de la structure
complexe et du comportement actif des éléments de base du cerveau que les réseaux de
neurones artificiels se sont développés.
IV.3.1 Neurones biologiques
Le cerveau humain contient près de 86 milliards de neurones, et il existe environ 200
types de neurones [54]. Dans un neurone nous pouvons distinguer trois régions principales
(figure IV.1) : le corps cellulaire qui contient le noyau du neurone ainsi que la machine
biochimique nécessaire à la synthèse d’enzymes ; les dendrites, qui se divisent comme les
branches d’un arbre, recueillent l’information d’autres neurones et l’acheminent vers le corps
de la cellule ; l’axone, généralement très long et unique, il conduit l’information du corps
cellulaire vers d’autres neurones avec qui il fait des connexions appelées synapses.
56
Fig. IV.1 : Schéma d’un neurone biologique [55, 56]
Au niveau des synapses, la transmission de l’information se fait par l’intermédiaire de

molécules chimiques : les neuromédiateurs. Quand un signal électrique arrive au niveau de la
synapse, il provoque l’émission de neuromédiateurs excitateurs ou inhibiteurs qui vont se
fixer sur les récepteurs dendritiques de l’autre côté de l’espace inter-synaptique. Lorsque
suffisamment de molécules excitatrices se sont fixées, un signal électrique est émis dans les
dendrites. Le neurone compare alors la somme de tous ces signaux à un seuil. Si la somme
excède ce seuil, le neurone émet un signal électrique (émission d’un potentiel d’action) le
long de son axone [51, 55, 56]. Sinon, il reste inactif et ne stimule pas les neurones auxquels il
est connecté.
IV.3.2 Neurones artificiels (formels)
Un réseau de neurones artificiels RNA est à l’origine une tentative de modélisation
mathématique du cerveau humain. Ainsi, il représente un modèle de calcul dont la conception
est très schématiquement inspirée du fonctionnement des neurones biologiques [57].
La figure (IV.2) montre la structure d’un neurone artificiel. Chaque neurone artificiel est
un processeur élémentaire. Il reçoit un nombre variable d’entrées en provenance de neurones
amont. À chacune de ces entrées est associée un poids w abréviation de weight (en anglais)
représentatif de la force de la connexion. Chaque processeur élémentaire est doté d’une sortie
unique, qui se ramifie ensuite pour alimenter un nombre variable de neurones aval. À chaque
connexion est associée un poids.
Fig. IV.2 : Mise en correspondance neurone biologique/neurone artificiel [52]
57
Les RNA sont généralement optimisés par des méthodes d’apprentissage de type
probabiliste, en particulier bayésiennes. Ils sont placés d’une part dans la famille des
applications statistiques, qu’ils enrichissent avec un ensemble de paradigmes permettant de
créer des classifications rapides, et d’autre part dans la famille des méthodes de l’intelligence
artificielle auxquelles ils fournissent un mécanisme perceptif indépendant des idées propres de
l’implémenteur, ainsi que des informations d’entrée au raisonnement logique formel.
Fig. IV.3 : Fonctionnement de base d’un neurone
Le neurone calcule la somme pondérée de ses entrées puis cette valeur passe à travers la
fonction d’activation pour produire sa sortie.
IV.3.3 Histoire de l’évolution des RNA
Une première vague d’intérêt aux RNA a vu le jour après l’introduction par McCulloch et
Pitts en 1943 de la notion des neurones simplifiés (perceptron). Ces neurones ont été
présentés comme un modèle du neurone biologique et comme un élément de base pour des
circuits (réseaux) capables de réaliser des fonctions logiques, arithmétiques et symboliques
complexes. En 1949 Hebb, physiologiste américain, propose une loi de modification des
propriétés des connexions entre les neurones, qui explique en partie le conditionnement
pavlovien chez l’animal [52].
Les premiers succès de cette méthode fut présentés par Rosenblatt en 1957 qui a construit
le premier neuro-ordinateur basé sur le modèle du Perceptron et la appliqué au domaine de la
reconnaissance des formes. En 1960 Widrow un automaticien, a développé le modèle Adaline
qui a amélioré la loi d’apprentissage [58].
Quand Minsky et Papert publièrent en 1969 leur ouvrage qui met en exergue les
limitations théoriques du perceptron, il y a eu abandon financier des recherches dans le
domaine, les chercheurs se tournèrent principalement vers l’IA et les systèmes à bases de
règles [59]. Seuls quelques chercheurs ont continué leurs efforts parmi lesquels on note Teuvo
Kohonen, Stephen Grossberg, James Anderson et Kunihiko Fukushima.
En 1982 Hopfield, un physicien reconnu à qui l’on doit le renouveau d’intérêt pour les
RNA [60] au travers d’un article court, clair et bien écrit, présente une théorie du
fonctionnement et des possibilités des réseaux de neurones. Hopfield fixe préalablement le
comportement à atteindre pour son modèle et construit à partir de là, la structure et la loi
58
d’apprentissage correspondant au résultat escompté. Ce modèle est aujourd’hui encore très

utilisé pour des problèmes d’optimisation. Notons qu’à cette date, l’IA est l’objet d’une
certaine désillusion, elle n’a pas répondu à toutes les attentes et s’est même heurtée à de
sérieuses limitations. Aussi, bien que les limitations du Perceptron mises en avant par Minsky
ne soient pas levées par le modèle d’Hopfield, les recherches sont relancées.
La machine de Boltzmann (1983) est le premier modèle connu apte à traiter de manière
satisfaisante les limitations recensées dans le cas du perceptron. Mais l’utilisation pratique
s’avère difficile, la convergence de l’algorithme étant extrêmement longue (les temps de
calcul sont considérables) [61].
En 1985 la rétropropagation de gradient apparaît. C’est un algorithme d’apprentissage
adapté aux réseaux de neurones multicouches. A partir de cette découverte, nous avons la
possibilité de réaliser une fonction non linéaire d’entrée/sortie sur un réseau en décomposant
cette fonction en une suite d’étapes linéairement séparables [52]. De nos jours, les réseaux
multicouches et la rétropropagation de gradient restent le modèle le plus étudié et le plus
productif au niveau des applications.
Et depuis les réseaux neuronaux ont connu un grand essor vu les applications potentielles
et la disponibilité de grands calculateurs. En fait les réseaux de neurones sont utilisés dans de
nombreux domaines à cause de leurs propriétés, en particulier, leur capacité d’apprentissage
et de généralisation.
Néanmoins les RNA ont besoin de cas réels servant d’exemples pour leur apprentissage.
Ces cas doivent être d’autant plus nombreux que le problème est complexe et que sa topologie
est peu structurée. Sur un plan pratique, cela n’est pas toujours facile, car les exemples
peuvent être soit en quantité absolument limitée ou trop onéreuse à collecter en nombre
suffisant.
IV.3.4 Comportement du neurone artificiel
On distingue deux phases. La première est habituellement le calcul de la somme pondérée
des entrées (a) selon l’expression suivante [52] :
∑( ) ( )
À partir de cette valeur, une fonction de transfert calcule la valeur de l’état du neurone.
C’est cette valeur qui sera transmise aux neurones en aval. Il existe de nombreuses formes
possibles pour la fonction de transfert. Les plus courantes sont présentées sur la figure IV.4.
On remarquera qu’à la différence des neurones biologiques dont l’état est binaire, la plupart
des fonctions de transfert sont continues, offrant une infinité de valeurs possibles comprises
dans l’intervalle [0, +1] (ou [-1, +1]).
59
Fig. IV.4 : Différents types de fonctions de transfert pour le neurone artificiel

a : Fonction à seuil (S : la valeur du seuil) ; b : Linéaire par morceaux ; c : Sigmoïde.
Nous constatons que les équations décrivant le comportement des neurones artificiels
n’introduisent pas la notion de temps. En effet, et c’est le cas pour la plupart des modèles
actuels de réseaux de neurones, nous avons affaire à des modèles à temps discret, synchrone,
dont le comportement des composants ne varie pas dans le temps.
IV.4 Structure d’interconnexion des RNA
Les connexions entre les neurones qui composent le réseau décrivent la topologie du
modèle. Elle peut être quelconque, mais le plus souvent il est possible de distinguer une
certaine régularité [52, 53].
IV.4.1 Réseau multicouche
Les neurones sont arrangés par couche. Il n’y a pas de connexion entre neurones d’une
même couche et les connexions ne se font qu’avec les neurones des couches avales (figure
IV.5). Habituellement, chaque neurone d’une couche est connecté à tous les neurones de la
couche suivante et celle-ci seulement. Ceci nous permet d’introduire la notion de sens de
parcours de l’information (de l’activation) au sein d’un réseau et donc définir les concepts de
neurone d’entrée, neurone de sortie. Par extension, on appelle couche d’entrée l’ensemble des
neurones d’entrée, couche de sortie l’ensemble des neurones de sortie. Les couches
intermédiaires n’ayant aucun contact avec l’extérieur sont appelées couches cachées.
Fig. IV.5 : Réseau multicouche classique [62, 63]
60
IV.4.2 Réseau à connexions locales

Il s’agit d’une structure multicouche, mais qui à l’image de la rétine, conserve une
certaine topologie. Chaque neurone entretien des relations avec un nombre réduit et localisé
de neurones de la couche avale (figure IV.6). Les connexions sont donc moins nombreuses
que dans le cas d’un réseau multicouche classique.
Fig. IV.6 : Réseau à connexions locales [62, 63]
IV.4.3 Réseau à connexions récurrentes

Un réseau de ce type signifie qu’une ou plusieurs sorties de neurones d’une couche aval
sont connectées aux entrées des neurones de la couche amont ou de la même couche. Ces
connexions récurrentes ramènent l’information en arrière par rapport au sens de propagation
défini dans un réseau multicouche.
Les réseaux à connexions récurrentes sont des réseaux plus puissants, car ils sont
séquentiels plutôt que combinatoires comme l’étaient ceux décrits précédemment (figure
IV.7). La rétroaction de la sortie vers l’entrée permet à un réseau de ce type de présenter un
comportement temporel.
Fig. IV.7 : Réseau à connexions récurrentes [62, 63]
IV.4.4 Réseau à connexions complexes

Chaque neurone est connecté à tous les neurones du réseau y compris lui-même, c’est la
structure d’interconnexion la plus générale.
61
Fig. IV.8 : Réseau à connexions complexes [62, 63]
IV.5 Architecture des RNA

L’architecture d’un réseau de neurones définit son fonctionnement et joue un rôle
important dans son comportement. Elle est en fonction de ses couches et de la structure des
connexions de ses neurones ; ces paramètres permettent de distinguer les différentes classes
et/ou types d’architecture neuronales [51].
IV.5.1 Réseaux statiques
Ce type de réseaux est organisé généralement en couches de neurones. Chaque neurone
d’une couche reçoit ses entrées à partir des neurones de la couche précédente ou tout
simplement de l’entrée du réseau. Dans tels réseaux il n’existe pas de feed-back (boucles de
retour d’informations). Le traitement des données se fait en sens unique et le flux
d’informations circule directement de la couche d’entrée à la couche de sortie ; le traitement
est donc réalisé en boucle ouverte.
Ces réseaux peuvent être utilisés pour les problèmes de classification ou d’approximation
des fonctions.
IV.5.2 Réseaux dynamiques
Les réseaux dynamiques ou bien récurrents, sont les réseaux pouvant comporter des
boucles (feed-back) entre les neurones. En général, la sortie de chaque neurone peut être
envoyée vers l’entrée de tous les autres neurones du réseau. Ainsi, ces boucles ramènent
l’information en provenance de la couche de sortie sur la couche d’entrée simultanément avec
le signal d’entrée présent au même instant.
Un réseau dynamique peut donner une sortie différente en lui présentant la même entrée à
des instants différents, contrairement aux réseaux statiques qui donnent la même sortie pour
une même entrée.
Au début, ces réseaux étaient souvent utilisés pour les problèmes de classification et de
mémorisation. Actuellement, dans plusieurs travaux la structure interne dynamique de ces
réseaux est exploitée pour l’identification ou la commande des systèmes dynamiques.
62
IV.5.3 Réseaux auto-organisés

Les réseaux de neurones auto-organisés sont des réseaux qui changent leurs structures
internes pendant l’apprentissage. Ainsi les neurones se regroupent topologiquement suivant la
représentation des exemples. Ces réseaux sont des dérivées des modèles de Kohonen.
IV.6 Apprentissage des RNA
L’idée d’apprentissage dans les neurones biologiques a été avancée par Donald Hebb en
1949 [64]. Ce dernier propose l’existence d’un renforcement du lien entre deux neurones qui
sont activés en même temps. L’apprentissage est sans doute la propriété la plus intéressante
des réseaux neuronaux. On peut le définir comme un cycle d’évolution d’un réseau de
neurones durant lequel le comportement du réseau est modifié jusqu’à l’obtention du
comportement désiré. Il faut savoir aussi que l’apprentissage neuronal s’appuie sur des
exemples de comportement.
Dans la plupart des algorithmes modernes, les variables modifiées durant l’apprentissage
sont les poids des liens synaptiques. L’apprentissage est la modification des poids du réseau
dans le but d’accorder la réponse du réseau aux exemples et à l’expérience. À la fin de
l’apprentissage, les poids sont établis : c’est alors la phase d’utilisation. Certains modèles de
réseaux sont improprement désignés à apprentissage permanent. Dans ce cas il est vrai que
l’apprentissage ne s’arrête jamais, cependant on peut toujours distinguer une phase
d’apprentissage et une phase d’utilisation [51, 52, 62].
IV.6.1 Procédure d’apprentissage
En général, une procédure d’apprentissage se compose de quatre étapes principales :
 Initialisation de façon aléatoire des poids synaptiques ;
 Présentation des conditions et des données qui sert de base d’apprentissage ;
 Calcul de l’erreur commise et l’évaluation des performances ;
 Calcul de la correction à apporter au poids synaptique.
IV.6.2 Types d’apprentissage
On peut distinguer deux types d’apprentissages :
 Apprentissage supervisé : Cet apprentissage se fait en introduisant des couples
d’entrées et leurs sorties désirées, on détermine par la suite les performances du
réseau par l’intermédiaire d’un critère à optimiser.
 Apprentissage non supervisé : L’apprentissage non supervisé nécessite la présence
des entrées seulement. Il est basé seulement sur l’information locale existant au
niveau des neurones.
63
Statique
Architecture Dynamique
Évolutive, auto-organisée
Supervisé
Réseaux de
Apprentissage
Neurones
Non-Supervisé
Mémorisation, Classification
Fonction Filtrage, Complétion
Approximation, Optimisation
Fig. IV.9 : différentes possibilités de classification des réseaux de neurones
IV.7 Réseaux de neurones à apprentissage supervisé

Un apprentissage est dit supervisé lorsque l’on guide le réseau de neurones vers des
sorties désirées. Ce type d’apprentissage est réalisé à l’aide d’une base d’apprentissage,
constituée de plusieurs exemples de type entrées-sorties (les entrées du réseau et les sorties
désirées ou encore les solutions souhaitées pour l’ensemble des sorties du réseau). La
procédure usuelle dans le cadre de la prévision est l’apprentissage supervisé (ou à partir
d’exemples) qui consiste à associer une réponse spécifique désirée à chaque signal d’entrée.
La modification des poids s’effectue progressivement jusqu’à ce que l’erreur (ou l’écart) entre
les sorties du réseau (ou résultats calculés) et les résultats désirés sont minimisés. Cet
apprentissage n’est performant que si un large jeu de données est disponible et si les solutions
sont connues pour les exemples de la base d’apprentissage.
L’intérêt de cet apprentissage est de trouver des poids synaptiques optimaux afin de
ramener au réseau un comportement désiré à l’aide d’échantillons aléatoires.
On distingue deux approches. La première est basée seulement sur la validité de la
décision. Le superviseur n’a qu’à juger la décision du réseau si elle est correcte ou pas. Cette
approche permet la possibilité de classification de chaque exemple de l’espace d’entrée. La
deuxième approche concerne l’optimisation d’un critère appelé fonction coût. Elle traite en
général les problèmes d’approximation de fonctions [51].
IV.7.1 Perceptron multicouche
Le perceptron a été inventé en 1957 par Rosenblatt au Cornell Aeronautical Laboratory
[65], Dans cette première version le perceptron était alors monocouche et n’avait qu’une seule
sortie à laquelle toutes les entrées sont connectées. C’est un réseau statique capable de
modifier ses poids en fonction des exemples que l’on veut lui faire apprendre. L’information
circule dans un sens unique de la couche d’entrée vers la couche de sortie.
64
Fig. IV.10 : Structure d’entrainement d’un perceptron linéaire
Tous les réseaux qui traitent de la décision sont basés sur le perceptron. Dans le cas de
perceptron linéaire, l’activité du neurone est définie par l’équation linéaire suivante :
∑ ( )
Les représentent les entrées, le poids synaptique en provenance du neurone de

la couche d’entrée vers le neurone de sortie et un paramètre qui agit sur le seuil à la
sortie que nous avons appelé biais.
La sortie du réseau (perceptron) ( ) est définie par la fonction seuil :
( ) { ( )
L’adaptation des poids de ce réseau n’est autre qu’un cas particulier de l’application de la
méthode de descente du gradient que nous présenterons plus loin:
( ) ( ) ( ) ( )
Où: ( ) est la nouvelle valeur adaptée du poids.
Dans le cas de perceptron linéaire on a:
( ) ( ) ( ) ( )
( ( ) ( )) ( ) ( )
Où est le taux d’apprentissage; ( ) et ( ) sont l’entrée et la sortie du réseau, ( ) est
la sortie que nous désirons obtenir et ( ) l’erreur à la sortie à l’instant .
Le perceptron multicouche « Multilayer Perceptron MLP » est un classifieur linéaire, de
type réseau neuronal formel, organisé en plusieurs couches au sein desquelles une information
circule de la couche d’entrée vers la couche de sortie uniquement. Il s’agit donc d’un réseau
de type précompensation (feedforward). Chaque couche est constituée d’un nombre variable
de neurones, les neurones de la couche de sortie correspondant toujours aux sorties du
système.
65
IV.7.2 Perceptron multicouche à rétropropagation

Les premiers réseaux de neurones n’étaient pas capables de résoudre des problèmes non
linéaires; cette limitation fut supprimée au travers de la rétropropagation du gradient de
l’erreur dans les systèmes multicouches, proposé par Werbos en 1984 et mis au point deux
années plus tard, en 1986 par Rumelhart [66]. Le fait que ces réseaux soient non linéaires,
leurs architectures multicouches leur permettent de traiter des problèmes très complexes
surtout après la mise au point de l’algorithme d’apprentissage de la rétropropagation (Back-
propagation) en 1986.
Dans le perceptron multicouche à rétropropagation, les neurones d’une couche sont reliés
à la totalité des neurones des couches adjacentes. Ces liaisons sont soumises à un coefficient
altérant l’effet de l’information sur le neurone de destination. Ainsi, le poids de chacune de
ces liaisons est l’élément clef du fonctionnement du réseau: la mise en place d’un Perceptron
multicouche pour résoudre un problème passe donc par la détermination des meilleurs poids
applicables à chacune des connexions inter-neuronales. Ici, cette détermination s’effectue au
travers d’un algorithme de rétropropagation, dont l’architecture est donnée dans la figure
(IV.11).
Fig. IV.11 : Entraînement du réseau par rétropropagation de l’erreur
est la matrice de poids synaptiques liant l’entrée avec la couche cachée, et la

matrice de poids synaptique liant la couche cachée avec la sortie.
IV.7.2.1 Rétro-propagation avec Momentum
Actuellement, la rétropropagation est pratiquement toujours utilisée avec le Momentum.
Rumelhart a proposé une solution très efficace pour accélérer la convergence qui consiste à
utiliser les changements précédents des poids pour la réadaptation des poids actuels [51].
L’équation d’adaptation devient donc :
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
Le terme ajouté à l’équation (4.8) est appelé Momentum (élan, quantité de mouvement),
en analogie avec la mécanique classique, où un objet en mouvement garde l’impulsion
66
acquise grâce à la quantité de mouvement qui lui a été communiquée précédemment pour
accélérer son mouvement.
Le paramètre est utilisé pour pondérer l’effet de ce terme. Sa valeur est généralement
comprise entre 0.1 et 0.8. Des recherches plus poussées ont montré que l’adaptation de sa
valeur, comme c’est le cas pour le taux d’apprentissage, donne des résultats très intéressants.
L’utilisation de cette méthode permet de faire sortir les poids des minima locaux, afin de
chercher d’autres optimums, ce qui donne beaucoup de chances d’aboutir à un minimum
global. Le Momentum tend aussi à éviter les grands « sauts » pendant l’apprentissage, générés
par le changement de la pente dans la surface d’erreur.
IV.8 Intelligence en essaim
Un programme en IA a été modélisé du point de vue d’une personne indépendante et
unique, cela permet de voir ce que sera nos qualités comme étant des espèces, ainsi que notre
tendance associative. Si on veut modéliser l’intelligence humaine, alors ça peut être faisable
par la modélisation des individus dans un contexte social. Le comportement social permet aux
individus d’une espèce de s’adapter à leur environnement, surtout fournir les individus avec
plus d’information que leurs capacités sensorielles peuvent rassembler [67].
De même que pour les paradigmes évolutionnaires, l’intelligence en essaim (Swarm
intelligence) utilise « une population » de solutions candidate pour développer une solution
optimale au problème. Le degré d’optimalité est mesuré par une fonction fitness « aptitude »
définie par l’utilisateur.
L’intelligence en essaim, qui a des racines dans la vie artificielle et la psychologie sociale
tout comme l’engineering et l’informatique, diffère des méthodes de calcul évolutionnaire de
façon que les membres de la population appelés « particules », sont dispersés dans l’espace du
problème.
IV.8.1 Optimisation par essaim particulaire (OEP)
L’OEP a été proposée par Kennedy et Eberhart en 1995 [68]. Elle s’inspire du
comportement social des animaux évoluant en essaim, tels que les nuées d’oiseaux, les bancs
de poissons, etc. Ses deux concepteurs cherchaient à modéliser des interactions sociales entre
des « agents » devant atteindre un objectif donné dans un espace de recherche commun.
Chaque agent ayant une certaine capacité de mémorisation et de traitement de l’information.
La règle de base était qu’il ne devait y avoir aucun chef d’orchestre, ni même aucune
connaissance par les agents de l’ensemble des informations, seulement des connaissances
locales. Un modèle simple fut alors élaboré.
Dès les premières simulations, le comportement collectif de ces agents évoquait celui
d’un essaim d’êtres vivants convergeant parfois en plusieurs sous essaims vers des sites
intéressants. Ce comportement se retrouve dans bien d’autres modèles, explicitement inspirés
des systèmes naturels. La métaphore la plus pertinente est probablement celle de l’essaim
67
d’abeilles, particulièrement du fait qu’une abeille ayant trouvé un site prometteur sait en
informer certaines de ses consœurs et que celles-ci vont tenir compte de cette information
pour leur prochain déplacement. Finalement, le modèle s’est révélé être trop simple pour
vraiment simuler un comportement social, mais par contre très efficace en tant qu’outil
d’optimisation. Comme nous allons le voir, le fonctionnement de l’OEP fait qu’elle peut être
rangée parmis les méthodes itératives « on approche peu à peu de la solution » et
stochastiques « on fait appel au hasard » [67].
IV.8.1.1 Description informelle
L’algorithme OEP peut être décrit en se plaçant du point de vue d’une Particule. Au
départ de l’algorithme, un essaim est réparti au hasard dans l’espace de Recherche, chaque
particule ayant également une vitesse aléatoire. Ensuite, à chaque pas de temps:
 Chaque particule est capable d’évaluer la qualité de sa position et de garder en
mémoire sa meilleure performance, c’est-à-dire la meilleure position qu’elle a atteinte
jusqu’ici (qui peut en fait être parfois la position courante) et sa qualité (la valeur en
cette Position de la fonction à optimiser).
 Chaque particule est capable d’interroger un certain nombre de ses congénères (ses
informatrices, dont elle-même) et d’obtenir de chacune d’entre elles sa propre
meilleure performance (et la qualité afférente).
 à chaque pas de temps, chaque particule choisit la meilleure des meilleures
performances dont elle a connaissance, modifie sa vitesse en fonction de cette
information et de ses propres données et se déplace en conséquence.
La figure (IV.12) illustre la stratégie de déplacement d’une particule.
Pour réaliser son prochain Mouvement, chaque particule combine trois tendances: suivre
sa vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance
de ses informatrices. Une fois la meilleure informatrice détectée, la modification de la vitesse
est une simple combinaison linéaire de trois tendances, à l’aide de coefficients de confiance :
Fig. IV.12: Déplacement d’une particule [69]
 La tendance « aventureuse », consistant à continuer selon la vitesse actuelle ;
68
 La tendance « conservatrice », ramenant plus ou moins vers la meilleure position déjà

trouvée ;
 La tendance « panurgienne », orientant approximativement vers la meilleure inform-
atrice.
Les termes « plus ou moins » ou « approximativement » font référence au fait que le
hasard joue un rôle, grâce à une modification aléatoire limitée des coefficients de confiance,
ce qui favorise l’exploration de l’espace de recherche [67]. La figure (IV.13) présente un
schéma de principe résumant les explications ci-dessus.
Fig. IV.13: Règles simples d’application locale utilisées dans un essaim de particules
Où : I est l’optimum de l’individu ;

P est l’optimum de la population ;
+ est l’optimum absolu.
IV.8.1.2 Voisinage
Le voisinage constitue la structure du réseau social. Les particules à l’intérieur d’un
voisinage communiquent entre elles. Différents voisinages ont été étudiés [67] :
 Topologie en étoile: le réseau social est complet, chaque particule est attirée vers la
meilleure particule notée et communique avec les autres (figure IV.14).
Fig. IV.14: Voisinage étoile

 Topologie en anneau: chaque particule communique avec ( ) voisines
immédiates. Chaque particule tend à se déplacer vers la meilleure dans son voisinage
local notée (figure IV.15).
69
Fig. IV.15: Voisinage anneau

 Topologie en rayon: une particule « centrale » est connectée à toutes les autres. Seule
cette particule centrale ajuste sa position vers la meilleure, si cela provoque une
amélioration l’information est propagée aux autres (figure IV.16).
Fig. IV.16: Voisinage rayon

Le choix de la topologie de voisinage a un grand effet sur la propagation de la meilleure
solution trouvée par l’essaim. En utilisant le modèle la propagation est très rapide (c.-à-
d. toutes les particules dans l’essaim seront affectées par la meilleure solution trouvée dans
l’itération , immédiatement dans l’itération ). Cependant, en utilisant les topologies
anneau et rayon ça ralentira la convergence parce que la meilleure solution trouvée doit se
propager par plusieurs voisinages avant d’affecter toutes les particules dans l’essaim. Cette
propagation lente permettra aux particules d’explorer plus les secteurs dans la recherche
espaçant et diminuant ainsi la chance de la convergence.
IV.8.2 Algorithme OEP
Dans un système OEP, un essaim d’individus (particules) volent dans l’espace de
recherche. Chaque particule représente une solution potentielle au problème d’optimisation.
La position d’une particule est influencée par la meilleure position visitée par elle-même (c.-
à-d. ses propres expériences) et la position de la meilleure particule dans son voisinage (c.-à-
d. l’expérience des particules voisines). Quand le voisinage d’une particule est l’essaim entier,
la meilleure position dans le voisinage exprime la meilleure particule globale, et l’algorithme
résultant est désigné sous le nom d’un OEP . Si le voisinage est petit l’algorithme est
généralement connu sous le nom d’un OEP [67].
70
Dans un espace de recherche de dimension , la particule de l’essaim est modélisée par

son vecteur position ⃗ ( ) et par son vecteur vitesse ⃗ ( ) , en
désignant par la transposée d’une matrice . La qualité de sa position est déterminée par la
valeur de la fonction objective en ce point. Cette particule garde en mémoire la meilleure
position par laquelle elle est déjà passée, que l’on note ⃗ ( ) . La meilleure
position atteinte par ses particules voisines est notée ⃗ ( ) . Au temps , le
vecteur vitesse est calculé à partir de l’équation (4.9) [69]. Le déplacement d’une particule est
influencé par trois composantes:
 Une composante d’inertie: la particule tend à suivre sa direction courante de
déplacement ;
 Une composante cognitive: la particule tend à se fier à sa propre expérience et, ainsi, à
se diriger vers le meilleur site par lequel elle est déjà passée ;
 Une composante sociale: la particule tend à se fier à l’expérience de ses congénères et,
ainsi, à se diriger vers le meilleur site déjà atteint collectivement par l’essaim.
( ) ( ) . ( ) ( )/ . ( ) ( )/ * + ( )
Où est en général une constante, appelée coefficient d’inertie ; et sont deux

constantes, appelés coefficients d’accélération ; et sont deux nombres aléatoires tirés
uniformément dans , -, à chaque itération et pour chaque dimension.
Il est à noter que le terme « vitesse » est ici abusif, car les vecteurs ⃗ ne sont pas
homogènes à une vitesse. Cependant, pour respecter l’analogie avec le monde animal, les
auteurs ont préféré utiliser ce terme.
Dans l’équation précédente, ( ) correspond à la composante d’inertie du déplacement.
Le paramètre contrôle l’influence de la direction de déplacement sur le déplacement futur.
L’expression . ( ) ( )/ correspond à la composante cognitive du déplacement. Le
paramètre contrôle le comportement cognitif de la particule. L’expression . ( )
( )/ correspond à la composante sociale du déplacement. Le paramètre contrôle

l’aptitude sociale de la particule.
La combinaison des paramètres , et permet de régler l’équilibre entre les phases
de diversification et d’intensification du processus de recherche. Clerc et Kennedy en 2002
ont démontré qu’une bonne convergence peut être obtenue en rendant dépendants ces
paramètres. L’utilisation d’un facteur de constriction permet de prévenir la divergence de
l’essaim. L’équation (4.9) devient alors [69] :
( ) ( ( ) . ( ) ( )/ . ( ) ( )/) * + ( )
71
Avec:
( )
√
La position au temps de la particule est alors définie par (IV.12):

( ) ( ) ( ) * + ( )
Les différentes étapes de l’OEP sont présentées dans les deux algorithmes (C.1 et C.2)
dans l’annexe C.
IV.9 Réseau de neurones optimisé par essaim de particules
Le réseau de neurones RNA optimisé par un algorithme d’essaim de particules est appelé
aussi un algorithme PSO-ANN (Particle swarm optimization-based artificial neural network).
Cet algorithme prend les poids et les biais du réseau de neurones entrainé comme une seule
particule [70].
Fig. IV.17 : Logigramme pour les réseaux de neurones optimisés par OEP [71]
72
On peut décrire l’idée fondamentale de la méthode RNA-OEP en expliquant mieux le

logigramme (IV.17) selon les étapes suivantes :
 Étape 1 : Normaliser la base de données (les données expérimentales) de
l’entrainement ainsi que celle du test.
 Étape 2 : Initialiser aléatoirement un groupe de m particules en incluant les positions
et la vitesse.
 Étape 3 : Calculer la valeur de la « fitness » de chaque particule et mettre à jour les
valeurs des poids et biais de chaque neurone en utilisant la valeur gbest.
 Étape 4 : Mettre à jour la vitesse et la position des particules
 Étape 5 : Si la condition d’arrêt n’est pas satisfaite, revenir à l’étape 2 sinon passer à
l’étape 6.
 Étape 6 : Mettre les poids et les biais à jour.
 Étape 7 : Normaliser les résultats de la prédiction.
IV.10 Prédiction
La prédiction numérique consiste à prédire des valeurs qui caractérisent les données
d’entrée. La méthode la plus largement utilisée pour la prévision numérique (ci-après
dénommée prédiction) est la régression. C’est une méthode statistique qui a été développée
par Galton en 1886. En fait, de nombreuses études ont utilisé les termes « régression » et
« prédiction numérique » comme synonymes. Cependant, comme nous l’avons vu, certaines
techniques de classification (telles que les réseaux de neurones artificiels, l’intelligence en
essaim, etc.) peuvent être adaptées pour la prédiction [50]. Dans cette section, nous présentons
la technique de régression linéaire et la méthodologie qui leur est associée pour la prédiction.
L’analyse par régression peut être utilisée pour modéliser la relation entre une ou
plusieurs variables indépendantes. Dans le cadre de l’exploration de données, les variables
explicatives sont les attributs intéressants décrivant l’ensemble de données (qui constituent le
vecteur d’attributs). En général, les valeurs des variables prédictives sont connues. Étant
donné un ensemble de données décrit par des variables prédictives, on veut prédire la valeur
associée à la variable « réponse » à partir d’un ensemble de données décrit par des variables
prédictives.
IV.10.1 Régression linéaire
La régression linéaire comprend une variable de réponse qui est fonction d’une variable
prédictive unique . Il s’agit de la forme la plus simple de la régression. La variable est
modélisée comme une fonction linéaire de :
( )
73
La variance de est supposée être constante et et sont des coefficients de régression

spécifiant l’ordonnée à l’origine et la pente de la droite, respectivement (figure IV.18). Les
coefficients de régression et peuvent également être considérés comme des poids et des
biais. Nous pouvons alors écrire de façon équivalente:
( )
Fig. IV.18 : Régression par une ligne droite [50]

Ces coefficients peuvent être calculés par la méthode des moindres carrés qui estime les
coefficients et comme ceux qui minimisent l’erreur entre les données réelles et la
droite modèle.
Soit un ensemble d’apprentissage ayant les valeurs de la variable prédictive d’une
population et leurs valeurs associées pour la variable réponse . L’ensemble d’apprentissage
contient points de données de la forme ( ),( ) ,…, ( ). Les coefficients de
régression peuvent être estimés à l’aide des équations :
∑ ( )( )
( )
∑ ( )
Et
( )
Où est la valeur moyenne de ( ) ; et est la valeur moyenne de

( ). Les coefficients et fournissent souvent de bonnes approximations
pour les équations de régression non complexes.
La régression linéaire multiple est une extension de la régression linéaire afin d’impliquer
plus d’une variable prédictive. Elle permet de modéliser la variable réponse comme une
fonction linéaire de variables prédictives où des attributs ; ( ) décrivent un
ensemble de données ( ). L’ensemble d’apprentissage contient les
données de la forme (( )( ) ( )) ; où sont les ensembles
74
d’apprentissage à dimensions avec des étiquettes de classe associées . Un exemple d’un

modèle de régression linéaire multiple fondé sur deux attributs et est:
( )
Où et sont les valeurs d’attributs et respectivement. La méthode des
moindres carrés peut être étendue pour calculer , et . Cependant, les équations
deviennent longues et fastidieuses à résoudre analytiquement.
IV.11 Conclusion
Dans ce chapitre, nous avons étudié la possibilité de prédire le comportement en fatigue
des matériaux composites utilisés dans la conception des pales d’éoliennes. Il s’agissait d’une
problématique de régression, ce qui nous a poussé à utiliser les méthodes de régression basées
sur l’apprentissage statique (les réseaux de neurones, l’intelligence en essaim).
A travers la section (IV.3), nous avons cité les différentes architectures des réseaux de
neurones et les classer selon leur apprentissage « supervisé et non supervisé ».
Afin de pouvoir traiter notre problématique de régression, nous nous sommes concentrés
beaucoup plus sur les apprentissages supervisés tout en étudiant les perceptrons multicouches
à rétropropagation. L’optimisation par essaim particulaire OEP que nous avons appliqué dans
cette thèse a été décrite dans la sous-section (IV.8.1), ainsi que son algorithme et ses
paramètres. Puis, dans la section (IV.9), nous avons montré l’optimisation du réseau de
neurones à base d’essaim particulaire (RNA-OEP) en tant qu’algorithme d’entrainement de
notre réseau en expliquant les étapes fondamentales de déroulement de ce dernier.
À travers la section (IV.10), nous avons défini la méthode de prédiction numérique qui
consiste à prévoir des valeurs qui caractérisent les données d’entrée, et à effectuer une
modification des poids jusqu’à ce que l’erreur entre les sorties du réseau et les résultats
désirés soit minimisée.
L’utilisation des méthodes d’apprentissage artificiel pour l’estimation de la durée de vie
en fatigue nécessite une centaine de tests sur des éprouvettes, et cela induit un coût important.
Pour cette raison, dans le chapitre (V) nous étudierons l’estimation de la durée de vie restante
des pales d’éoliennes, en modélisant la tenue en fatigue de différents matériaux composites
destinés à leur conception.
75
Chapitre V
Prédiction de la fatigue des pales
d’éoliennes
V.1 Introduction
Dans un système éolien, les pales sont l’une des composantes les plus critiques. Elles
captent l’énergie du vent et la convertissent en une énergie mécanique pour la production
d’énergie électrique. Cependant, lorsque les pales sont défectueuses, le rendement d’énergie
de la turbine sera affecté de manière significative. Par conséquent, les défaillances des pales
ont un impact profond sur le coût de l’énergie (réparation, maintenance…). Amélioration de
la fiabilité de la pale d’éolienne est d’une grande importance pour l’autonomisation des
éoliennes et leur rendement économique.
Comme la pale est un élément structurel essentiel dans l’éolienne, elle doit donc être
conçue structurellement forte afin de supporter les différentes charges auxquelles elle peut
être exposée [72]. L’efficacité de l’éolienne dépend essentiellement du matériau de la pale, la
forme et l’angle. Par conséquent, les matériaux des pales d’éoliennes jouent un rôle
primordial dans cette industrie. Ces derniers doivent avoir une grande rigidité, faible densité
et longue durée de vie en fatigue [73].
76
Chapitre V Prédiction de la fatigue des pales d’éoliennes
Fig. V.1 : Vue de dessus d’un segment (AOC 15/50) d’une pale d’éolienne [74, 75]
Dans l’industrie moderne des pales d’éoliennes, les matériaux composites à base de fibres
occupent une place prépondérante (95 %) [76]. En effet, ces matériaux présentent des
avantages attractifs résidant principalement dans les bonnes caractéristiques mécaniques en
termes de rigidité et de résistance spécifiques. Cette dernière se caractérise par la protection
de l’environnement et de la santé dans toutes les étapes de conception, et ce, aux côtés de
critères classiques tels que : le coût, la qualité, la faisabilité technique et les attentes du
marché de la pale d’éolienne. Cependant, plusieurs propriétés clés sont dominées par la
matrice de résine, y compris la fatigue [77, 78] qui est un mode de défaillance dominant dans
les structures en matériaux composites, ce qui conduit à la rupture de l’intégrité structurale
dans le bord de fuite, les espars et le bord d’attaque comme le montre dans la figure (V.1).
Les réseaux de neurones artificiels (RNA) ont révélé être utile pour diverses applications
d’ingénierie. En raison de leur structure massivement parallèle, ils peuvent faire face à de
nombreux problèmes non linéaires et multivariables, pour lesquels une solution analytique
précise est difficile à obtenir.
Al-Assadi et al. dans [79, 80] ont conclu que les RNA pourraient modéliser le
comportement statique et cyclique des matériaux composites, contrôler les paramètres de
fabrication pour leur usinage, ainsi qu’ils peuvent même prédire leurs propriétés d’usure. En
outre, le système peut être considéré comme une boîte noire qui rend la connaissance de son
comportement interne nécessaire à la plupart des utilisateurs.
Pleune et Chopra [81] ont entrainé un réseau de neurones à rétropropagation afin de
prédire la durée de vie en fatigue des aciers de carbone pour un ensemble de données
spécifiques de contraintes et des conditions environnementales sévères. Ils ont montré que les
RNA ont un grand potentiel de prédiction de la corrosion de l’environnement. Un autre
avantage est que les RNA pourraient interpoler les effets par les tendances et les modes
d’apprentissage lorsque l’ensemble de données est insuffisant.
Venkatesh et rack [82] ont également entrainé un réseau de neurones à rétropropagation
afin de prédire l’élévation de la température au fluage-fatigue d’un alliage à base de Ni
INCONEL 690. Ils ont conclu que la précision de la prédiction dépend fortement du nombre
77
d’itérations et de l’architecture du réseau, et cela montrent une amélioration significative des

résultats.
Les composites à renforts de fibres carbone/verre ont été utilisés par Lee et al. [83] afin
d’évaluer les performances des RNA et prédire une éventuelle rupture par fatigue des
stratifiés sous divers rapports de contraintes. Ainsi, ils ont utilisé les valeurs maximales et
minimales de la contrainte et le niveau de la probabilité de défaillance comme des paramètres
d’entrée du RNA tout en obtenant le nombre de cycles à la rupture.
V.2 Effet d’environnement sur la fatigue des pales d’éoliennes
Les effets environnementaux sur les matériaux composites doivent être pris en compte au
début de la conception des pales d’éoliennes, sinon les échecs et les itérations de conception
se révéleront une perte de temps, d’énergie et d’argent. La température et l’humidité sont les
plus importants facteurs de dégradation d’une pale d’éolienne, à prendre en considération au
cours de sa conception ; elles affecteront en premier lieu la matrice en résine, et
éventuellement l’interface.
Le but de cette première section est d’identifier les résines qui ont une bonne résistance à
la température/humidité tout en offrant une meilleure tenue en fatigue. Les résines étudiées
sont des polymères thermodurcissables y compris : les polyesters insaturés et les vinylester.
Ils sont tout à la fois appropriés aux pales d’éoliennes en termes de coût et de faible viscosité
pour un traitement ductile par "moulage par transfert de résine (RTM)".
Les réseaux de neurones utilisés dans cette partie ont pour but de prédire la tenue en
fatigue des matériaux composites des pales d’éoliennes sous l’effet de l’environnement, et
dans des conditions extrêmes (sèches/humides). Les échantillons utilisés pour ce procédé ont
été testés dans des températures d’air de 20 °C et 50 °C.
V.2.1 Hygro-thermo-mécanique des pales d’éolienne
L’état du problème, illustré par la figure (V.2), est du type hygro-thermo-mécanique, car
la structure de la pale est supposée soumise à trois types de sollicitations d’origine :
 mécanique (forces de rafale, tempêtes...) ;
 thermique (variation de la température) ;
 hygrométrique (variation de l’humidité).
Les équations constitutives gouvernant le comportement hygro-thermo-mécanique d’un
composite stratifié (faces extrados et intrados) sans prise en compte du cisaillement
transverse, sont exprimées d’après [38, 39] par la forme matricielle compacte suivante:
78
Fig. V.2 : Pale soumise à un chargement de type hygro-thermo-mécanique
{ } [ ]{ } { } { } ( )
Où représentent respectivement les variations de la température et de

l’humidité.
Viennent ensuite les méthodes numériques consistant à simuler la pale à travers un
modèle numérique qui sera résolu par la méthode des éléments finis (MEF). L’élaboration
d’un tel modèle n’est pas toujours simple étant donné la forme complexe de la pale,
l’anisotropie du matériau, le type de chargement et le degré de précision.
Après cette analyse, il s’avère nécessaire de renforcer la section de la pale par des
raidisseurs longitudinaux. Dans ces conditions, une étude préliminaire doit être entreprise afin
de déterminer le nombre de raidisseurs adéquats ainsi que leur position par rapport au bord
d’attaque.
V.2.2 Comportement du gelcoat aux contraintes climatiques
Les éoliennes implantées en mer (offshore) et sur terre (onshore) sont exposées, selon la
climatologie de la région, à des contraintes d’ordre climatique telles que les variations de
température, d’humidité et les grains de sable liés aux tempêtes. Ces phénomènes naturels
peuvent facilement endommager la peau de la pale (gelcoat) [38]. Cependant, une pale
d’éolienne en matériaux composites est hautement durable si la couche du gelcoat qui la
protège du milieu extérieur présente de bonnes caractéristiques physico-chimiques (bon
module d’élasticité, bon allongement à la rupture, résistance au sablage, épaisseur adéquate,
absence de porosité...).
Le mauvais choix de ces caractéristiques peut engendrer à court et/ou à long terme des
risques de formation de cloques, de création de petites cavités, d’apparition de fissures et
craquelures, engendrant ainsi un isolement du stratifié du milieu extérieur et facilitant le
contact avec les phénomènes naturels (givrage, variation de la température, contact avec l’eau
de mer et de pluie, tempêtes de sable, etc..). Ces risques peuvent être considérés comme les
premiers facteurs accélérant la dégradation, le vieillissement et la réduction de la durée de vie
d’une pale d’éolienne. Néanmoins, lors du processus de conception, une étude sur le
comportement du gel-coat aux phénomènes climatiques ainsi qu’aux sollicitations d’origine
79
hygro-thermo-mécanique doit faire l’objet d’une étude particulière afin de prédire les effets
indésirables à court et/ou à long terme.
V.2.3 Procédure expérimentale et échantillons
La phase expérimentale a été réalisée par les laboratoires nationaux de SANDIA sur la
fatigue des matériaux composites des pales d’éoliennes, et se trouve sous forme d’une base de
données sur leur site internet [84]. Le tableau (V.1) présente les types, les sources de résine et
de renforcement utilisés au cours du processus de fabrication. Tous ces matériaux présentés
dans ce tableau ont été traité par « moulage par transfert de résine RTM » dans des moules
fermés, y compris les échantillons de résine pure (sans renforcement), qui ont été moulés dans
leur forme définitive « Os de chien ou dogbone en Anglais » sans usinage.
Tab. V.1 : Différentes résines étudiées
STRATIFIÉ MATRICES DE RÉSINE

Séquence Volume
Dénomination
Nomenclature d’empilem de fibre Résine Description Fournisseur
commerciale
ent (%)
Ortho- CoRezyn 63-
Orthophtalique
polyester AX-051 Interplastics
MD-DD5P-UP2 [0/±45/0]S 35-36
Iso- CoRezyn 75- Corporation
Isophthalique
polyester AQ-010
Vinyl
Derakane 411C-
ester 411C- Non modifié
50 Dow
MD-DD5P-VE [0/±45/0]S 35-36 50
Chemical
Vinyl
Caoutchouc durci Derakane 8084
ester 8084
TISSU EN FIBRE
Tissu en fibre Poids surfacique
Orientation Type Fournisseur
de verre (g/m2)
0 ° Tissus Owens Corning
Knytex D155 Cousu unidirectionnel 527
unidirectionnels fabrics
Owens Corning
Knytex DB120 ±45 Tissus biais, cousus 393
fabrics
V.2.3.1 Renfort en verre

Le renforcement au cours des expériences est un tissu de verre classe « E » fourni par
Owens-Corning (Knytex). Il existe deux types de tissus utilisés dans la préparation des
échantillons [85]: Les couches de 0° (par rapport à la direction de charge) ont été renforcées
avec cousu D155 de tissu unidirectionnel ; les couches de degré 45 ont été renforcées avec
cousu DB120 de tissus diagonaux. Toutes les fibres incluses ont un usage général à base de
silane qui est compatible avec tous les types de résines utilisées. D’autres détails des tissus et
de renfort peuvent être trouvés dans la référence [86].
V.2.3.2 Matrice en résine
Quatre types de résines sont comparés dans cette section, qui représente les résines
potentielles pour la conception des pales d’éoliennes en termes de coût et d’aptitude à
80
transfert de résine (faible viscosité). Des résines polymères thermodurcissables y compris des
polyesters et des vinylesters ont été étudiées:
 CoRezyn orthophtalique polyester insaturé (63-AX-051), fourni par Interplastics
Corporation. La résine a été durcie par addition de 1,5 % de peroxyde de
Méthyléthylcétone (MEKP) [87]. Cette résine est la résine primaire utilisée dans la
base de données de fatigue de DOE/MSU [84]. Ainsi, elle est la résine la plus
économique, et sert de référence à laquelle les autres résines sont comparées [88].
 CoRezyn isophtalique polyester insaturé (75-AQ-010) fourni par Interplastics
Corporation, durcie avec 1,5 % de peroxyde de Méthyléthylcétone (MEKP).
 Derakane 411C-50 vinylester, fourni par Dow Chemical, traité avec 2 % de
Trigomox 239A comme catalyseur [89].
 Derakane 8084 vinylester caoutchouc-durci, fourni par Dow Chemical Company. Le
Naphténate de Cobalt -6 % (CoNap) est ajouté en tant que promoteur, et 2 %
Trigomox 239A est ajouté comme catalyseur [89].
V.2.3.3 Préparation des échantillons et géométries
Peaux composites raidies sont une structure d’ingénierie largement utilisée. Outre
l’application en cours dans les pales d’éoliennes, les structures du raidisseur de peau sont
utilisées dans presque tous les designs de fuselage d’aéronefs (Fig. V.3a). Un mode de
défaillance primaire pour ces régions est le délaminage [90]. Ceci est dû à un certain nombre
de facteurs liés aux propriétés des matériaux, méthodologie de conception et les directions de
transfert de charge.
Une fois les plaques fabriquées et onglées, les échantillons peuvent être coupés. La
géométrie de l’échantillon (Fig. V.3b) peut fortement affecter les résultats expérimentaux et il
est important de décider lequel utiliser pour les essais [91]. Tous les échantillons ont été
préparés en utilisant le moulage par transfert de résine (RTM). Les tissus ont été coupés par
un couteau roulant et empilés dans le moule suivant la séquence d’empilement « lay-up »
donnée dans chaque cas.
Fig. V.3a : Test de fatigue typique d’une peau- Fig. V.3b : Géométrie et dimensions d’un T-
raidisseur [90, 92] échantillon peau-raidisseur [90, 92]
81
La résine spécifique mélangée à un catalyseur correspondant est transférée dans la cavité

du moule à l’aide d’un système RTM 2100 de Radius Engineering Incorporation ou une
pompe péristaltique de Cole Parmer Co (modèle 7553) [78] ; le choix de l’équipement dépend
de la taille de la plaque et le processus de durcissement.
V.2.3.4 Conditionnement environnemental
Tous les échantillons ont été usinés à partir des plaques en utilisant une scie à diamant
refroidie à l’eau ; leurs bords ont été poncés avant le conditionnement. Des échantillons secs
ont été stockés dans l’air ambiant du laboratoire, qui est défini comme une température
ambiante de l’ordre de 23 °C avec une faible humilité [78]. D’autres échantillons secs ont été
stockés également dans l’étuve à 50 °C qu’ils sont définis comme « 50 °C sec ». De plus, les
échantillons humides ont été emmagasinés dans un récipient en plastique d’eau distillée à
50 °C dans une étuve ; cela est défini comme « 50 °C humide » [93].
V.2.4 Réseaux de neurones artificiels
Au cours des dernières années, les RNA ont trouvé leur application dans le domaine de la
fatigue pour divers usages. Ils peuvent être classés comme réseau de neurones feed-forward
ou non-bouclés en fonction du traitement des données à travers le réseau. Selon les règles
d’apprentissage, ils peuvent être classés comme supervisés ou non supervisés [94].
En général, les RNA feed-forward sont constitués d’une couche de neurones d’entrée,
une couche de neurones de sortie et une ou plusieurs couches de neurones cachées [95, 96].
Habituellement, ces réseaux sont entièrement connectés, ce qui signifie qu’un neurone dans
une couche quelconque du réseau est connecté à tous les neurones de la couche précédente.
Chaque neurone dans les couches cachées et de sortie suit le modèle général d’un neurone
[80]. Le signal d’entrée se propage à travers le réseau dans une direction vers l’avant, sur une
base « couche par couche ». Diverses fonctions de transfert tel que sigmoïde, linéaires ou
triangulaires ont été utilisés pour modéliser l’activité neuronale.
Couche Réadaptations
cachée des poids
E
n
t Sortie du
r réseau y
é
e
s
Sortie
désirée yd
y - yd
Erreur
wi wo
Fig. V.4 : Principe de l’entraînement du réseau par rétropropagation de l’erreur
L’entrée d’un nœud i dans la couche est donnée par:
82
[∑ ] ( )
Où signifie les connexions de poids pour le nœud dans la ( ) couche au

nœud i dans la couche ; est la sortie du nœud dans la couche et est le
seuil associé au nœud dans la couche [97, 98].
L’algorithme d’entrainement de la rétropropagation « Backpropagation BP » est
couramment utilisé pour minimiser itérativement la fonction de coût « cost function » par
rapport aux poids d’interconnexion et les neurones seuils:
∑ ∑( ) ( )
Où est le nombre de motifs d’apprentissage et est le nombre des nœuds de sortie ;

et sont les réponses désirées et réelles pour le nœud de sortie respectivement. Les poids
d’interconnexion entre le nœud et le nœud sont actualisés comme suit:
( ) ( ) ( ) ∑( ) ( ) ( )
Où est une constante de mouvement ; est le taux d’apprentissage ; est le motif

d’entrée à l’échantillon itératif ; est l’entrée au nœud à la couche de sortie; est
l’entrée au nœud j dans la couche ; la fonction est la dérivée de la fonction
d’activation du neurone. Le taux d’apprentissage détermine le montant de la sensibilité à
l’erreur calculée. Ainsi, il affecte la vitesse de convergence et la stabilité des poids au cours
de l’apprentissage [94]. La « meilleure » valeur du taux d’apprentissage dépend des
caractéristiques de la surface d’erreur. Pour changer rapidement les surfaces, un taux plus
faible est souhaitable alors que pour les surfaces lisses « smooth surfaces of error », une plus
grande valeur du taux d’apprentissage permettra d’accélérer la convergence. La constante du
momentum (comprise généralement entre 0.1 et 1) permettre d’actualiser les poids, d’empêche
les oscillations et aider le système à échapper les minimums locaux dans le processus
d’entrainement en le rendant moins sensible aux variations locales. Le processus
d’entraînement est terminé si l’erreur quadratique moyenne (MSE), la racine de l’erreur
quadratique moyenne (RMSE) ou l’erreur quadratique moyenne normalisée (NMSE) soit
entre les valeurs expérimentales et les prédictions par RNA, ou atteint un seuil prédéfini d’un
nombre d’itérations d’apprentissage.
V.3 Prédiction de la tenue en fatigue sous l’effet de l’environnement
Cette partie de chapitre se concentre sur la tenue en fatigue des différentes matrices de
résine soumises à des charges de fatigue par compression-compression. Les données ont été
collectées à partir d’une variété d’une base de données de la fatigue des matériaux composites
83
des pales d’éoliennes de MSU/DOE [84, 99] avec un rapport de charge égale à 10 (
⁄ ). Une fois démontré que les RNA peuvent prédire avec précision le
comportement en fatigue sous cette condition (R=10) ; leur même topologie utilisée sera
capable d’en prédire avec différentes valeurs de rapport de charge.
Le tableau (V.2) montre un sommaire d’une des données expérimentales de la fatigue par
compression pour la résine de polyester orthophtalique utilisée dans le présent chapitre. Le
rapport de charge est le même pour toutes les données expérimentales.
Tab. V.2 : Résumé des données sur la fatigue par compression pour la résine ortho-polyester
« CoRezyn 63-AX-051 »
Température d’essai T Rapport de UCS Condition

(°C) charge R (MPa) environnementale
20 °C sec 10 -37.9
50 °C sec 10 -34.5 Coupons humides
20 °C hum 10 31 (1.0 % eau distillée)
50 °C hum 10 34.5
UCS: Ultimate Compressive Stress (Limite de contrainte de compression)
Pour l’analyse de prédiction de la résistance des résines mentionnées dans le tableau
(V.1), on suppose que la fatigue est en fonction de la température d’essai, contraintes
minimums ( ) et maximums ( ) appliquées à l’échantillon ainsi que les conditions
environnementales telles que « sec/hum conditions ». D’autres paramètres qui pourraient
affecté la résistance du matériau, tel que les paramètres de la microstructure ne seront pas pris
en compte dans ce travail. Il sera supposé que tous les échantillons ont des caractéristiques
similaires à cet égard.
V.3.1 Apprentissage par l’algorithme de Rétropropagation
Comme mentionné précédemment, la structure et la sélection appropriée des entrées des
RNA sont très critiques pour atteindre des résultats adéquats. L’ensemble des données
expérimentales de la fatigue des matériaux présentés dans le tableau (V.1) a été utilisé pour
entrainer et tester le réseau. Les effets de l’architecture du RNA, l’algorithme d’entrainement
ainsi que le nombre de neurones par couche cachée ont été pris en considération afin d’obtenir
la prédiction optimale de la tenue en fatigue.
Étant donné que l’intervalle du nombre de cycles à la rupture varie entre 10 et 6 000 000
cycles, l’entrainement du réseau pour apprendre un tel intervalle va produire des
performances de modélisation inacceptables et déséquilibrées ; ce qui va pousser le RNA à
vouloir minimiser l’erreur globale pour tous les motifs d’entrée. Par conséquent, la
minimisation de la différence entre la sortie du réseau et les données observées pour des
valeurs élevées de cycles conduirait à des résultats incorrects pour les motifs associés à des
valeurs plus faibles du nombre des cycles à la rupture. Une méthode plus appropriée se base
sur la normalisation des valeurs logarithmiques du nombre de cycles pour accéder à un
84
intervalle compris entre 0 et 10. La contrainte de compression maximale appliquée varie entre
-10 à -50 MPa. Ces valeurs ont été également normalisées après la prise de la valeur absolue
de la contrainte. Le logiciel Matlab©/Simulink (R2009b) a été utilisé pour construire, entrainer
et tester le réseau.
Le réseau de neurones utilisé pour prédire la tenue en fatigue de toutes les matrices en
résine étudiées était un réseau feedforward à deux couches « two-layer feedforward network »
avec une seule entrée « logarithme du nombre de cycles N »; une seule couche cachée de dix
(10) neurones utilisant une fonction d’activation sigmoïde « tansig » et une seule sortie « la
valeur absolue de la contrainte maximale σmax » avec un seul neurone de calcul en utilisant
une fonction d’activation linéaire « purline ». Les poids sont entrainés à l’aide des
algorithmes de rétropropagation « Backpropagation algorithms » de « Levenberg-Marquardt
(LM) » ainsi que le « Gradient Descent avec Momentum (GDM) ».
V.3.2 Résultats de la prédiction utilisant RNA-RP
Les figures (V.5 à V.8) montrent une comparaison entre les valeurs expérimentales et
prédites pour les différents systèmes de résines.
40
35
30
Abs (contrainte max MPa)
25 T=20 °C Sec (Exp)

T=20 °C Sec (RNA)
20 T=20 °C Hum (Ex p)
T=20 °C Hum (RNA)
15
T=50 °C Sec (Exp)
10 T=50 °C Sec (RNA)

T=50 °C Hum (Ex p)
5 T=50 °C Hum (RNA)
0
0 1 2 3 4 5 6 7
Log (nombre de cycles à la rupture)
Fig. V.5 : Prédiction de la tenue en fatigue de la résine ortho-polyester (CoRezyn 63-AX-051) pour les
conditions sec/humide (coupons humides dans 1.0 % d’eau distillée)
45
40
35
30
T=20 °C Sec (Exp)
25
T=20 °C Sec (RNA)
20
T=20 °C Hu m (Ex p)
15
T=20 °C Hu m (RNA)
10
T=50 °C Hu m (Ex p)
5 T=50 °C Hu m (RNA)
0
0 2 4 6 8
Fig. V.6 : Prédiction de la tenue en fatigue de la résine iso-polyester (CoRezyn 75-AQ-010) pour les
85
Chaque graphe est constitué de trois valeurs différentes de température. Les prédictions
pour « T = 20 °C sec » sont plus précises et raisonnable que celles des autres températures.
Ceci est probablement dû à l’augmentation de la température et l’humidité qui peuvent
détériorer le matériau [100]. Par conséquent, ces figures montrent des prédictions typiques de
la tenue en fatigue de l’ortho-polyester, iso-polyester et les deux résines de vinylesters en
utilisant l’architecture du réseau feedforward à une seule couche cachée contenant 10
neurones. Les erreurs quadratiques moyennes (MSE) obtenues par ce réseau sont incluses
dans (11,8 % à 18,3 %).
45
40
35

20 T=20 °C Hum (Exp)
10 T=50 °C Hum (Exp)
0
0 2 4 6 8
Fig. V.7 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 411C-50) pour les
Les graphes montrent aussi un décalage entre les valeurs expérimentales et prédites le
long de l’axe , pour un stratifié d’une séquence d’empilement (orientation de fibres) de
[0/±45/0]S qui est dû généralement aux erreurs obtenues, qui sont de l’ordre de 10-1.
40
35
30
T=20 °C Hum (Exp)

15
T=20 °C Hum (RNA)
10
T=50 °C Hum (Exp)
0
0 1 2 3 4 5 6 7 8
Fig. V.8 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 8084) pour les
Les données expérimentales et les prédictions neuronales peuvent également être
représentées pour les différentes températures dans des conditions sèches et/ou humides,
86
comme illustré sur les figures (V.9 - V.11). Tous les systèmes ont montré une certaine
diminution de la résistance à la compression statique et à la fatigue à 50 °C aux conditions
« sèche et humide » [101]. La diminution de la résistance à la fatigue a été très significative
pour le système d’ortho-polyester, mais mineure pour les systèmes de matrice restants. Les
taux moyens d’humidité sont donnés au bas de chaque figure. Seul le polyester avec un plus
grand gain d’humidité et une basse température (tableau V.2) montre une baisse significative
de la résistance statique et à la fatigue lorsqu’il est testé à 20 °C humide.
40
35
30
Iso-polyester (Exp)
25
Iso-polyester (RNA)
20 Vinyl ester 808 4 (Exp)
Vinyl ester 808 4 (RNA)

15
Vinyl ester 411 C-50 (Exp)
10 Vinyl ester 411 C-50 (RNA)
Ortho-polyester (Exp)
5
Ortho-polyester (RNA)
0
0 1 2 3 4 5 6 7 8
Fig. V.9 : Prédiction de la tenue en fatigue des quatre résines pour T=50 °C humide
45
40
35
30 Iso-polyester (Exp)
25 Iso-polyester (RNA)
Vinyl ester 8084 (Exp)
20
Vinyl ester 8084 (RNA)
15 Vinyl ester 411C-50 (Exp)
Vinyl ester 411C-50 (RNA)
10
Ortho-polyester (Exp)
5 Ortho-polyester (RNA)
0
0 1 2 3 4 5 6 7 8
Fig. V.10 : Prédiction de la tenue en fatigue des quatre résines pour T=20 °C sec
Dans les propriétés des matériaux composites sous une charge de compression, les
matrices sont trop dominées, et ont montré le niveau prévu de sensibilité à l’environnement
basé sur des données antérieures. La modélisation non linéaire obtenue par le réseau de
neurones peut être utilisée pour prédire la rupture par fatigue de ces températures pour
n’importe quel système de résine et dans des conditions de charge désirées.
87
45
40
35
Abs (contrainte max MPa) 30 Iso-polyester (Exp)

Iso-polyester (RNA)
25
Vinyl ester 8084 (Exp)
20 Vinyl ester 8084 (RNA)
Vinyl ester 411C-50 (Exp)
15
Vinyl ester 411C-50 (RNA)
10 Ortho-polyester (Exp)
5 Ortho-polyester (RNA)
0
0 1 2 3 4 5 6 7
Fig. V.11: Prédiction de la tenue en fatigue des quatre résines pour T=20 °C humide
V.4 Effet d’orientation de fibres sur la fatigue des pales d’éolienne

Les pales d’éoliennes sont construites d’une variété de composites stratifiés dans leurs
différents éléments de structure, y compris des laminés unidirectionnels (UD) dans les espars,
et plusieurs formes de renforcement multidirectionnel (MD) telles que les tissus biaxiaux et
triaxiaux dans les peaux et les toiles. Chaque type de stratifiés peut avoir une sensibilité
significative à la fatigue en fonction de leurs composants : la fibre, la résine, le type et la
direction de chargement [102]. Une pale d’éolienne est chargée dans le sens de battement
« flapwise » et de la corde « edgewise ». La figure (V.12) indique quelles sont les principales
charges pour les différentes zones de la structure portante [76]. Prédire le comportement en
fatigue de ces stratifiés pourrait être la première étape vers la prédiction du comportement
global des pales d’éoliennes sous une charge cyclique [79].
Fig. V.12 : Section typique d’une pale d’éolienne
Cette deuxième partie a pour but d’identifier les matériaux qui ont une bonne résistance à
l’orientation de fibres tout en offrant une meilleure tenue en fatigue. Les matériaux étudiés
sont des composites à renfort de verre y compris : l’époxy, le polyester et les vinylesters.
88
V.4.1 Procédure expérimentale et échantillons

Le tableau (V.3) présente les types et les sources de résine et de renforcement utilisés
durant le processus de fabrication.
Tab. V.3 : MD/UD Matériaux
MD/UD STRATIFIES MATRICES

Nomencl Séquence Volume de Températures de
Type Résine
ature d’empilement fibre (%) traitement (°C)
PPG1200- [(±45)2/(0)2]S 58 Hexion MGS
Epoxy 20 et 90
EP1 [0]2 56-61 RIMR135/RIMH1366
PPG1200- [(±45)2/(0)2]S 58 Reichhold Polylite X4627-31
Polyester 25 et 70
UP5 [0]2 58 with 2% MCP-75FRED
PPG1200- [(±45)2/(0)2]S 58
Vinylester Reichhold Dion X4486-14 25 et 70
VE4 [0]2 58
PPG1200- [(±45)2/(0)2]S 59
VE5 [0]2 57
PPG1200- [(±45)2/(0)2]S 60
VE6 [0]2 58
Spécifications de tissu de verre
Poids surfacique Brins directions (Poids %)
Constructeur Désignation
(g/m2) 0° ±45 ° 90 ° Tapis Couture
PPG-Devold L1200/G50-E07 1261 91 0 4 4 1

LLC DB810-E05-A 808 0 99 0 0 1
Une large gamme de matériaux composites potentiels dans la conception des pales ont été
inclus dans le cadre de ce chapitre (2ème partie), y compris les résines de polyester, vinylester
et époxy renforcées par des fibres de verre « classe E » en tissu cousus sous forme des
stratifiés. La nomenclature de ces stratifiés correspond à la base de données des Laboratoires
Nationaux de SANDIA « MSU/DOE Database » [84]. De plus, tous les laminés ont été traités
par le procédé d’infusion à travers la distribution des couches de résine [103, 104] où il est
décrit dans la figure (V.13).
Fig. V.13 : Schéma du procédé d’infusion de résine
89
Les stratifiés présentés dans cette section comprennent les structures de renfort suivants :
 Tissus unidirectionnels (UD) cousus où les brins primaires à 0 ° sont alignés et cousus
sur un support incluant les brins et/ou tapis transversaux.
 Multidirectionnels (MD) stratifiés renforcés avec des tissus « Triax » ayant des
couches à 0 ° et ±45 °.
Une description plus détaillée du processus de fabrication se trouve à la référence [105].
V.4.1.1 Échantillons et géométrie
Après refroidissement, la plaque durcie a été retirée du four et découpée en coupons dont
la majorité de ces coupons utilisés étaient de dimensions 4 cm × 27 cm comme illustrés sur la
figure (V.14). Outre, leur épaisseur dépend au drapage de matériau. Ces coupons ont été
utilisés pour la plupart des essais de fatigue par traction et donnent de bons résultats [106].
Fig. V.14 : Géométrie de coupon d’Os de Chien
Dans ces matériaux, les onglets ont été utilisés uniquement dans les essais de fatigue
tension-tension, où le rapport de contrainte minimum au maximum ( ⁄ ).
Tous ces onglets étudiés ont été fabriqués à partir de fibre de verre de « Plastifab G10 » et
collés par l’adhésif « Hysol EA 9309.2NA » aux coupons d’Os de Chien « Dogbone ».
V.4.2 Paramètres de fatigue et propriétés
Les essais de fatigue fonctionnent sous le contrôle de charge avec une variation de la
contrainte maximale pour différencier la valeur du rapport R, entrainant ainsi une
contrainte/déformation par rapport au nombre de cycles à la rupture ( ) sous forme d’un
ensemble de données, selon la loi de puissance [71, 76, 102, 107] :
( )
( )
Où est la contrainte maximale ou la déformation, est le nombre de cycles à la
rupture, et sont des constantes, et et sont des exposants fatigue, avec . La
90
forme et la notation dans l’équation (V.5) sont utilisées pour représenter les données dans la
présente section. L’exposant de fatigue peut aussi être représenté par , où :
⁄ ( )
Tandis que le modèle de la loi de puissance soit généralement préférée, les modèles
exponentiels et les trois paramètres ont également été utilisés pour les matériaux de la pale ; la
représentation de la loi de puissance a été démontré pour fournir un bon ajustement aux
données ( ) pour les petits brins jusqu’à de cycles.
Tab. V.4 : Résumé des données des résistances à la traction et les tendances de la fatigue (R =
0,1) pour divers matériaux de pale
Forme du 106 cycles

Résine UTS (MPa) A/UTS B n
matériau déformation (%)
Stratifiés MD, tissu UD L1200/G50-E07 et tissu biaxial DB810-E05-A
[(±45)2/(0)2]S EP-1 704 1.957 −0.130 7.69 0.79
[(±45)2/(0)2]S VE-4 628 1.955 −0.146 6.85 0.53
[(±45)2/(0)2]S UP-5 663 1.736 −0.151 6.62 0.42
Tissu UD L1200/G50-E07 Stratifiés
[0]2 EP-1 995 1.265 −0.088 11.4 0.88
[0]2 VE-4 912 2.485 −0.170 5.88 0.53
[0]2 UP-5 884 1.940 −0.173 5.78 0.39
UTS : Ultimate Tensil Strength (Limite de la résistance de traction)
La normalisation de la contrainte par la force statique a pour effet de réduire les écarts
provoqués par des variations de la teneur en fibres et une fraction de 0° plis dans les stratifiés
MD [102]. L’utilisation de la déformation a un effet similaire sans normalisation. Les
ajustements de la courbe de déformation (équation V.5) peuvent être différents aux
ajustements des contraintes en termes d’exposants, en tenant compte de la non-linéarité de la
réponse contrainte-déformation aux contraintes plus élevées, en particulier pour les stratifiés
biaxiaux et MD. La déformation est souvent impossible à surveiller durant toute la durée de
vie du coupon en raison de la défaillance de l’instrumentation.
Le tableau (V.4) compare les tendances des données de fatigue qui comprennent des
tissus UD et stratifiés MD, le tout basé sur les mêmes brins et résines. Les pales d’une
éolienne sont construites à partir de tout ou partie de ces matériaux dont les matériaux
adjacents d’une pale qui doivent résister à des déformations similaires. La comparaison entre
les exposants de la fatigue B et n (équations (V.5) et (V.6)) et la déformation en fatigue par
cycle de l’ordre de millions, donne quelques indications sur les zones les plus critiques à la
fatigue des pales. L’ajustement de la courbe dans l’équation (V.5) est normalisé en fonction
de la résistance statique à la traction UTS (déterminée au taux de test standard de
0.0254 mm/s), en incluant A/UTS qui n’affecte pas l’exposant [102]. Ces propriétés doivent
91
être donc considérées dans le contexte de distributions réelles des contraintes et la présence
éventuelle des failles dans la pale.
V.5 Prédiction de la tenue en fatigue sous l’effet d’orientation de fibres
La tenue en fatigue des différents matériaux mentionnés dans le tableau (V.3) soumis à
des charges cycliques traction-traction (rapport de contrainte ) a été prédite en
utilisant les RNA optimisés par « optimisation par essaim de particules OEP ». Les données
ont été recueillies à partir de la base de données de SANDIA [84] et ont été repartitionnées
selon la séquence d’empilement de chaque matériau. L’analyse de la prédiction de la tenue en
fatigue des différents matériaux étudiés dans cette section est en fonction de la contrainte
maximale ( ), la contrainte minimale ( ), l’orientation de fibres ou la séquence
d’empilement ainsi que le rapport de contrainte et le nombre de cycles à la rupture.
Étant donné que la plage du nombre de cycles à la rupture varie entre 170 et 5.000.000
cycles, l’entrainement des réseaux pour apprendre une telle gamme va produire des
performances de modélisation inacceptables et déséquilibrées, cela poussera le RNA-OEP à
chercher à minimiser l’erreur globale pour tous les modèles d’entrée. Une méthode plus
appropriée serait la normalisation des valeurs logarithmiques du nombre de cycles pour
atteindre une plage comprise entre 0 et 10. Sachant que La contrainte de traction maximale
appliquée varie entre 130 à 690 MPa. Le logiciel Matlab/Simulink (R2009b) [98, 108, 109,
110] a été utilisé pour construire, entrainer et tester le réseau.
V.5.1 Ajustement des paramètres de la topologie RNA
Pour la topologie du RNA, un réseau de deux couches cachées a été utilisé avec une seule
entrée (valeurs logarithmiques du nombre de cycles à la rupture ( )) et une autre de sortie (la
contrainte maximale) où la première couche cachée est formée de 30 neurones utilise une
fonction de transfert tangentielle « Tang-sigmoid » tandis que la deuxième est unitaire (un seul
neurone) utilise une fonction de transfert linéaire de « Pureline ». Outre ces paramètres, le
taux d’apprentissage « learning rate » utilisé est d’une valeur de , pendant que le
coefficient momentum est de .
L’algorithme d’entrainement de « Levenberg-Marquardt » sera par contre changé et
compensé par l’OEP d’où le nom RNA-OEP. Le nombre de neurones est jugé suffisant et la
même topologie va être utilisée tout au long du processus de prédiction par la méthode RNA-
OEP.
V.5.2 Ajustement des paramètres de la topologie OEP
Pour améliorer le taux de convergence et le processus d’apprentissage, les paramètres
présentés dans le Tableau V.5 ont été mieux adaptés pour l’exécution de l’algorithme d’OEP.
92
Tab. V.5 : Paramètres de l’algorithme d’entrainement OEP
Paramètres Valeur
Nombre de particules 25
Nombre d’itérations 1000
Vélocité maximale 0.9
Vélocité minimale 0.4
Constantes d’accélération C1, C2 2
Facteur de poids d’inertie W 0.72
V.5.3 Fonction objective

Dans ce chapitre, la fonction objective d’OEP correspond à la performance des réseaux
de neurones ce qui n’est d’autre que l’erreur quadratique moyenne « MSE: Mean Squared
Error ».
Les paramètres (poids) du RNA sont ajustés par l’OEP pour minimiser l’erreur MSE. La
fonction J qui donne la MSE est [111]:
( ) ∑ (̂ ) ( )
PSO particles in search space - Minimize to:0.01
10
5
Performance
Particles PSO
-5
ANN Training goal
-10
1
0.5 1
0 0.5
0
-0.5 -0.5
-1 -1
Dim 91 Dim 1
Fig.V.15 : Particules d’OEP dans l’espace de recherche
93
Où:
est la fonction objective, performance ou fonction cout ;
est le nombre de nœuds ;
est la matrice poids ;
̂ est la sortie obtenue par le réseau de neurones ;
est la sortie désirée.
Dans cette implémentation, le nombre de dimensions du domaine OEP correspond au
nombre des poids et biais du réseau de neurones d’où chaque dimension OEP correspond à un
poids ou biais du réseau de neurones. Comme ce n’est pas possible de montrer plus de 3
dimensions, on se contente de montrer la première et la dernière dimension dans les axes et
. L’axe correspond à la fonction performance du réseau de neurones ce qui représente aussi
la fonction objective d’OEP (figure V.15). Donc le but d’OEP sera d’optimiser la fonction
objective MSE de notre réseau.
Pour notre topologie nous avons 91 dimensions dont les particules OEP qui cherchent un
optimum. Ces 91 dimensions correspondent aux poids et biais de notre réseau de neurones
(deux couches, une de 30 et l’autre de 1 neurone donnent 60 poids et 31 biais).
Dans l’espace où les particules cherchent leur optimum. Chaque particule aura des
projections sur les dimensions qui correspondent aux paramètres (poids et biais) du réseau
RNA. Dans notre cas le nombre de paramètres est 91 (60 poids et 31 biais).
Donc si nous voulons suivre l’évolution de la position d’une particule (choisissions une
particule parmi les 25 utilisées dans notre système RNA-OEP), on voit que cette évolution
aura 91 projections. Chaque projection correspond à un paramètre (poids ou biais) du réseau
RNA.
Fig.V.16 : Position de la particule 9 en fonction d’itération de dim1 à dim91
La figure (V.16) représente le changement de la position de la particule 9 projetée sur les

91 paramètres (ou dimensions), les dim1…dim91 représentent les paramètres du réseau de
94
neurones (poids et biais). Comme ce n’est pas possible géométriquement de présenter le

mouvement de la particule dans un espace de 91 dimensions, nous nous contentons de suivre
le mouvement par apport à chaque dimension.
De même, si nous voulons suivre la valeur de la fonction objective d’une particule, la
projection sur l’axe nous donnera la valeur de la fonction objective à n’importe quelle
itération. Cette valeur converge quand les particules se regroupent auprès d’un optimum. La
figure (V.17) représente l’évolution de la fonction objective selon les 25 particules.
epochs vs performance (PSO-ANN)
3.5
average error
3 error goal
Performance (MSE)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Epochs
Fig.V.17 : Évolution de la fonction objective selon les 25 particules
V.5.4 Résultats de la prédiction utilisant RNA-OEP

Différents matériaux à base de différents tissus de renfort (voir tableau V.3) ont été
comparés en termes de contrainte maximale à la fatigue par traction et qui peuvent être
supportés des cycles de contraintes de l’ordre de , le tout ont été déterminés à partir de la
courbe qui s’inscrit dans le tableau (V.4). D’autres mesures de résistance à la fatigue telles
que les exposants de la courbe S-N s’inscrivent aussi dans le tableau (V.4) montreraient des
tendances cohérentes.
800
700
Contrainte max (MPa)
600
500
400 Multidirectionnel (Exp)
300 Multidirectionne (RNA-OEP)

200 Unidirectionnel (Exp)
100 Unidirectionnel (RNA-OEP)
0
0 1 2 3 4 5 6 7 8
Fig.V.18 : Prédiction de la tenue en fatigue de « PPG1200-EP1 fibre de verre/Epoxy » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2
95
Les figures (V.18 à V.22) montrent une comparaison entre les valeurs expérimentales et
prédites pour différents matériaux composites. Chaque graphique est constitué de deux
orientations différentes de couches où les stratifiés multidirectionnels [(±45)2/(0)2]S sous une
charge de fatigue par traction ( ) sont très sensibles à l’orientation des fibres par
contre les laminés basés sur un tissu-uni [0]2 dévoilent une bonne performance à la fatigue, en
termes de fatigue exposant et capacité de déformation aux cycles de .
600
500
400
Multidirectionell (RNA-OEP)
200
Unidirectionnel (Exp)
100
Unidirectionnel (RNA-OEP)
0
0 1 2 3 4 5 6 7
Log (nombre de cycle à la rupture)
Fig.V.19 : Prédiction de la tenue en fatigue de « PPG1200-UP5 fibre de verre/Polyester » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0] 2
800
700
600
500
300 Multidirectionnel (RNA-OEP)
200 Unidirectionnel (Exp)
0
0 1 2 3 4 5 6 7
Fig.V.20 : Prédiction de la tenue en fatigue de « PPG1200-VE4 fibre de verre/Vinylester » pour des

Par conséquent, ces figures montrent des prédictions typiques de la tenue en fatigue des
matériaux en fibre de verre/époxy, polyester et d’esters vinyliques en utilisant une architecture
de réseau de neurones feedforward « feedforward neural network ». Les valeurs des erreurs
quadratiques moyennes « MSE » obtenues par l’approche RNA-OEP sont incluses dans
(9,2 % à 28,3 %). Les figures montrent aussi un décalage entre les courbes expérimentales et
prédites le long de l’axe des contraintes pour tous les stratifiés étudiés [(±45)2/(0)2]S et [0]2.
96
600
500

400

Multidirectionnel (RNA-OEP)
200
0
0 1 2 3 4 5 6

600
500
400

Multidirectionnel (RNA-OEP)
200
100
Unidirectionnel (RNA-OEP)
0
0 1 2 3 4 5 6 7

800
700
UD-PPG1200-EP1 (Exp)
600
UD-PPG1200-EP1 (RNA-OEP)
500 UD-PPG1200-UP5 (Exp)
UD-PPG1200-UP5 (RNA-OEP)
400 UD-PPG1200-VE4 (Exp)
300 UD-PPG1200-VE4 (RNA-OEP)
UD-PPG1200-VE5 (Exp)
200 UD-PPG1200-VE5 (RNA-OEP)
UD-PPG1200-VE6 (Exp)
100
UD-PPG1200-VE6 (RNA-OEP)
0
0 1 2 3 4 5 6 7 8
Fig.V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de [0]2
97
Les données expérimentales et les prédictions en utilisant la méthode RNA-OEP peuvent

être également représentées pour les stratifiés multidirectionnels [(±45)2/(0)2]S et
unidirectionnels [0]2 à la fois, comme illustrée dans les figures (V.23 et V.24). Ainsi, ces
figures comparent la résistance à la fatigue par traction des stratifiés basés sur les tissus UD et
MD mentionnés dans le tableau (V.3).
600
500
MD-PPG1200-EP1 (Exp)
400 MD-PPG1200-EP1 (RNA-OEP)
MD-PPG1200-UP5 (Exp)
MD-PPG1200-UP5 (RNA-OEP)
300
MD-PPG1200-VE4 (Exp)
MD-PPG1200-VE4 (RNA-OEP)
200 MD-PPG1200-VE5 (Exp)
100 MD-PPG1200-VE6 (Exp)
0
0 1 2 3 4 5 6 7
Log (nombre de cycle à la rupture)
Fig.V.24 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de

[(±45)2/(0)2]S
Tous les matériaux ont montré une certaine diminution de la résistance à la fatigue par
traction pour l’empilement de [(±45)2/(0)2]S ; la diminution de la résistance à la fatigue a été
très importante pour le PPG1200-UP5 fibre de verre/polyester, mais mineure pour les
matériaux restants.
V.6 Conclusion
Ce chapitre a été devisé en deux parties ; d’après les résultats obtenus de la première
section, la température et l’humidité ont des effets très importants sur la tenue en fatigue des
matrices de résine. L’iso-polyester est le moins sensible à l’environnement parmi les quatre
systèmes de résine étudiés; il est préconisé d’être la matrice de résine minimum acceptée pour
la conception des pales d’éoliennes.
D’après les résultats de la deuxième section : les matériaux à base de tissu unidirectionnel
conservent une bonne résistance à la fatigue par traction. Le PPG1200-EP1 fibre de
verre/époxy est le moins sensible à l’orientation des fibres parmi les cinq matériaux étudiés.
En outre, l’avantage de l’approche RNA utilisée dans le présent chapitre est de fournir
une relation précise entre le nombre de cycles à la rupture et les contraintes maximales de
compression. De ce fait, les RNA ont été choisis pour produire constamment la prédiction
appropriée de la tenue en fatigue, quel que soit le type du matériau utilisé. De plus,
l’algorithme RNA-OEP est une excellente combinaison pour les applications qui nécessitent
un apprentissage rapide.
98
Conclusion générale
“Wind Engineering is of the utmost value to everybody involved
with wind as a source of energy…”
…WE Journal
Comme la structure d’une éolienne est formée d’un assemblage de composants aux
formes géométriques complexes telles que : nacelle, pylône et pales ; l’étude de cet ensemble
est souvent compliquée.
La conception, le calcul et la réalisation d’une pale d’éolienne destinée à fournir une
puissance électrique bien déterminée sont une tâche qui demande plusieurs disciplines, à
savoir : l’aérodynamique, les matériaux, la sécurité et la modélisation.
Pour ces raisons ; nous avons pu recueillir par le biais de cette thèse tous les risques qui
peuvent engendrer dans un parc éolien, et les classés dans un tableau d’APR. Ainsi, nous les
avons évalués afin de mettre en place quelques mesures de sécurité qui peuvent intervenir
dans la prévention et la limitation des phénomènes dangereux listés dans le même tableau.
99
À l’issue de l’analyse approfondie des risques. Les cinq catégories de scénarios étudiées
sont :
 L’effondrement des éoliennes ;
 La chute d’élément
 La chute de glace ;
 La projection de tout ou partie de pale ;
 La projection de glace.
À partir des recensements publiés, nous avons trouvé que le risque de la projection de
tout ou partie de pale est le plus fréquent dans une industrie d’éoliennes. Nous avons essayé
de l’isoler et l’étudier séparément. Alors, nous nous sommes orientés vers les matériaux
constitutifs d’une pale d’éolienne, tout en étudiant les différents endommagements qui
peuvent la détruire. La fatigue est l’un des problèmes posés par les éoliennes en termes
d’ingénierie, qui réside dans la charge variable à laquelle les pales du rotor sont soumises.
Pour modéliser ce phénomène « fatigue », nous avons utilisé les RNA pour prédire le
comportement en fatigue (durée de vie et tenue en fatigue). Les RNA appliqués dans cette
thèse mettent en lumière les conclusions suivantes :
 Les limitations des méthodes traditionnelles de prédiction de la fatigue qui se base sur
l’expérience humaine, d’où la nécessité d’utiliser les réseaux de neurones (RN) qui
peuvent apporter d’excellents résultats ;
 La prédiction du comportement en fatigue des pales d’éoliennes peut aider
considérablement à améliorer la qualité de leur prévention ;
 La réduction du temps des essais dans les laboratoires, ce qui réduit aussi le coût ;
 Corriger et ajuster les essais expérimentaux par la régression linéaire des valeurs
prédites ;
 Optimiser l’erreur quadratique moyenne entre les résultats expérimentaux et prédits ;
 La taille et la qualité de la base de données ont une influence majeure sur
l’apprentissage des RNA. C’est pour laquelle le choix d’une base de données est
parfois le seul paramètre décidant de la qualité de l’apprentissage ;
 L’architecture du RNA (nombre de couches cachées, nombre de neurones, fonctions
d’activations) est un facteur important décidant de la qualité de l’apprentissage plus
que les paramètres d’apprentissage (taux d’apprentissage…) ;
 L’optimisation d’un réseau n’est pas une tâche facile et sa convergence peut être
lente, comme il pourrait diverger complètement. La caractéristique locale de
l’algorithme de rétropropagation « Levenberg-Marquardt (LM) » évite ce problème ;
100
 Un réseau supervisé entrainé par un algorithme métaheuristique pour la prédiction

donne des résultats ayant une précision et une souplesse qu’avait chacun d’eux
séparément ;
 La combinaison réseau de neurone et optimisation par essaim de particules « RNA-
OEP » est une très bonne combinaison pour les applications qui nécessitent un
apprentissage rapide ;
 La sélection des paramètres de l’algorithme d’OEP joue un rôle primordial dans
l’optimisation.
Par l’utilisation des méthodes de l’intelligence artificielle (RNA, OEP,…), nous avons pu
créer un modèle capable de prédire la durée de vie et la tenue en fatigue de plusieurs
matériaux composites stratifiés sous l’effet de plusieurs facteurs (environnement, orientation
de fibres…). En outre, les résultats obtenus par les RNA nous ont aidés à proposer quelques
types de matériaux composites de point de vue durabilité et durées de vie pour une éventuelle
conception des pales d’éoliennes, en prenant en considération les points suivants :
 la température et l’humidité ont des effets très importants sur la tenue en fatigue des
matrices de résine.
 L’iso-polyester « CoRezyn 75-AQ-010 » est le moins sensible à l’environnement
parmi les quatre systèmes de résine étudiés ; il est se doit d’être la matrice de résine
minimum acceptée pour la conception des pales d’éoliennes.
 Les matériaux à base de tissu unidirectionnel donnent une bonne tenue en fatigue par
traction par rapport à ceux à base de tissu multidirectionnel ;
 Le matériau à renfort de fibres de verre/époxy « PPG1200-EP1 » est le moins
sensible à l’orientation des fibres entre les cinq matériaux étudiés.
La présente thèse est loin d’être achevée. Plusieurs points peuvent être traités en
perspectives futures :
 Des recherches supplémentaires sont nécessaires pour déterminer la possibilité de
trouver des combinaisons uniques dont résultent toujours les meilleures prédictions de
la fatigue.
 Développer la filière des matériaux composites, et ce, dans l’espoir d’établir une
activité de recherche et d’innovation dans le domaine des énergies renouvelables et
particulièrement de l’énergie éolienne.
 Moderniser le procédé de fabrication des pales d’éoliennes avec la prise en compte des
aspects d’éco-conception et d’autre part, développer et améliorer des procédures de
qualification, de réparation et de recyclage après la fin de vie de ces pales.
 Analyser d’autres risques qui peuvent dégrader la structure éolienne.
101
Bibliographie
[1] Pérol. C: d’où vient le vent. Portrait et magazine aux multiples POMM,
www.pomms.org (Consulté le 16 octobre 2015)
[2] Circulation générale; Glossaire de la météorologie; Météo-France, ‎
www.meteofrance.fr (consulté le 17 octobre 2015)
[3] Leguay. J.P: l’air et le vent au moyen âge. Presses universitaires de Rennes, France,
2011
[4] Force de Coriolis; Glossaire de la météorologie; Météo-France; www.meteofrance.fr
(consulté le 17 octobre 2015)
[5] Encyclopédie libre Wikipédia: www.wikipedia.org/wiki/Vent (consulté le 17 octobre
2015)
[6] Decrosse. A: L’air et le vent. Du May, France, 1992
102
Bibliographie
[7] Multon. B, Gergaud. O, Ben Ahmed. H, Roboam. X, Astier. S : Etat de l'art des
aérogénérateurs. L'électronique de puissance vecteur d'optimisation pour les énergies
renouvelables, ed. NOVELECT-ECRIN, pp.97-154, 2002
[8] Dale E.B: Wind energy conversion. Handbook of Energy Efficiency and Renewable
Energy, by Taylor & Francis Group LLC, 2007
[9] Boyette. A: Contrôle-commande d'un générateur asynchrone à double alimentation
avec système de stockage pour la production éolienne. Thèse de Doctorat, Université
Henri Poincaré, Nancy (France), 2006
[10] Enercon constructeur d'éolienne: http://www.enercon.de/ (consulté le 29 novembre
2015)
[11] Global Wind Energy Council (GWEC): http://www.gwec.net/global-figures/graphs/
(consulté le 29 novembre 2015)
[12] La production d'électricité d'origine renouvelable dans le monde; 15è inventaire;
édition chapitre 1 perspectives générales pp.6-9; www.energies-renouvelables.org;
2014
[13] Kasbadji Marzouk. N: l’exploitation de l’éolien à des fins énergétiques. workshop sur
les énergies renouvelables et leurs applications, Batna (Algérie), 2010
[14] Hamane. L: les ressources éoliennes de l’Algérie. Bulletin des énergies renouvelables
CDER N°3, pp. 10-11, 2003
[15] Kasbadji Marzouk. N: Quel avenir pour l’Energie Eolienne en Algérie?. Bulletin des
énergies renouvelables CDER N°14, pp.6-7, 2008
[16] Semmar. M: L’énergie éolienne pour prévenir l’avenir sous un climat sain et propre.
Bulletin des énergies renouvelables CDER N°14, pp.8-10, 2008
[17] Merdaouil. M, Houha. H, Smaili. A: Etude et dimensionnement du futur parc éolien de
Kaberten situé dans la région d’Adrar. Revue des Energies Renouvelables SMEE’10
Bou Ismail Tipaza, pp. 269-274, 2010
[18] France Energie Eolienne: Guide technique, élaboration de l’étude de dangers dans le
cadre des parcs éoliens. France, 2012
[19] Melloul. A: Simulation et diagnostic d’une machine asynchrone à double alimentation
d’une éolienne. Mémoire de magister, Université de Sétif, Sétif (Algérie), 2011
[20] Guérette. D: Asservissement d'une éolienne à vitesse variable et à pas fixe dans le
cadre d’un système de jumelage éolien-diesel à haute pénétration; Thèse de Doctorat,
Université du Québec à Rimouski, Rimouski (Canada), 2010
[21] Milha Touati. M: Conception et réalisation de pales de petites éoliennes. Exposé de
projet (www.saharawind.com Consulté : Janvier 2016)
103
Bibliographie
[22] Nadjah. M, Khechana. M, Laiche. L, Ouksel. T et Mahfoudi. C: Etude de l’hélice

d’une éolienne de 5 kW. Revue des Energies Renouvelables CISM’O8 Oum El
Bouaghi, pp. 37-48, 2008
[23] Multon. B, Robin. G, Gergaud. O, Ben Ahmed. H: Le génie électrique dans le vent:
état de l’art et recherches dans le domaine de la génération éolienne. JCGE'03, Saint-
Nazaire, France, 2003
[24] Ghennam. T: Supervision d’une ferme éolienne pour son intégration dans la gestion
d’un réseau électrique, Apports des convertisseurs multi niveaux au réglage des
éoliennes à base de machine asynchrone à double alimentation. Thèse de Doctorat,
Ecole Militaire Polytechnique d’Alger; Algérie 2011
[25] Ministère de l’écologie, de l’énergie, du Développement durable et de la Mer, en
charge des Technologies vertes et des Négociations sur le climat: Guide de l’étude
d’impact sur l’environnement des parcs éoliens. France, 2010
[26] Encyclopédie libre WikiEolienne: http://eolienne.f4jr.org/eolienne_impact (consulté
le 02 Janvier 2016)
[27] Agence de l’Environnement et de la Maitrise de l’Energie AMEM: Des éoliennes dans
votre environnement?. France, 2002
[28] Abalain. JP, Chazal. JY, Schumpp. B: La sécurité publique des centrales éoliennes
industrielles, Constat de carence. France, 2007
[29] SOMIVAL: Projet de parc éolien de la Champagne Berrichonne, Résumé non
technique de l’étude de dangers. France, 2013
[30] Ziane. K, Zebirate. S: Identification des potentiels de dangers liés au fonctionnement
d'un parc éolien. 5ème Journée des Doctorants, Maison des Doctorants. Oran
(Algérie), 2014
[31] Eole Generation: Projet de parc éolien d’Ypreville-Biville et de Trémauville. France,
2012
[32] Ziane. K, Zebirate. S, Lounis. Z, Chaker. A: Mesures de prévention et de protection
d'un parc éolien contre le risque d'incendie. International Conference on Engineering
of Industrial Safety and Environment ICISE'14, Oran (Algeria), 2014
[33] France Energie Eolienne, INERIS, Syndicat des Energies Renouvelable: Elaboration
de l’étude de dangers dans le cadre des parcs éoliens. France, 2012
[34] Ziane. K, Zebirate. S, Lounis. Z: Description des mesures générales de prévention et
d’intervention pour la réduction des risques d'un parc éolien. Cinquièmes Journées
d'Etudes Nationales sur l'Environnement et les conditions de Travail JECT5. Batna,
Algérie, 2014
104
Bibliographie
[35] Bangalore. P: Load and risk based maintenance management of wind turbines.
Engineering Thesis, Chalmers University of Technology, Sweden, 2014
[36] MMI Engineering Ltd: Study and development of a methodology for the estimation of
the risk and harm to persons from wind turbines. Warrington, UK, 2013
[37] Vinçotte International Algérie: Ferme éolienne de Kabertene « Adrar » (10MW),
Etude de danger. Algérie, 2011
[38] Attaf. B: Eco-conception et développement des pales d’éoliennes en matériaux
composites. Revue des Energies Renouvelables SMEE’10, pp.37-48, 2010
[39] Attaf. B: Eco-moulage des Pales d’Eoliennes et Panneaux Solaires en Matériaux
Composites via la Technologie RTM. Journal of Fundamental and Applied Sciences
Vol. 2 (1), pp.35-46, 2010
[40] Tardif. T: Modélisation et analyse des phénomènes aéroélastiques pour une pale
d'éolienne. Thèse de MS, UQAR, Rimouski (Canada), 2009
[41] Prombut. P: Caractérisation de la propagation de délaminage des stratifies
composites multidirectionnels. Université Paul Sabatier, Toulouse (France), 2007
[42] Hachmane. B: Analyse expérimentale du comportement mécanique d’un matériau
composite soumis à des sollicitations d’impact. Thèse de Doctorat, UMBB,
Boumerdes (Algérie), 2013
[43] Djouabi. N: Analyse de l’endommagement de plaque composite en verre/époxy
soumises à la fatigue par chocs. Mémoire de Magister. UMBB, Boumerdes (Algérie),
2012.
[44] Attaf . B: Pales d’Eoliennes: Procédés de Fabrication, Procédures de Qualification,
Réparation et Recyclage. Rendez-vous du Composite, Marché spécial éolien, Gosnay
(France), 2012
[45] ISO 2394: General principles on reliability for structures. Fourth edition, 2015
[46] Attaf B. Optimisation du Processus de Développement des Pales d’Eoliennes en
Matériaux Composites: Cas d’Etude d’un Avant-projet. MateriaTech-Carma, 2002
[47] Renard. J: Fatigue des matériaux composites renforcés de fibres continues.
Techniques de l’ingénieur AM 5410.
[48] Maltais. P: Développement d'une méthode de prédiction de la durée de vie en fatigue
de structures tubulaires soudées en aluminium. Mémoire de maîtrise, UQAC,
Chicoutimi (Canada), 2008
[49] Encyclopédie libre Wikipédia:
https://fr.wikipedia.org/wiki/Courbe_de_W%C3%B6hler (consulté le 12 Février 2016)
105
Bibliographie
[50] Darwiche. M: Apprentissage statistique pour l'évaluation et le contrôle non

destructifs: application à l'estimation de la durée de vie restante des matériaux par
émission acoustique sous fluage. Thèse de Doctorat, Université du Maine, France,
2013.
[51] Mokhnache. L: Application des réseaux de neurones dans le diagnostic et la
prédiction des isolations de haute tension. Thèse de Doctorat, ENP d’Alger (Algérie),
2003
[52] Touzet. C: Les réseaux de neurones artificiels introduction au connexionnisme cours,
exercices et travaux pratiques. EC2 Edition, Paris, 1992.
[53] Saha. O, Boutaleb. A: Applications des réseaux de neurones aux matériaux dans le
génie civil : état de l’art. Colloque Méditerranéen sur les Matériaux CMEDIMAT,
Oran (Algérie), 2005
[54] Antonelo. E, Schrauwen. B, Dutoit. X, Stroobandt. D, Nuttin. M: Event detection and
localization in mobile robot navigation using reservoir computing. Artificial Neural
Networks ICANN, pp. 660-69, 2007
[55] Réseaux de neurones: http://www.pinville.com/reseaux-de-neurones.php (Consulté le
22 Février 2016)
[56] Intelligence artificielle: http://intelligence-artificielle-robotique.weebly.com (Consulté
le 22 Février 2016)
[57] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de
Doctorat, Université Mohamed Khider, Biskra (Algérie), 2013
[58] Widrow. B, Hoff. M.E: Adaptive switching circuits. Western Electric Show and
Convention Record part 4, pp. 96-104, 1960
[59] Minsky. M, Papert. S: Perceptrons. Cambridge, Mass: MIT Press, 1969
[60] Hopfield. J.J: Neural networks and physical systems with emergent collective
computational abilities. Proc.Natl.Acad.Sci, 79: 2554-58, 1982
[61] Hinton. G.E, Sejnowski. T.J: Optimal perceptual inference. Proceeding of The IEEE
on Computer Vision and Pattern Recognition, pp. 448-453, 1983
[62] Ziane. H, Benkaida. S: Utilisation des réseaux de neurones non supervisés dans la
prédiction des propriétés des câbles haute tension sous vieillissement thermique.
Mémoire d’ingéniorat, UZA, Djelfa (Algérie), 2008
[63] Sorin. F, Broussard. L, Roblin. P: Régulation d’un processus industriel par réseaux de
neurones. Techniques de l’Ingénieur S 7582, 2001
[64] Hebb. D.O: The organization of behavior, a neuropsychological theory. New York:
John Wiley, Chapter 4, pp. 60-78, 1949
106
Bibliographie
[65] Rosenblatt. F: The perceptron: a probabilistic model for information storage and
organization in the brain. Psych. Rev. 65:386-408, 1957.
[66] Wikipédia perceptron multicouche: www.wikipedia.org/wiki/Perceptron_multicouche
(Consulté le 05 Avril 2016)
[67] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de
Doctorat. Université Mohamed Khider, Biskra (Algérie), 2013
[68] Kennedy. J, Eberhart. R.C: Particle swarm optimization. In Proceedings of the IEEE
International Conference on Neural Networks IV, Perth (Australia), pp. 1942–48,
1995.
[69] Lepagnot. J: Conception de métaheuristiques pour l'optimisation dynamique.
Application à l'analyse de séquences d'images IRM. Thèse de Doctorat. Université
Paris-Est, Paris (France), 2011
[70] Zaitri. A: Caractérisation du comportement d’un Isolateur HT par la méthode des
réseaux de neurones optimisée par essaim de particules. Mémoire de Master.
Université de Djelfa, Algérie, 2015.
[71] Ziane. K, Zebirate. S, Zaitri. A: Particle swarm optimization-based artificial neural
network for predicting fatigue strength in composite laminates of wind turbine blades.
Composites: Mechanics, Computations, Applications: An International Journal. 6:
321-338
[72] Attaf. B: Designing composite wind turbine blades from cradle to cradle. Book of
recent advances in composite materials for wind turbine blades, The world academic
publishing, pp. 2-24, 2013
[73] Eker. AA, Eker. B: General assessment of fiber-reinforced composites selection in
wind turbine blades. Book of recent advances in composite materials for wind turbine
blades, The world academic publishing, pp.61-77, 2013
[74] Ladean. RM, Cairns. DS, Mandell. J, Combs. DC, Rabern. DA, Van Luchene RD:
Analysis of a composite blade design for the AOC 15/50 wind turbine using a finite
element model. Sandia report SAND2001-1441, 2001
[75] Van Dam. J, Jacobson. E, Link. H, Meadors. M: Wind turbine generators system
duration test report for the Atlantic orient 15/50 wind turbine. National Renewable
Energy laboratory NREL/EL-500-34017, 2003.
[76] Nijssen RPL: Fatigue Life Prediction and Strength Degradation of Wind Turbine
Rotor Blade Composites. PhD Thesis, Delft University the Netherlands, 2006.
[77] Mandell J F, Samborsky D D, Li M, Orozco R, Cairns D S. Selection of fiberglass
matrix resins for increased toughness and environmental resistance in wind turbine
blades. AIAA, 57:354-366, 2000
107
Bibliographie
[78] Li. M: Temperature and moisture effects on composite materials for wind turbine
blades. MS Thesis, Montana State University-Bozeman, 2000.
[79] Al-Assadi. M, El-Kadi. H, Deiab IM: Using artificial neural networks to predict the
fatigue life of different composite materials including the stress ratio effect. Applied
Composite Materials, 18: 297-309, 2011
[80] Al-Assadi. M, El-Kadi. H, Deiab. IM: Predicting the fatigue life of different composite
materials using artificial neural networks. Applied Composite Materials, 17: 1-14,
2010
[81] Pleune . TT, Chopra. OK: Using artificial neural networks to predict the fatigue life
of carbon and low-alloys steels. Nuclear Engineering and Design, 197:1-12, 2000
[82] Venkatesh. V, Rack. HJ: A neural network approach to elevated temperature creep-
fatigue life prediction. International journal of fatigue, 21:225-234, 1999
[83] Lee. JA, Almond. DP, Harris. B: The use of neural networks for the prediction of
fatigue lives of composite materials. Composites Part A, 30:1159-69, 1999
[84] SNL/MSU/DOE Composite Material Fatigue Database: Mechanical properties of
composite materials for wind turbine blades. Version 23.0, June 26, 2014, Montana
State University-Bozeman. Available at: http://energy.sandia.gov/
[85] Samborsky, DD, Mandell, JF, Cairns DS: Selection of reinforcing fabrics for wind
turbine blades. AIAA Journal, 24:32-42, 1999
[86] Mandell. JF, Samborsky. DD. DOE/MSU Composite Material Fatigue Database: Test
Methods, Materials and Analysis. Sandia National Laboratories Contractor report
SAND 97-3002, 1997
[87] Astrom. BT: Manufacture of Polymer Composites. Dept. of Aeronautics, Royal
Institute of Technology, Chapman & Hall, pp.1- 175, 1997
[88] Orozco. R: Effects of toughened matrix resins on composite materials for wind turbine
blades. MS Thesis, Montana State University-Bozeman, 1999
[89] Launikitis. MB. Vinyl ester resins. Handbook of Composites, Edited by Lubn G,
pp.38-49, 1982
[90] Haugen. DJ: fracture of skin-stiffener intersections in composite wind turbine blade
structures. MS Thesis, Montana State University-Bozeman, 1998
[91] Bortolotti. P: Carbon glass hybrid materials for wind turbine rotor blades. MS Thesis,
Delft University of Technology, 2012
108
Bibliographie
[92] Mandell. JF, Cairns. DS: Prediction of delamination in wind turbine structural details.
Journal of Solar Energy Engineering, 125:522-30, 2003
[93] ASTM D 5229/D 5229M: Standard test method for moisture absorption properties
and equilibrium conditioning of polymer matrix composite materials. American
Society For Testing and Materials, 2004
[94] Svozil. D, KvasniEka. V, Pospichal. J: Introduction to multi-layer feed-forward neural
networks. Chemometrics and Intelligent Laboratory Systems, 39:43-62, 1997
[95] Mohanty. JR,Verma. BB, Parhi. DRK, Ray. PK: Application of artificial neural
network for predicting fatigue crack propagation life of aluminum alloys. Archive of
Computational Material Science and Surface Engineering, 1:133-134, 2009
[96] AL-Assaf. Y, El-Kadi. H: Fatigue life prediction of unidirectional glass fiber/epoxy
composite laminae using neural networks. Composite Structures, 53:65-71, 2001
[97] Vassilopoulos. AP, Georgopoulos. EF, Dionysopoulos. V: Artificial neural networks
in spectrum fatigue life prediction of composite materials. International Journal of
Fatigue, 29:20-29, 2007
[98] Beale. MH, Hagan. MT, Demuth. HB: Neural network toolbox, user's guide R2014b.
The MathWorks, Available at: www.mathworks.com, 2014
[99] Mandell. JF, Samborsky. DD, Cairns DS: Fatigue of composite materials and
substructures for wind turbine blades. Contractor report SAND2002-0771. Sandia
National Laboratories, 2002
[100] Ziane. K, Zebirate. S, Zaitri. A: Environmental effects on fatigue strength of composite
materials of wind turbine blades. Third Euro-Mediterranean Conference on Materials
and Renewable Energies EMCMRE-3, Marrakech (Morocco), Nov. 2015
[101] Ziane. K, Zebirate. S, Zaitri. A: Fatigue strength prediction in composite materials of
wind turbine blades under dry-wet conditions: An artificial neural network approach.
Wind Engineering, 40:189-198, 2016
[102] Mandell. J.F, Samborsky. D.D, Miller. D.A: Effects of resin and reinforcement
variations on fatigue resistance of wind turbine blades - Advances in wind turbine
blade and design. In: Brondsted, P., Nijssen, R.P.L. (Eds), pp. 210-250. Woodhead
Publishing Limited (2013)
[103] Samborsky. D.D, Agastra. P, Mandell. J.F: Fatigue trends for wind blade infusion
resins and fabrics. 51st AIAA/ASME/ASCE/AHS/ASC Structures, Structural
Dynamics, and Materials Conference, Florida (USA), 2010
[104] Agastra. P, Samborsky. D.D, Mandell. J.F: Fatigue resistance of fiberglass laminates
at thick material transitions. 50th AIAA/ASME/ASCE/AHS/ASC Structures,
Structural Dynamics, and Materials Conference, California (USA), 2009
109
Bibliographie
[105] Mandell. J.F, Samborsky. DD, Agastra. P, Sears. A.T, Wilson, T.J: Analysis of
SNL/MSU/DOE fatigue database trends for wind turbine blade materials. SANDIA
Report, 2010
[106] Wilson. T.J: Modeling of in-plane and interlaminar fatigue behavior of glass and
carbon fiber composite materials. MS Thesis. Montana State University (USA), 2007
[107] Mandell. J.F, Reed. R.M., Samborsky. D.D: Fatigue of fiberglass wind turbine blade
materials. Contractor report SANDIA, 1992
[108] Birge. B.: PSOt-a particle swarm optimization toolbox for use with Matlab.
Proceedings of IEEE Swarm Intelligence Symposium SIS’03, pp.182-186, 2003
[109] Evers. G: Particle swarm optimization research toolbox. Available at:
http://www.georgeevers.org/pso_research_toolbox.htm, 2011 (Consulté: Mars.2015)
[110] Rambharose. T: Artificial neural network training add-in for particle swarm
optimization research toolbox. Available at: http://www.tricia-rambharose.com, 2010
(Consulté: Mars.2015)
[111] Ziane. K, Zebirate. S, Zaitri. A: Predicting the fatigue strength of different composite
laminates of wind turbine blades. Third Euro-Mediterranean Meeting on
Functionalized Materials EMM-FM 2015, Hammamet (Tunisia), Sep. 2015
110
Annexes (A, B et C)
A.1 Théorie de Betz

La théorie globale d’une éolienne à axe horizontal a été établie par Albert Betz [19]. Betz
suppose que l’éolienne est placé dans un air animé à l’infini en amont d’une vitesse et à
l’infini en aval d’une vitesse . La production d’énergie ne pouvant se faire que par la
conversion de l’énergie cinétique, la vitesse est nécessairement inférieure à . Il en résulte
que la veine de fluides traverse le générateur éolien en s’élargissant.
Soit donc la vitesse de l’air en amont, celle en aval et celle au travers de , la
section balayée par les pales de l’éolienne (comme présenté à la figure A.1) et la masse
d’air qui traverse l’éolienne, la variation d’énergie cinétique de l’air est :
( ) ( )
La puissance de l’éolienne est alors :
( ) ( )
111
Avec : : est la densité de l’air ;
: est la surface balayée par les pales de la turbine ;

Par ailleurs, la force de l’air sur l’éolienne est :
( ) ( )
D’où :
( ) ( )
En identifiant les équations A.2 et A.4, on obtient :
( )
Et donc :
( ) ( )
Fig. A.1 : Schéma de principe de la théorie de Betz
La puissance de l’éolienne sera alors maximale quand sa dérivée sera nulle, soit pour
.
La puissance est alors maximale et vaut :
( )
On peut donc en déduire que même si la forme des pales permet d’obtenir , on ne
récupère au mieux que fois l’énergie cinétique de la masse d’air amont. On écrira en
notant la vitesse du vent amont.
( )
Où : : est le rayon de la turbine
: est le coefficient de puissance de l’éolienne, il dépend de la vitesse du vent, du

nombre de pales, de leur rayon, de leur angle de calage et de leur vitesse de rotation.
112
B.1 Conception, qualification et certification d’une pale d’éolienne
Le moulage par transfert de résine RTM « Resin Transfer Molding » est un procédé qui
consiste à injecter de la résine sous forme liquide dans une empreinte fermée (moule/contre
moule), dans laquelle le renfort fibreux sec (préforme) a été préalablement placé [39, 44],
s’appuie principalement sur l’utilisation de la différence de pression (ou perte de charge) qui
se manifeste à l’intérieur de l’empreinte fermée, permettant ainsi l’écoulement de la résine et
par conséquent l’imprégnation du renfort fibreux.
B.1.1 Conception
La Figure (B.1) montre les principales étapes du procédé RTM que nous avons résumé
par :
Fig. B.1 : Différentes étapes de réalisation d’une pièce par le procédé RTM
 Etape 0 : sélection du renfort fibreux recommandé par le bureau d’études ;
 Etape 1 : préparation du préforme (orientation des fibres et séquence d’empilement) ;
113
 Etape 2 : fermeture du moule après placement du renfort et mise à vide ;
 Etape 3 : injection de la résine et imprégnation progressive du renfort jusqu’au
remplissage ;
 Etape 4 : polymérisation, séchage et durcissement de la résine (cuisson) ;
 Etape 5 : ouverture du moule et démoulage de la pièce.
L’étape (3) s’avère être une étape importante dans le processus de réalisation d’une pièce
en matériaux composites. Cette étape d’injection et d’écoulement de la résine dans le milieu
fibreux s’appuie sur l’utilisation de la loi de Darcy qui se caractérise par la valeur de
perméabilité de la résine. Cette perméabilité dépend de plusieurs paramètres : la nature du
renfort, le sens et la disposition des fibres, la séquence d’empilement des plis, la température
de la résine, le positionnement des points d’injection-aspiration, etc.
B.1.2 Qualification et certification
Cette qualification sera caractérisée par une vérification de la compatibilité entre le
dimensionnement et les charges aérodynamiques et environnementales (température et
humidité) auxquelles la pale pourra être soumise au cours de sa durée de vie. Ces essais
consistent à imposer forfaitairement un environnement dynamique plus sévère que celui du
cas réel. Les méthodes des essais dynamiques consistent à réaliser un prototype et lui faire
subir des tests dynamiques, en ambiance laboratoire pour l’identification des zones critiques
susceptibles de provoquer une rupture. Ces méthodes expérimentales sont regroupées sous la
nomination d’Analyse Modale Expérimentale, effectuées par des analyseurs de signaux (FFT)
et logiciels associés. L’équipement utilisé pour l’analyse modale expérimentale est illustré par
la figure (B.2).
Fig. B.2: Type d’équipement utilisé pour l’analyse modale expérimentale

La certification de la pale d’éolienne peut être délivrée par un organisme compétent tel
que Germanischer Lloyd conformément à la Norme IEC 61400-1. Cette certification est
effectuée par des audits externes qui sont essentiellement axés sur:
114
 Évaluation des documents et rapports de conception
 Évaluation du site et de ses procédés de fabrication
 Évaluation des équipements destinés aux essais statiques, dynamiques, fatigue, …
 Contrôle de la qualification des personnes et opérateurs intervenants dans le processus
de conception
 Évaluation des résultats numériques et expérimentaux associés aux pales prototypes
 Évaluation des systèmes de management de la qualité
La figure (B.3) montre les principales étapes relatives à la procédure de certification
Fig. B. 3 : Procédure de certification d’une pale d’éolienne
115
Algorithme C.1 : Algorithme d’OEP sans considération de voisinage
[Les variables et paramètres de l’algorithme]

: Nombre de particules
: Position de la particule
: Vitesse de la particule
: Meilleure fitness obtenue pour la particule
: Position de la particule pour la meilleure fitness
: Valeur aléatoire positive
[Initialisations]
Initialiser aléatoirement la population
Pour chaque particule Faire
Initialiser aléatoirement ;
Initialiser aléatoirement (ou bien =0) ;
;
Fin Pour
[Traitement]
Répéter
Pour de 1 à Faire
Si ( ( ) ) Alors
( )
Fin Si
( ) ( ) ( ( ) ( ))
( ) ( ) ( )
Fin Pour
Jusqu’à ce que (le processus converge)
En considérant un voisinage en étoile l’algorithme (C.1) devient :
116
Algorithme C.2 : Algorithme d’OEP en considérant voisinage étoile
[Les variables et paramètres de l’algorithme]

: Nombre de particules
: Position de la particule
: Vitesse de la particule
: Meilleure fitness obtenue pour la particule
: Meilleure fitness des voisins
: Position de la particule pour la meilleure fitness
: Position de la particule ayant la meilleur fitness de toutes
: Valeurs aléatoires positives
[Initialisations]
Initialiser aléatoirement la population
Pour chaque particule Faire
Initialiser aléatoirement ;
Initialiser aléatoirement (ou bien =0) ;
;
Fin Pour
[Traitement]
Répéter
Pour de 1 à Faire
Si ( ( ) ) Alors
( )
Fin Si
Si ( ( ) ) Alors
( )
Fin Si
( ) ( ) . ( ) ( )/ . ( ) ( )/
( ) ( ) ( )
Fin Pour
Jusqu’à ce que (le processus converge)
117

Thèse Khaled Ziane

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

Thèse Khaled Ziane

Transféré par

Droits d'auteur :

Formats disponibles

Université d’Oran 2

Institut de Maintenance et de Sécurité Industrielle

Pour l’obtention du diplôme de Doctorat « L.M.D »

Analyse, Évaluation et Réduction des Risques

Présentée et soutenue publiquement par :

Devant le jury composé de :

LOUNIS Zoubida Professeur Université d’Oran 2 Présidente

« Analysis, assessment and risk reduction of a wind farm »

« ‫ تقييم والحد من مخــاطر حقـل الريـاح‬،‫» تحليل‬

contenter de l’acquis ; comme je le disais souvent « le plus agréable ce n’est

lorsque le chemin n’amène pas et on en laisse sa trace..!! Ne regardes pas

seulement dans la destination, essayes de vivre et profiter du chemin... ».

Liste des tableaux ....................................................................................................................... i

Introduction générale ................................................................................................................. 1

Chapitre I : Etat de l’art des éoliennes

Chapite III : Fatigue des pales d'éoliennes

Chapite IV : Intelligence artificielle et prédiction

Chapitre V : Prédiction de la fatigue des pales d’éoliennes

Conclusion générale ................................................................................................................. 99

Bibliographie .......................................................................................................................... 102

Annexes .................................................................................................................................. 111

Figure I.1a : Rose des vents ..................................................................................................... 5

ANN Artificial Neural Network

Efforts normaux par rapport aux axes x et y

Efforts de cisaillement transverse

̂ Sortie obtenue par RNA

dernières décennies. Des statistiques sont données montrant l’évolution de la production et la

I.1 D’où vient le vent ?

Fig. I.1a : Rose des vents Fig. I.1b : Manche à air

Le début du Moyen-Âge a vu l’apparition des moulins en Europe avec comme

Fig. I.2a : Éolienne de pompage Fig. I.2b : Moulins à vent

maximiser la puissance captée du vent avec l’insertion d’interface d’électronique entre la

Tab. I.1 : Production mondiale d’électricité éolienne en 2011 et 2012 en (TWh)

Pays 2011 2012 % 2012

I.2.6 Emplacement des parcs éoliens

I.3 Caractéristiques générales d’un parc éolien

Fig. I.7 : Schéma descriptif d’un parc éolien terrestre

I.3.1 Eléments constitutifs d’une éolienne

Fig. I.8 : Éléments constitutifs d’une éolienne

Fig. I.9 : Montage des pales d’éolienne

Les caractéristiques mécaniques des matériaux sélectionnés sont déterminées après

Fig. I.10 : Conception d’une pale d’éolienne

On rencontre plusieurs types de matériaux :

I.3.2 Emprise au sol

Fig. I.11 : Illustration des emprises au sol d’une éolienne [18]

 l’installation de nouveaux systèmes de sécurité (détection de glace, vibrations, arrêt

Fondation Ancrer et stabiliser l’éolienne dans le sol

Mât Supporter la nacelle et le rotor

Pour un aérogénérateur de 2,5 MW par exemple, la production électrique atteint

Fig. I.12 : Raccordement électrique d’un parc éolien [24]

I.4.1 Réseau inter-éolien

II.2 Impact des éoliennes sur l’environnement

Fig. II.1 : Impact visuel d’un parc éolien [26]

Fig. II.2 : Impact sur l’avifaune

Fig. II.3 : Atténuation du bruit suivant l’éloignement de l’éolienne [26]

Fig. II.4 : Projection de glace et circulation des passants [28]

Fig. II.5 : Incendie d’une éolienne à cause de la foudre [30]

 Produits de nettoyage et d’entretien des installations (solvants, dégraissants,

Fig. II.6 : Pale brisée par la tempête [28]

Ces dangers potentiels sont recensés dans le tableau suivant :

Fig. II.8 : Répartitions des causes premières d’effondrement

Fig. II.9 : Répartitions des causes premières de rupture de pale

Fig. II.10 : Répartitions des causes premières d’incendie [32]

II.5 Analyse préliminaire des risques APR