Académique Documents
Professionnel Documents
Culture Documents
THÈSE
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
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
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
pas d’arriver à son but, mais le chemin parcouru pour y arriver... Surtout
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
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
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 ............................ 96
Figure V.21 : Prédiction de la tenue en fatigue de « PPG1200-VE5 fibre de verre/Vinylester »
pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................. 97
Figure V.22 : Prédiction de la tenue en fatigue de « PPG1200-VE6 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
v
Moments de flexion par rapport aux axes x et y
Moment de torsion
Effort de cisaillement
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
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
Introduction générale
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
Introduction générale
3
Introduction générale
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
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
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
Fig. I.3 : Capacité éolienne cumulée en GW dans le monde de 1996 à 2014 [11]
8
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
10
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
Fig. I.6 : Installation d’éoliennes offshore en Mer du Nord (Photo Gunnar Britse)
12
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
16
Chapitre I État de l’art des éoliennes
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
Chapitre I État de l’art des éoliennes
Élément de
Fonction
l’installation
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
18
Chapitre I État de l’art des éoliennes
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.
19
Chapitre I État de l’art des éoliennes
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
22
Chapitre II Analyse et évaluation des risques d’un parc éolien
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.
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].
23
Chapitre II Analyse et évaluation des risques d’un parc éolien
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] :
24
Chapitre II Analyse et évaluation des risques d’un parc éolien
25
Chapitre II Analyse et évaluation des risques d’un parc éolien
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
Chapitre II Analyse et évaluation des risques d’un parc éolien
28
Chapitre II Analyse et évaluation des risques d’un parc éolien
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
Chapitre II Analyse et évaluation des risques d’un parc éolien
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)
Prévenir les défauts
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
Chapitre II Analyse et évaluation des risques d’un parc éolien
31
Chapitre II Analyse et évaluation des risques d’un parc éolien
Prévenir la Projection/chut
Défaillance Effondremen
E09 Fatigue dégradation de l’état e fragments et
mât t éolienne
des équipements chute mât
Prévenir les défauts
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
Chapitre II Analyse et évaluation des risques d’un parc éolien
33
Chapitre II Analyse et évaluation des risques d’un parc éolien
34
Chapitre II Analyse et évaluation des risques d’un parc éolien
35
Chapitre II Analyse et évaluation des risques d’un parc éolien
36
Chapitre II Analyse et évaluation des risques d’un parc éolien
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
Chapitre II Analyse et évaluation des risques d’un parc éolien
38
Chapitre II Analyse et évaluation des risques d’un parc éolien
39
Chapitre II Analyse et évaluation des risques d’un parc éolien
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].
42
Chapitre III Fatigue des pales d’éoliennes
43
Chapitre III Fatigue des pales d’éoliennes
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
Chapitre III Fatigue des pales d’éoliennes
45
Chapitre III Fatigue des pales d’éoliennes
Fibres Orientation
Référentiel des fibres
Matrice
Couche
(Pli individuel) 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
Chapitre III Fatigue des pales d’éoliennes
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]
47
Chapitre III Fatigue des pales d’éoliennes
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).
48
Chapitre III Fatigue des pales d’éoliennes
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
Chapitre III Fatigue des pales d’éoliennes
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
Chapitre III Fatigue des pales d’éoliennes
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] :
⁄ ⁄ ( ) ( ) ( )
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
Chapitre III Fatigue des pales d’éoliennes
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] :
( )
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
Chapitre III Fatigue des pales d’éoliennes
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
55
Chapitre IV Intelligence artificielle et prédiction
56
Chapitre IV Intelligence artificielle et prédiction
57
Chapitre IV Intelligence artificielle et prédiction
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.
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
Chapitre IV Intelligence artificielle et prédiction
∑( ) ( )
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
Chapitre IV Intelligence artificielle et prédiction
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.
60
Chapitre IV Intelligence artificielle et prédiction
61
Chapitre IV Intelligence artificielle et prédiction
62
Chapitre IV Intelligence artificielle et prédiction
63
Chapitre IV Intelligence artificielle et prédiction
Statique
Architecture Dynamique
Évolutive, auto-organisée
Supervisé
Réseaux de
Apprentissage
Neurones
Non-Supervisé
Mémorisation, Classification
Approximation, Optimisation
64
Chapitre IV Intelligence artificielle et prédiction
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 :
∑ ( )
( ) { ( )
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
Chapitre IV Intelligence artificielle et prédiction
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
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
Chapitre IV Intelligence artificielle et prédiction
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
Chapitre IV Intelligence artificielle et prédiction
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 :
68
Chapitre IV Intelligence artificielle et prédiction
Fig. IV.13: Règles simples d’application locale utilisées dans un essaim de particules
70
Chapitre IV Intelligence artificielle et prédiction
( ) ( ) . ( ) ( )/ . ( ) ( )/ * + ( )
( ) ( ( ) . ( ) ( )/ . ( ) ( )/) * + ( )
71
Chapitre IV Intelligence artificielle et prédiction
Avec:
( )
√
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
Chapitre IV Intelligence artificielle et prédiction
73
Chapitre IV Intelligence artificielle et prédiction
Et
( )
74
Chapitre IV Intelligence artificielle et prédiction
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
78
Chapitre V Prédiction de la fatigue des pales d’éoliennes
{ } [ ]{ } { } { } ( )
79
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
80
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
Couche Réadaptations
cachée des poids
E
n
t Sortie du
r réseau y
é
e
s
Sortie
désirée yd
y - yd
Erreur
wi wo
82
Chapitre V Prédiction de la fatigue des pales d’éoliennes
[∑ ] ( )
∑ ∑( ) ( )
( ) ( ) ( ) ∑( ) ( ) ( )
83
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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 »
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)
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
Abs (contrainte max MPa)
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
Log (nombre de cycles à la rupture)
Fig. 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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
Abs (contrainte max MPa)
0
0 2 4 6 8
Log (nombre de cycles à la rupture)
Fig. 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)
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
Abs (contrainte max MPa)
30
0
0 1 2 3 4 5 6 7 8
Log (nombre de cycles à la rupture)
Fig. 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)
Les données expérimentales et les prédictions neuronales peuvent également être
représentées pour les différentes températures dans des conditions sèches et/ou humides,
86
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
Abs (contrainte max MPa)
Iso-polyester (Exp)
25
Iso-polyester (RNA)
Ortho-polyester (Exp)
5
Ortho-polyester (RNA)
0
0 1 2 3 4 5 6 7 8
Log (nombre de cycles à la rupture)
Fig. V.9 : Prédiction de la tenue en fatigue des quatre résines pour T=50 °C humide
45
40
35
Abs (contrainte max MPa)
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
Log (nombre de cycles à la rupture)
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
45
40
35
5 Ortho-polyester (RNA)
0
0 1 2 3 4 5 6 7
Log (nombre de cycles à la rupture)
Fig. V.11: Prédiction de la tenue en fatigue des quatre résines pour T=20 °C humide
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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).
89
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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].
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
91
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
( ) ∑ (̂ ) ( )
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
93
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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.
94
Chapitre V Prédiction de la fatigue des pales d’éoliennes
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Epochs
800
700
Contrainte max (MPa)
600
500
400 Multidirectionnel (Exp)
95
Chapitre V Prédiction de la fatigue des pales d’éoliennes
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
Contrainte max (MPa)
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)
800
700
Contrainte max (MPa)
600
500
400 Multidirectionnel (Exp)
300 Multidirectionnel (RNA-OEP)
200 Unidirectionnel (Exp)
100 Unidirectionnel (RNA-OEP)
0
0 1 2 3 4 5 6 7
Log (nombre de cycles à la rupture)
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
Chapitre V Prédiction de la fatigue des pales d’éoliennes
600
500
0
0 1 2 3 4 5 6
Log (nombre de cycles à la rupture)
600
500
Contrainte max (MPa)
400
800
700
UD-PPG1200-EP1 (Exp)
Contrainte max (MPa)
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
Log (nombre de cycles à la rupture)
Fig.V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de [0]2
97
Chapitre V Prédiction de la fatigue des pales d’éoliennes
600
500
Contrainte max (MPa)
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)
MD-PPG1200-VE5 (RNA-OEP)
100 MD-PPG1200-VE6 (Exp)
MD-PPG1200-VE6 (RNA-OEP)
0
0 1 2 3 4 5 6 7
Log (nombre de cycle à la rupture)
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
Conclusion générale
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
Conclusion générale
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
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
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)
( ) ( )
( ) ( )
111
Avec : : est la densité de l’air ;
( )
Et donc :
( ) ( )
La puissance de l’éolienne sera alors maximale quand sa dérivée sera nulle, soit pour
.
( )
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.
( )
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).
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
115
Algorithme C.1 : Algorithme d’OEP sans considération de voisinage
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)
116
Algorithme C.2 : Algorithme d’OEP en considérant voisinage étoile
Fin Si
Si ( ( ) ) Alors
( )
Fin Si
( ) ( ) . ( ) ( )/ . ( ) ( )/
( ) ( ) ( )
Fin Pour
Jusqu’à ce que (le processus converge)
117